面向通用服务机器人的 LLM 链式任务规划设计与评估

针对 RoboCup@Home 定义的 GPSR 任务，作者提出 LLM chaining 架构，将指令分类与动作生成拆成两个阶段。相比单次提示方式，单次推理提示长度减少约 45%，规划一致性提升。在 100 条随机 GPSR 指令、三类语言模型上均取得规划改善，本地模型最高提升 37 个百分点。Toyota HSR 真机实验中 10 项任务完成 6 项。

此前服务机器人多用单次提示直接生成多步动作，易受上下文膨胀和 Lost in the Middle 影响，规划不稳定。该工作把规划拆成两个专用阶段，并在本地与云端模型上验证一致性收益，同时用真机实验指出规划成功不等于任务完成，把瓶颈定位到执行层。

链式架构将指令分类与动作生成分离，每个阶段只处理更短的上下文，降低单次推理的提示长度，从而缓解长上下文导致的关键信息丢失。规划与执行被解耦评估，使规划层的改进可以被单独度量，也暴露出规划通过后仍会在执行阶段失败。

对机器人产品团队而言，可把任务规划拆成分类与生成两个模块分别优化和替换模型，降低单次推理 token 成本。评估流程需加入真机执行指标，不能只看规划成功率，否则会高估端到端可用性并把资源错配在规划层。

• 在服务机器人任务规划模块中引入两阶段链式结构，分别优化指令分类与动作生成，优先压降单次提示长度。
• 建立规划成功率与真机任务完成率分开统计的评估集，用执行失败样本定位下一个优化点。
• 针对本地开源模型部署场景，验证链式结构带来的规划提升是否足以降低对云端大模型的依赖。

• 除提示长度减少约 45% 外，两阶段链式架构的额外推理延迟与总成本是否可接受？
• 执行层失败的具体类型分布未被说明，哪些失败可通过规划层改进消除？
• 100 条随机 GPSR 指令的生成方式与真实家庭指令分布的差距有多大？
• Toyota HSR 上 6/10 的完成率是否受硬件或环境限制，结论能否迁移到其他机器人平台？