A Survey of Optimization-based Task and Motion Planning: From Classical To Learning Approaches

任务和动作规划（TAMP）将高层任务规划和低层运动规划相结合，使机器人具备有效推理长期动态任务的自主性。基于优化的TAMP专注于混合优化方法，通过目标函数定义目标条件，并能够处理开放式目标、机器人动力学和机器人与环境之间的物理交互。因此，基于优化的TAMP特别适用于解决高度复杂、接触丰富的运动和操作问题。本综述全面评估了基于优化的TAMP，包括（i）规划领域表示，包括行动描述语言和时间逻辑，（ii）TAMP组件的个别解决策略，包括人工智能规划和轨迹优化（TO），以及（iii）基于逻辑的任务规划和基于模型的TO之间的动态相互作用。本综述特别强调了高效解决TAMP的算法结构，尤其是分层和分布式方法。此外，本综述强调了经典方法与当代基于学习的创新（如大型语言模型）之间的协同作用。此外，本综述讨论了TAMP的未来研究方向，重点介绍了算法和应用特定的挑战。

优化型任务和运动规划（TAMP）的综述

本文综述了优化型TAMP的规划领域表示、解决方案策略和逻辑任务规划与模型优化之间的动态相互作用。特别关注算法结构以有效解决TAMP，强调了经典方法和现代学习创新（如大型语言模型）之间的协同作用。

本文重点介绍了优化型TAMP的算法结构，特别是分层和分布式方法，以有效地解决TAMP。此外，本文还强调了经典方法和现代学习创新之间的协同作用。

相关研究包括：Task and Motion Planning for Articulated Objects with Reachability and Collision Avoidance Constraints、Integrated Task and Motion Planning in Belief Space、A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles等。