九万八千次试跑：写代码的智能体，把手搓的机器人规划器比了下去

九万八千次试跑：写代码的智能体，把手搓的机器人规划器比了下去

先看这个数量级

一个熟练的机器人工程师，为一类任务手写一个能用的任务与运动规划器，工期以月计。2026 年 9 月 24 日挂上 arXiv 的一篇论文（arXiv:2609.30233）把这件事换了个做法：给编码智能体一段任务描述、一个模拟器、一份固定的合成预算，让它自己写程序；写完冻结，丢到 100 个从没见过的实例上去跑。

28 个环境、980 个生成的程序、每个程序 100 个留出实例，合计 98000 次评估。【直引，论文摘要与正文设置】

这个数字是全篇最硬的部分。它不是一次演示，是一次普查。

TAMP 难在哪

TAMP 是 task and motion planning 的缩写，要同时解决两件事：离散层面的任务决策（先拿 A 还是先拿 B），和连续层面的几何、运动学、动力学约束（手怎么进去、会不会撞）。这两层是咬在一起的，拖开任何一层单独算都不成立。

通用化 TAMP（generalized TAMP）想走一条巧路：同一类问题的不同实例之间有规律性，把规律性抓出来，新实例就不用从头规划。这条路走得通，代价是需要大量 TAMP 专属的工程投入，每个环境都要有人去设计抽象、写领域知识、调接口。

论文问的就是这一句：这部分工程，能不能交给写代码的智能体。

实验怎么搭的

三种配置都上：Claude Code 跑 Opus 5，Codex 跑 GPT-5.6 Sol 和 GPT-6 Astra。环境来自 KinDER 与 PDDLStream 两套仿真体系，物体数量推到原基准没测过的规模。

关键设计在「冻结」这一步。智能体在合成阶段可以随便跟模拟器交互，程序一旦定稿就不再改动，之后面对的是全新的实例。这挡住了边跑边调的作弊空间。

结果：56% 到 95%，对面是 47%

在有现成手写规划器可比的 16 个环境里，智能体写的程序平均成功率落在 56% 到 95% 之间，手写规划器是 47%。

两个基线也被压在下面：一次性生成（不给交互机会）和一条基于 LLM 的通用规划基线。

还有一处比成功率高低更值得看的：物体数量往上推的时候，智能体写的程序成功率掉得比规划器慢，每个实例的平均计算量还低一个数量级。这说明智能体抓到的不是某个具体实例的答案，是那类问题的结构。【推论】

日志里，它在干什么

论文把智能体的交互日志放了出来，行为模式跟一个靠谱工程师很像：先用模拟器戳几下校准物理模型，再拿边界情况试自己的假设，发现不对就改策略，最后才定稿。

这一段是整篇论文的枢纽。一次性生成和智能体的差别不在模型强弱，在有没有一个能反复试的环境。给它一个环境、一份预算，它会先建立自己的理解再动手写要交付的东西。【判断】

同一周，另外两个方向相近的动作

RAPID（arXiv:2609.30249）从一段人类视觉演示里反推出三样东西：可测试的任务规格、动作原语、可交互的执行环境，然后让编码智能体反复生成、验证、修订。作者名单里有 Leslie Pack Kaelbling 和 Tomás Lozano-Pérez。程序用物体中心的关系表示，物体位姿、形状、材质变了还能用。真实 Franka 机械臂上测了 8 个非抓取的富接触任务。【直引，论文摘要】

World Action Agent（arXiv:2609.29964）在 LIBERO-Pro 上拿到 75.6% 平均成功率，超过端到端 VLA、代码即策略的智能体，以及同骨干搭的视觉 harness 基线。它的做法是让通用 VLM 的每个动作先变成一份可编辑的提案，执行前先演练、先纠错。交互轨迹还能拿去训小模型：Qwen3.5-9B 微调后，分布外成功率从 1.7% 涨到 43.3%。【直引，论文摘要与资讯聚合】

三条摆在一起，形状是清楚的：模拟器或可交互环境正在变成机器人程序的编译器。

值不值得当真

三条边界得说在前面。

第一，56% 到 95% 是个很宽的区间，论文给的是均值层面的比较，不是每个环境都碾压。这种宽区间通常意味着环境之间有系统性差异，而差异的来源论文没有拆开。

第二，全部在仿真里。KinDER 和 PDDLStream 的物体动力学是理想化的，真实机器人上的接触、摩擦、感知噪声没进这套评估。

第三，代码和完整 prompt 都放出来了，这是加分项，也是这篇论文能被复核的前提。【判断】作者是 Matteo Merler、Bowen Li、Josh Roy、Yichao Liang、Qianwei Wang、Yixuan Huang、Tom Silver。

为什么这条比数字本身重要

机器人领域贵的东西，从来不是那台机器。是一个具体任务和一份能跑的规划之间，那几个月的定制工程。这篇论文把这段工程压缩成了一次有预算的程序合成。

如果这条路走得通，规划器就从要造的东西变成能生成的东西。这个转变一旦成立，机器人落地的成本结构会跟着变。【判断】

观察线

• 真实机器人上的复现：RAPID 已经在 Franka 上做了，TAMP 这篇还没。
• 区间宽度的来源：56% 到 95% 之间，是环境差异还是任务类型差异。
• 预算的敏感度：合成预算砍半，成功率掉多少，论文给的是固定预算下的结果。
• 跨体系迁移：KinDER 与 PDDLStream 之外的环境，智能体还能不能自己摸出结构。

参考来源

1. Matteo Merler, Bowen Li, Josh Roy, Yichao Liang, Qianwei Wang, Yixuan Huang, Tom Silver, Coding Agents for Generalized Task and Motion Planning Problems, arXiv:2609.30233, 2026-09-24 2. Yuyao Liu, Jiayuan Mao, David Hsu, Leslie Pack Kaelbling, Tomás Lozano-Pérez, RAPID: Robot Agentic Programming from Demonstrations, arXiv:2609.30249 3. Yehang Zhang et al., World Action Agent, arXiv:2609.29964 4. FutureX Physical AI Daily Issue 131, 2026-09-26