知识卡片：礼貌性预判规划——提升持久共享环境下长寿命任务规划

一句话结论

在多机器人共享持久环境中，采用“礼貌性预判规划”（Courteous Anticipatory Planning）可显著降低长任务序列的总成本：在双机器人家庭场景中相比短视规划降低10.43%，在三机器人餐厅场景中降低17.41%。

事件概述/研究问题

研究针对一个场景：多个机器人共享同一持久环境，任务按序列逐个分配。标准规划器（短视）只解决当前任务，忽略未来任务及其他机器人的约束，导致终端状态积累副作用，增加后续所有机器人的成本。目标是设计一种规划方法，使机器人预判当前动作对未来所有共享环境机器人任务性能的影响，从而降低序列总成本。

方法/产品要点

• 礼貌性预判规划：基于模型的规划器生成候选计划，并选择同时最小化即时成本与所有机器人聚合期望未来成本的计划。
• 因子化公式：通过独立训练的每个机器人学习估计器来预估期望未来成本，避免组合联合展开（joint rollouts），支持模块化部署——新增机器人只需训练其自身的估计器。
• 评估领域：两个持久PDDL领域——家庭环境（机器人能力相似但职责不同）和餐厅环境（机器人能力不同，可能产生其他机器人无法解决的状态）。

主要结果/产业意义

• 在双机器人家庭环境中，相比短视（myopic）规划降低10.43%总成本，相比自私性预判（selfish anticipatory）规划降低4.03%。
• 在三机器人餐厅环境中，相比短视规划降低17.41%总成本，相比自私性预判规划降低13.24%。
• 产业意义：该方法可应用于家庭服务机器人、餐厅配送机器人等需要长期协作的场景，减少因短视决策导致的累积效率损失。

为什么重要

已有相关卡片主要关注分布式攻击、说话人识别、图稀疏采样等不同方向。本卡片补充了多机器人持久环境下的长期任务规划方法，其关键创新在于“礼貌性”——不仅考虑自身未来成本，还同时考虑其他机器人的未来成本，且通过因子化估计避免组合爆炸，实用性更强。

局限与不确定性

• 仅在两领域（家庭、餐厅）的仿真PDDL环境中验证，真实物理机器人环境中的效果待核实。
• 预期未来成本估计基于学习器，其准确性依赖于训练数据分布和泛化能力，未在论文摘要中说明鲁棒性。
• 未提及任务序列长度对方法性能的影响上限，以及当机器人数量增多时估计器训练的收敛性。

可用于图书/PPT/简报的角度

• 角度一：对比三类规划策略（短视、自私性预判、礼貌性预判），用具体百分比突出礼貌性的优势，适合讲解多智能体决策中的“合作式预判”。
• 角度二：以“家庭机器人因不考虑未来而制造混乱”的反例切入，引出本方法的必要性，适合科普或技术管理类演讲。
• 角度三：结合“模块化部署”特点，强调该方法易于扩展机器人队伍，适合讨论未来智能家居或智慧餐厅的基础架构。

与既有脉络的关系

本卡片与已有相关卡片（分布式攻击、说话人识别、图稀疏采样）无直接继承关系，属于新的主题：持久共享环境下的多机器人任务规划。增量信息在于提出了一种考虑他人约束的预判规划方案，并提供了量化成本降低结果。

原始材料

• 英文标题：Courteous Anticipation: Improving Long-Lived Task Planning in Persistent Shared Environments
• 英文关键词：foundation-model（根据Track标注），也可延伸为multi-robot planning, anticipatory planning, PDDL, persistent environment
• 来源：arXiv: 2607.20289v1 (2026-07-22)
• 作者：Md Ridwan Hossain Talukder, Roshan Dhakal, Elizabeth Phillips, Gregory J. Stein
• 链接：https://arxiv.org/abs/2607.20289v1