宏算子生成与谓词选择用于TAMP算子学习

该论文针对任务与运动规划（TAMP）中手工构建符号算子成本高、现有算子学习方法难以捕捉多步结构的问题，提出自动生成宏算子的系统：从训练数据中发现因果关联的动作对，即前一动作恰好产生后一动作所需条件，并将每对合并为单个规划步；同时剪除所有已学算子未引用的谓词，缩小每个搜索节点评估的符号状态。在四个TAMP域上，该方法相比基线Learning Operators for TAMP最高取得约4.6倍规划加速，并求解了基线无法完成的长序列任务。作者据此认为，宏算子发现不仅加速规划，在长时域场景中还决定实际可解性。代码已公开。