摘要 - 常规任务和运动计划（TAMP）方法依赖于手动设计的界面将符号任务计划与连续运动的连接连接。这些特定领域和劳动密集型模块在解决现实世界中的新兴任务方面受到限制。在这里，我们提出了LLM 3，这是一种新型的大型语言模型（LLM）的tamp框架，具有独立于域的界面。具体来说，我们利用了预训练的LLM的强大推理和计划能力提出符号动作序列，并为运动计划选择连续的动作参数。至关重要的是，LLM 3通过提示结合了运动计划，允许LLM通过推理运动故障来迭代地完善其建议。因此，LLM 3在任务计划和运动计划之间的接口，减轻了处理域之间特定信息的复杂设计过程。通过盒装域中的一系列模拟，我们定量地证明了LLM 3在解决tamp问题和选择动作参数方面的效率。消融研究不解决运动失败推理对LLM 3的成功的显着贡献。此外，我们在物理操纵器上进行定性实验，证明了我们在现实世界中方法的实际适用性。