一、论文速览基础信息论文全称《IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models》发表于ICRA 2026IEEE国际机器人与自动化大会获自动化方向最佳论文提名作者团队聚焦多机器人调度与工业自动化方向。技术标签多机器人任务调度、自然语言指令解析、程序自动生成、确定性调度、工业柔性生产核心贡献提出LLM约束提取 确定性调度求解 过程树代码生成的两级架构用大模型解决自然语言理解的灵活性问题用传统调度算法保障工业场景的执行可靠性在复杂多机器人场景下任务成功率比纯大模型方案提升46个百分点以上。二、研究背景与问题锚定1. 行业现状与痛点工业多机协同生产场景中需要根据生产需求给多台机器人分配工序、排定时序、生成控制程序行业长期存在两类瓶颈传统方案灵活性差依赖人工建模、编写调度规则与控制程序产线换型、任务变更时需要重新排程与改代码周期长、成本高跟不上柔性生产的节奏。纯大模型方案不可靠直接用大模型端到端生成机器人代码不需要提前建约束模型但输出逻辑没有保障频繁出现工序顺序错误、资源冲突等问题工业场景无法落地同时生成的代码无统一结构出问题后难以定位调试。2. 论文核心问题如何把大模型的自然语言理解能力与工业场景要求的确定性、可调试性结合起来实现从自然语言指令到多机器人可执行控制程序的可靠转化。3. 启元技术关联点启元当前的Skill开发者生态同样面临【自然语言需求→机器人可执行代码】的转化效率与可靠性问题未来家庭场景下多机器人协同如Q1人形机器人做桌面操作、T1移动机器人做搬运配合也会涉及多机任务分配与时序调度。这篇论文的架构思路对启元的Skill开发工具链优化、多机协同功能研发都有直接参考价值。三、核心技术方法拆解整体采用【高层任务规划 底层程序生成】的两级架构核心逻辑是让大模型只做擅长的语义理解与约束提取把需要可靠性的调度与代码生成交给结构化的确定性逻辑处理。1. 高层任务规划析取图构建 确定性调度1析取图约束构建由大模型解析自然语言指令自动提取三类核心要素构建成结构化的任务约束图节点对应单个原子操作如“打磨工件”“搬运物料”合取弧对应工序的先后依赖关系如“必须先抓取工件再进行打磨”析取弧对应资源互斥关系如同一台机床、同一台机器人同一时间只能执行一个操作这一步的作用是把模糊的自然语言转化为有明确边界的约束问题相当于给大模型的输出套上了结构化框架避免无边界的自由生成。2确定性调度求解在析取图的约束基础上采用经典调度算法先调优规则分支定界求解最优方案明确每个操作的执行主体、开始与结束时间严格满足所有时序约束与资源约束输出整体完工时间最短的调度方案这部分是整个方案可靠性的核心——所有执行逻辑都经过严格的约束校验不会出现资源冲突、工序颠倒的低级错误补上了纯大模型方案的核心短板。2. 底层程序生成过程树引导的代码生成把高层调度方案转化为机器人可直接执行的Python控制代码核心是引入「过程树」作为中间层不直接让大模型生成完整代码。1构建过程树基于调度结果生成树状的执行逻辑框架根节点对应完整的生产任务中间节点对应工序的执行逻辑包括串行执行、并行执行、触发条件、异常分支叶节点对应原子操作直接绑定机器人底层控制API2结构化代码生成沿着过程树自上而下生成代码每个节点对应一段独立的函数逻辑自动处理串行、并行执行的逻辑控制叶节点直接调用预定义的机器人控制接口自动合并通用函数减少代码冗余这种生成方式的优势很明确一是代码结构与调度方案一一对应逻辑可控不会出现离谱的逻辑错误二是模块化程度高需求调整、问题排查都很方便三是同一套调度逻辑适配不同机器人时只需要替换底层接口迁移成本低。3. 核心创新点架构创新将「大语言模型做语义理解」与「确定性算法做约束求解」解耦两者各司其职解决了纯大模型不可靠、传统方法不灵活的行业共性矛盾。工程创新用过程树作为代码生成的中间层兼顾了大模型的灵活性与工业代码的可控性、可调试性是大模型落地工业控制场景的可行路径。四、实验设计与关键结论1. 