RoboPARA: Dual-Arm Robot Planning with Parallel Allocation and Recomposition Across Tasks¶

会议: ICLR 2026
arXiv: 2506.06683
代码: https://github.com/AiDuanshiying/RoboPARA
领域: 机器人 / 任务规划
关键词: 双臂机器人, 并行任务规划, DAG依赖图, LLM规划, 多任务调度

一句话总结¶

提出 RoboPARA 框架，通过依赖图构建和图重遍历两阶段优化双臂机器人的任务并行性，在多场景基准上实现相比现有方法 30-50% 的执行时间缩减和 34% 的成功率提升。

研究背景与动机¶

领域现状：LLM 驱动的双臂机器人任务规划（如 RoCo、FLTRNN）已取得进展，但这些方法主要优化任务成功率和完成时间，大多产生单臂顺序执行的计划。

现有痛点：现有方法忽略了双臂间的并行性——当一个任务只需要一只手臂时，另一只手臂完全空闲。这导致双臂系统的协作潜力未被充分利用，执行效率低下。

核心矛盾：双臂并行规划需要同时处理任务间的依赖关系（某些步骤必须按序执行）和并行机会（独立步骤可以同时分配给两只手臂），这是一个组合优化问题。

本文目标 在保证任务正确性的前提下，最大化双臂的并行利用率，减少执行时间。

切入角度：借鉴人类日常行为——烧水的同时刷牙，利用 DAG（有向无环图）建模任务依赖关系，然后通过图遍历调度算法最大化并行度。

核心 idea：将双臂任务规划解耦为"LLM 生成依赖图→调度算法最大化并行"两阶段，让 LLM 专注于理解任务语义而非直接规划并行。

方法详解¶

整体框架¶

RoboPARA 采用两阶段架构：第一阶段通过 LLM + RAG 生成任务依赖图（DAG），第二阶段通过图重遍历算法为双臂分配并行任务。输入为用户的多任务指令集合，输出为双臂的并行执行计划。

关键设计¶

依赖图生成与纠错 (Dependency Graph-based Planning):
- 做什么：将多任务指令转化为有向无环图，节点为原子操作步骤，边为依赖关系
- 核心思路：利用 RAG 从本地记忆模块检索任务的详细程序知识，整合到结构化提示中让 LLM 生成 DAG。每条边 \((u, v)\) 表示步骤 \(v\) 必须在 \(u\) 完成后才能开始。增加 DAG 验证和纠错步骤，检测循环依赖和冗余边
- 设计动机：DAG 结构天然适合建模任务依赖——没有入边的节点可以立即执行，有多个无依赖节点时可以并行分配
图重遍历双臂并行调度 (Graph Re-Traversal Scheduling):
- 做什么：优化 DAG 遍历顺序，最大化双臂的并行执行步数
- 核心思路：维护两个手臂队列 \(Q_L, Q_R\)，在每个时间步选择当前所有入度为零的节点集合 \(S_t\)，按启发式规则将它们分配给空闲手臂。对于需要双臂协作的任务，同步分配给两臂。关键启发式包括：优先分配关键路径上的任务、平衡两臂的工作负载
- 设计动机：DAG 生成阶段只保证任务语义正确，并行度优化需要专门的调度算法，这是 NP 难问题的近似求解
X-DAPT 基准数据集:
- 做什么：构建首个专注于双臂任务并行性的评估数据集
- 核心思路：涵盖 10 个关键场景（厨房、办公室、农业温室、工厂等），每个场景分三个难度等级，共 1000+ 任务包。评估指标包括 TEI（时间效率指标）、TFR（任务失败率）、PPR（并行步数比例）和 APR（平均并行度）
- 设计动机：现有基准不评估并行性，无法衡量双臂协作效率

损失函数 / 训练策略¶

无需训练——框架基于 LLM 的零样本/少样本推理和确定性调度算法。

实验关键数据¶

主实验¶

方法	TEI ↑	TFR ↓	PPR ↑	APR ↑	场景
RoboPARA	0.953	0.033	0.543	0.283	厨房
Embodied TaPA	0.859	0.200	0.000	0.080	厨房
RoCo	0.836	0.067	0.008	0.041	厨房
ChatGPT-Prompts	0.817	0.081	0.000	0.010	厨房
LLM-Planner	0.858	0.200	0.000	0.077	厨房

消融实验¶

配置	PPR	APR	说明
RoboPARA (完整)	0.543	0.283	完整框架
w/o 图纠错	~0.35	~0.18	DAG 生成可能含循环/冗余
w/o RAG 检索	~0.40	~0.20	任务分解质量下降

关键发现¶

RoboPARA 平均实现 4.5× 以上的并行和协作步数，执行时间减少 30-50%
在最复杂任务组合中，RoboPARA 成功率比其他方法平均高 34%
所有 baseline 方法的并行步数接近零（PPR ≈ 0），证实现有方法完全忽略并行性
在真实人形机器人上的部署展示了接近人类活动模式的行为

亮点与洞察¶

规划-调度解耦设计：让 LLM 专注于任务语义理解和依赖关系建模，将 NP 难的调度问题交给确定性算法，是合理的职责分工
并行性作为评估维度：首次将并行度作为双臂机器人的核心评估指标，PPR/APR 指标可推广到多机器人协作场景

局限与展望¶

DAG 生成仍依赖 LLM 的推理能力，对复杂跨任务依赖可能出错
调度算法使用启发式而非最优求解，可能遗漏最优并行方案
假设每个原子操作的执行时间已知或可预估，实际中可能不成立
未考虑执行过程中的动态重规划（如某步失败后的恢复策略）

评分¶

新颖性: ⭐⭐⭐⭐ 首个系统性关注双臂并行度的 LLM 规划框架
实验充分度: ⭐⭐⭐⭐ 丰富的 baseline 对比和多场景评测
写作质量: ⭐⭐⭐⭐ 动机清晰、方法描述充分
价值: ⭐⭐⭐⭐ 对多臂/多机器人任务调度有实际指导意义