机器人规划代表了一个持续的研究挑战，因为它需要整合感知、推理和执行。尽管大型语言模型（LLMs）在规划中提供了高度的灵活性，但它们往往引入了虚构的目标和行动，因此缺乏确定性方法的正式可靠性。本文通过提出一个混合的感知-规划-编码-行动（SPCA）框架来解决这一局限，该框架结合了感知、基于LLM的推理和符号规划。在所提出的方法中，感官信息首先通过LLM转化为Planning Domain Definition Language（PDDL）中的世界符号描述。随后，使用启发式规划器生成有效计划，该计划随后由第二个LLM转换为代码。生成的代码首先通过编译在语法上进行验证，然后在模拟中进行语义验证。当检测到错误时，可以进行局部修正，并在必要时重复该过程。该方法在OpenAI Gym MiniGrid强化学习环境和Gazebo仿真中，在UR5机械臂上使用逐步增加复杂性的任务进行评估。该系统成功完成了约71%至75%的任务，并且在相对较少的模拟迭代下表现出良好效果.
Pesjak等（周五）研究了这个问题.