测试基准与评价指标论文搭建了面向多机器人工业场景的专用测试集IMR-Bench基于真实工业产线与KUKA iiwa机器人平台分三个难度等级难度等级任务规模机器人数量场景特点单机器人50项任务1台基础操作验证无协作简单多机器人5项任务最多3台基础协作少量资源冲突复杂多机器人最多24项操作最多7台强时序依赖资源竞争激烈评价指标覆盖四个维度操作覆盖率OC、任务成功率SR、目标完成率GCR、调度效率SE。2. 对比基线与核心结果对比了三类主流方案纯大模型端到端生成SMART-LLM、端到端机器人程序生成LaMDA-P、结合线性规划的大模型方法LIP-LM。核心结论全场景性能领先三个难度等级下所有指标均优于所有基线方案。简单场景接近满分单机器人场景下任务成功率、目标完成率均接近100%而纯大模型方案SMART-LLM的任务成功率仅20%差距显著。复杂场景优势更突出复杂多机器人场景下本文方案任务成功率达79%基线中最优方案仅33%场景越复杂、约束越多该架构的优势越明显。模型通用性强基于Qwen-32B实现的版本性能接近GPT-4版本说明方案不依赖顶级大模型国产大模型也可达到相近效果。3. 消融实验结论去掉确定性调度模块全靠大模型排程复杂场景任务成功率大幅下降说明工业场景下执行可靠性不能完全交给大模型。不构建析取图约束仅让大模型做简单任务拆分复杂场景性能显著下滑结构化约束是处理多机协作的必要基础。子任务合并、步骤依赖等细粒度约束对复杂场景影响大简单场景下差异不明显。4. 局限性目前仅验证了工业机械臂场景未适配移动机器人、人形机器人场景。析取图构建依赖大模型的语义理解能力指令过于模糊、口语化时仍可能出现约束提取错误。调度算法针对静态车间场景设计未覆盖动态任务插入、突发异常等动态场景的处理。五、对启元机器人开发实践的启发1. 短期可落地参考Skill生成流程优化借鉴【过程树】的思路改造现有Skill生成工具。用户输入自然语言需求后先生成结构化的执行流程树定义串行/并行/条件分支再生成机器人执行代码替代直接让大模型写完整代码的模式提升Skill代码的可靠性也降低开发者调试门槛。多机调度原型验证针对未来多机器人协同场景先复用【约束提取确定性调度】的逻辑搭建小型验证原型验证桌面操作移动搬运等配合场景的任务分配避免纯大模型调度易出现的资源冲突问题。国产大模型适配论文验证了国产大模型可达到接近GPT-4的效果启元的Skill开发工具可优先适配国产大模型降低部署与调用成本。2. 中长期技术布局建议搭建通用任务规划中间层参考本文两级架构在大模型与机器人控制层之间新增一层【】结构化任务规划引擎】。上层用大模型理解用户需求、拆解任务、提取约束下层用确定性规划算法生成执行序列再对接机器人控制接口。既保留自然语言交互的灵活性又守住机器人执行的可靠性底线。沉淀服务场景调度规则库工业调度的目标是工期与资源利用率家庭服务场景更看重安全、体验与执行效率不能直接照搬。可以针对家务、陪护、娱乐等典型家庭场景梳理任务约束与资源冲突场景沉淀启元自己的调度规则库逐步替代纯大模型的端到端规划。向开发者开放规划能力把结构化任务生成的能力开放到开发者社区开发者只需定义原子操作与基础约束就能快速生成多机协同的Skill降低多机开发的技术门槛丰富生态内容。3. 论文理论与实际的反差工业调度逻辑不能直接套家用场景。工业场景环境固定、任务明确家庭场景动态障碍物多、用户需求模糊调度目标与约束条件都需要重新设计不能直接复用工业算法。异常处理需要单独设计。论文方案基于稳定的工业产线环境真实家庭环境动态变化多落地时必须补充在线重规划、异常中断处理的逻辑不能只依赖静态调度。六、自己的思考这篇论文本质上给大模型机器人的落地给出了一个明确方向大模型的核心价值在语义理解与需求拆解而不是直接替代控制层做决策。越是要求可靠性、越是复杂的场景越要把理解和执行拆开中间用结构化的规划层衔接。对启元来说这个思路的价值不局限于工业场景。家庭服务机器人要走进真实家庭同样要解决用户自然语言指令到机器人安全准确执行的转化问题。沿着这个架构演进既能发挥大模型的交互优势又能守住量产机器人的安全与可靠底线比纯端到端的方案更适合落地。后续可以重点关注两个方向一是动态场景下的在线重调度技术二是移动机器人机械臂的复合场景任务规划这些都是服务机器人走进真实场景必然会遇到的实际问题。更多见启元机器人开发者社区启元机器人开发者社区 · 一站式具身智能研发平台注明部分内容与图片采用原论文数据与话语。 