具身推理与任务规划 / Embodied Reasoning and Task Planning

English contract

• Objective: convert an instruction and world state into a typed, inspectable plan that can execute skills, observe outcomes, and replan after failure.
• Inputs: task instruction, grounded entities, available skills, preconditions/effects, safety constraints, and feedback events.
• Stages: parse → ground → plan → validate → execute skill → observe → replan or terminate.
• Acceptance: measure parse validity, grounding accuracy, subgoal completion, replan count, constraint violations, and final task success on held-out scenarios.
• Evidence: the included rule-based path is interface-tested; it does not validate general language-model reasoning. Apply the validation policy.

目标与边界

把自然语言目标转成可执行、可监控、可重规划的技能序列。规划器只负责决定“做什么”；技能控制器、世界状态估计和安全监督决定“是否能安全做到”。

前置知识与输入

• 具身推理与规划
• 机器人系统与安全
• 输入：用户目标、当前场景状态、对象与技能目录、前置条件、禁区、资源和完成判据。

Pipeline

阶段	关键动作	输出/检查
1. Grounding	解析实体、关系和约束	grounded goal
2. Task planning	分解 locate/approach/grasp/move/place	typed TaskPlan
3. Validation	检查技能存在、参数合法、前置条件	executable plan
4. Skill execution	调用感知与控制技能	skill status/telemetry
5. Monitoring	判断完成、失败、超时和安全事件	structured feedback
6. Replanning	更新世界状态并恢复或重规划	revised plan
7. Audit	保存输入、计划、工具调用与结果	trace 与错误分类

运行与产物

python scripts/run_pipeline.py --run embodied-reasoning

入口：rule_based_planner.py。当前示例验证语言到 TaskPlan/SubGoal 的结构化接口；它不执行机器人技能。

验收门槛

• 计划只能调用白名单技能，参数必须通过 schema 验证。
• 每个 subgoal 有前置条件、成功条件、超时与失败恢复策略。
• 在含糊指令、对象不存在、技能失败和场景变化时测试。
• 报告计划解析成功率、子目标完成率、重规划次数和最终任务成功率。

常见失败：LLM 生成不存在的技能、只生成文本不生成类型化计划、执行失败后盲目重试、计划日志无法复现。