计划说得通，还要让每一步走得通

先后顺序与身体路线，是两类搜索问题

“把杯子放进盒子”可以拆成找到杯子、接近、抓住、移动、松开。可是杯子在柜子里，柜门没开；或者夹爪虽然到得了杯子，抓住以后却过不了狭窄出口。任务顺序与运动几何必须来回协调。

任务规划 Task Planning 在技能或符号状态上安排步骤，例如“先开门再取物”；运动规划 Motion Planning 在机器人配置空间里寻找满足约束的路径。配置空间不是相机画面：一个机械臂末端位置可能对应多组关节角，而整条手臂都会占据空间。两层结合称为任务与运动规划 TAMP（Task and Motion Planning），其价值就在于让抽象方案接受几何检验。

菜谱类比帮助区分顺序与动作细节，但菜谱默认厨师有大量身体技能；机器人没有这个默认前提。“擦干净”如果没有对应技能、工具和检测方式，只是一个漂亮的动词，不是可执行计划。

每个动词都要回答：何时能做，做完凭什么算成功

以抓取为例，前置条件可能包含目标位姿足够新、抓取区域可达、夹爪空闲、机器人没有保护故障。预期效果是物体受到夹爪稳定约束，而不是“抓取指令已发送”。符号计划中的效果是模型假设；执行后必须由观察更新事实。

抓住物体后，碰撞检查也要改变：物体不再只是桌面上的独立障碍，而成为随夹爪移动的几何体。忽略这一步，规划器可能认为“手能穿过去”，实际却让被抓物撞上门框。松开以后，还要解除附着关系并更新物体位置；更新规划场景本身不代表真实物体已经移动。

语言相关性要与当前能力相遇

大型语言模型 LLM（Large Language Model）可以把“我洒了饮料”关联到寻找海绵，但它仅凭文字并不知道海绵是否可见、机械臂是否够得着。可供性 affordance 在这里指当前状态下某技能能否成功的能力条件，不是一个物体的固定标签。

假设“直接抓杯子”的两项分数为 0.8 与 0.2，乘积 0.16；“先定位杯子”分别为 0.5 与 0.8，乘积 0.40。后者语言上没那么直接，却在此教学设置下优先。这些数是人为设定的演示，不是论文实验值；也没有假定两项在统计上独立。

候选技能库决定上限。没有开门技能，语言模型写出“开门”也无法自动产生可靠控制器。可执行性估计若来自过期状态，同样会选择错误动作；若所有技能都不满足条件，应允许补观察、请求帮助或终止，而不强迫选一个最高分。

SayCan 的 2022 年 8 月更新在两个厨房场景、101 项自然语言任务上报告 PaLM-SayCan 的规划成功率为 84%、执行成功率为 74%。两者都是该实验任务集的指标，不能写成“计划正确时执行成功率为 74%”，也不是跨所有家庭场景的通用可靠性。项目也明确原方案反馈范围的限制：不能把它描述成已包含完整的失败检测与恢复系统。

“我已经拿起了”必须来自观察，而不是上一句计划

一种隐蔽错误是：把选中的技能追加到语言上下文后，模型就把它当作已完成事实。杯子实际没抓住，后续仍然规划“移动杯子”。应分别记录计划步骤、已发出的请求、执行状态和经验证的环境事实；失败不能被一句自然语言总结抹掉。

2022 年 Inner Monologue研究将成功检测、场景描述、人类反馈等信息送回语言规划器，让后续步骤响应环境变化。它说明反馈接口的价值，不保证检测器永远正确。若相机被遮挡，反馈应表达“无法确认”，而不是强行给成功或失败。

重规划还应有边界：重复失败预算、对象身份、允许移动的物品和人工接管条件必须保持。语言模型不能因为目标难完成就自行扩大权限，例如把“拿杯子”变成移动未授权设备。已完成步骤也未必永久成立；门可能重新关闭，夹持物可能滑落，所以关键条件要按需要重新验证。

一个抓放任务，需要显式维护中间状态

MoveIt Task Constructor 的官方抓放教程用阶段组织接近、抓取、抬起、搬运、放置等步骤，并维护物体附着与碰撞场景。阶段可以生成状态、传播状态或连接状态。它让“整体任务”变成可检查的局部问题，但不是一个自动理解任意自然语言并保证执行成功的系统。

在入盒实践中，先把“成功”写成可观测条件：目标物体在指定区域内、已释放、经过一段观察仍稳定。再建立候选技能及运动接口。最后分别测量任务分解是否正确、路径是否可行、控制是否完成、结果是否满足；这样失败才能落到可改进的层，而不是统称“智能不够”。

进一步看技能编排如何处理运行中、超时与取消；再看失败恢复怎样从真实失败重新建立可执行状态。

把这一层放回完整机器人

返回具身智能知识地图，或沿本专栏继续展开：

• 世界模型：预测后果不等于选择动作：动作条件预测、潜状态与滚动误差。
• 技能协作：行为树与语言规划器：技能接口、执行状态、终止与超时。
• 失败恢复：重试之前先判断原因：检测、重规划、人工接管与安全停止。