一、论文速览基础信息论文全称《IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models》发表于ICRA 2026IEEE国际机器人与自动化大会获自动化方向最佳论文提名作者团队聚焦多机器人调度与工业自动化方向。技术标签多机器人任务调度、自然语言指令解析、程序自动生成、确定性调度、工业柔性生产核心贡献提出LLM约束提取 确定性调度求解 过程树代码生成的两级架构用大模型解决自然语言理解的灵活性问题用传统调度算法保障工业场景的执行可靠性在复杂多机器人场景下任务成功率比纯大模型方案提升46个百分点以上。二、研究背景与问题锚定1. 行业现状与痛点工业多机协同生产场景中需要根据生产需求给多台机器人分配工序、排定时序、生成控制程序行业长期存在两类瓶颈传统方案灵活性差依赖人工建模、编写调度规则与控制程序产线换型、任务变更时需要重新排程与改代码周期长、成本高跟不上柔性生产的节奏。纯大模型方案不可靠直接用大模型端到端生成机器人代码不需要提前建约束模型但输出逻辑没有保障频繁出现工序顺序错误、资源冲突等问题工业场景无法落地同时生成的代码无统一结构出问题后难以定位调试。2. 论文核心问题如何把大模型的自然语言理解能力与工业场景要求的确定性、可调试性结合起来实现从自然语言指令到多机器人可执行控制程序的可靠转化。3. 启元技术关联点启元当前的Skill开发者生态同样面临【自然语言需求→机器人可执行代码】的转化效率与可靠性问题未来家庭场景下多机器人协同如Q1人形机器人做桌面操作、T1移动机器人做搬运配合也会涉及多机任务分配与时序调度。这篇论文的架构思路对启元的Skill开发工具链优化、多机协同功能研发都有直接参考价值。三、核心技术方法拆解整体采用【高层任务规划 底层程序生成】的两级架构核心逻辑是让大模型只做擅长的语义理解与约束提取把需要可靠性的调度与代码生成交给结构化的确定性逻辑处理。1. 高层任务规划析取图构建 确定性调度1析取图约束构建由大模型解析自然语言指令自动提取三类核心要素构建成结构化的任务约束图节点对应单个原子操作如“打磨工件”“搬运物料”合取弧对应工序的先后依赖关系如“必须先抓取工件再进行打磨”析取弧对应资源互斥关系如同一台机床、同一台机器人同一时间只能执行一个操作这一步的作用是把模糊的自然语言转化为有明确边界的约束问题相当于给大模型的输出套上了结构化框架避免无边界的自由生成。2确定性调度求解在析取图的约束基础上采用经典调度算法先调优规则分支定界求解最优方案明确每个操作的执行主体、开始与结束时间严格满足所有时序约束与资源约束输出整体完工时间最短的调度方案这部分是整个方案可靠性的核心——所有执行逻辑都经过严格的约束校验不会出现资源冲突、工序颠倒的低级错误补上了纯大模型方案的核心短板。2. 底层程序生成过程树引导的代码生成把高层调度方案转化为机器人可直接执行的Python控制代码核心是引入「过程树」作为中间层不直接让大模型生成完整代码。1构建过程树基于调度结果生成树状的执行逻辑框架根节点对应完整的生产任务中间节点对应工序的执行逻辑包括串行执行、并行执行、触发条件、异常分支叶节点对应原子操作直接绑定机器人底层控制API2结构化代码生成沿着过程树自上而下生成代码每个节点对应一段独立的函数逻辑自动处理串行、并行执行的逻辑控制叶节点直接调用预定义的机器人控制接口自动合并通用函数减少代码冗余这种生成方式的优势很明确一是代码结构与调度方案一一对应逻辑可控不会出现离谱的逻辑错误二是模块化程度高需求调整、问题排查都很方便三是同一套调度逻辑适配不同机器人时只需要替换底层接口迁移成本低。3. 核心创新点架构创新将「大语言模型做语义理解」与「确定性算法做约束求解」解耦两者各司其职解决了纯大模型不可靠、传统方法不灵活的行业共性矛盾。工程创新用过程树作为代码生成的中间层兼顾了大模型的灵活性与工业代码的可控性、可调试性是大模型落地工业控制场景的可行路径。四、实验设计与关键结论1. 测试基准与评价指标论文搭建了面向多机器人工业场景的专用测试集IMR-Bench基于真实工业产线与KUKA iiwa机器人平台分三个难度等级难度等级任务规模机器人数量场景特点单机器人50项任务1台基础操作验证无协作简单多机器人5项任务最多3台基础协作少量资源冲突复杂多机器人最多24项操作最多7台强时序依赖资源竞争激烈评价指标覆盖四个维度操作覆盖率OC、任务成功率SR、目标完成率GCR、调度效率SE。2. 对比基线与核心结果对比了三类主流方案纯大模型端到端生成SMART-LLM、端到端机器人程序生成LaMDA-P、结合线性规划的大模型方法LIP-LM。核心结论全场景性能领先三个难度等级下所有指标均优于所有基线方案。简单场景接近满分单机器人场景下任务成功率、目标完成率均接近100%而纯大模型方案SMART-LLM的任务成功率仅20%差距显著。复杂场景优势更突出复杂多机器人场景下本文方案任务成功率达79%基线中最优方案仅33%场景越复杂、约束越多该架构的优势越明显。模型通用性强基于Qwen-32B实现的版本性能接近GPT-4版本说明方案不依赖顶级大模型国产大模型也可达到相近效果。3. 消融实验结论去掉确定性调度模块全靠大模型排程复杂场景任务成功率大幅下降说明工业场景下执行可靠性不能完全交给大模型。不构建析取图约束仅让大模型做简单任务拆分复杂场景性能显著下滑结构化约束是处理多机协作的必要基础。子任务合并、步骤依赖等细粒度约束对复杂场景影响大简单场景下差异不明显。4. 局限性目前仅验证了工业机械臂场景未适配移动机器人、人形机器人场景。析取图构建依赖大模型的语义理解能力指令过于模糊、口语化时仍可能出现约束提取错误。调度算法针对静态车间场景设计未覆盖动态任务插入、突发异常等动态场景的处理。五、对启元机器人开发实践的启发1. 短期可落地参考Skill生成流程优化借鉴【过程树】的思路改造现有Skill生成工具。用户输入自然语言需求后先生成结构化的执行流程树定义串行/并行/条件分支再生成机器人执行代码替代直接让大模型写完整代码的模式提升Skill代码的可靠性也降低开发者调试门槛。多机调度原型验证针对未来多机器人协同场景先复用【约束提取确定性调度】的逻辑搭建小型验证原型验证桌面操作移动搬运等配合场景的任务分配避免纯大模型调度易出现的资源冲突问题。国产大模型适配论文验证了国产大模型可达到接近GPT-4的效果启元的Skill开发工具可优先适配国产大模型降低部署与调用成本。2. 中长期技术布局建议搭建通用任务规划中间层参考本文两级架构在大模型与机器人控制层之间新增一层【】结构化任务规划引擎】。上层用大模型理解用户需求、拆解任务、提取约束下层用确定性规划算法生成执行序列再对接机器人控制接口。既保留自然语言交互的灵活性又守住机器人执行的可靠性底线。沉淀服务场景调度规则库工业调度的目标是工期与资源利用率家庭服务场景更看重安全、体验与执行效率不能直接照搬。可以针对家务、陪护、娱乐等典型家庭场景梳理任务约束与资源冲突场景沉淀启元自己的调度规则库逐步替代纯大模型的端到端规划。向开发者开放规划能力把结构化任务生成的能力开放到开发者社区开发者只需定义原子操作与基础约束就能快速生成多机协同的Skill降低多机开发的技术门槛丰富生态内容。3. 论文理论与实际的反差工业调度逻辑不能直接套家用场景。工业场景环境固定、任务明确家庭场景动态障碍物多、用户需求模糊调度目标与约束条件都需要重新设计不能直接复用工业算法。异常处理需要单独设计。论文方案基于稳定的工业产线环境真实家庭环境动态变化多落地时必须补充在线重规划、异常中断处理的逻辑不能只依赖静态调度。六、自己的思考这篇论文本质上给大模型机器人的落地给出了一个明确方向大模型的核心价值在语义理解与需求拆解而不是直接替代控制层做决策。越是要求可靠性、越是复杂的场景越要把理解和执行拆开中间用结构化的规划层衔接。对启元来说这个思路的价值不局限于工业场景。家庭服务机器人要走进真实家庭同样要解决用户自然语言指令到机器人安全准确执行的转化问题。沿着这个架构演进既能发挥大模型的交互优势又能守住量产机器人的安全与可靠底线比纯端到端的方案更适合落地。后续可以重点关注两个方向一是动态场景下的在线重调度技术二是移动机器人机械臂的复合场景任务规划这些都是服务机器人走进真实场景必然会遇到的实际问题。更多见启元机器人开发者社区启元机器人开发者社区 · 一站式具身智能研发平台注明部分内容与图片采用原论文数据与话语。