文章核心观点 - 研究团队提出了一种名为GRANT的新型3D多模态大模型，通过将运筹学知识引入具身智能任务规划，使机器人能够像人类一样进行并行任务调度，从而显著提升任务执行效率[2] - 该方法的核心创新在于“大模型+求解器”的协同架构，让大语言模型负责语义理解和场景感知，而外部优化求解器负责复杂的数学规划，实现了任务完成效率30.53%的提升[2][16] - 此项工作标志着具身智能研究从单一的“语义理解”向高阶的“运筹决策”跨越，为开发真正具备“时间管理”能力的智能管家奠定了基础[22] 研究背景与痛点 - 现有具身智能机器人通常只能按顺序串行完成任务，缺乏人类“统筹方法”的能力，导致执行效率低下[3][5] - 根本原因在于现有机器人缺乏运筹学知识，无法识别哪些任务可并行处理，哪些任务必须独占注意力，同时还需在复杂3D场景中精准定位物体[6] 数据集创新 - 研究团队构建了首个融合运筹学知识的大规模3D具身数据集ORS3D-60K，包含4,376个真实室内场景和60,825个复合任务[10][12] - 该数据集平均指令长度高达311个单词，远超其他数据集，并且每条任务都经过运筹学求解器验证，提供了数学上的最优调度方案作为标注[12] - 数据集根据运筹学原理将子任务细分为非并行化子任务和并行化子任务，迫使模型进行全局最优规划而非局部决策[12][15] 技术方法与架构 - GRANT模型包含四个核心组件：3D场景编码器、大语言模型、调度令牌机制和3D定位头[16][19] - 调度令牌机制是关键创新，LLM不直接计算时间，而是预测子任务属性，然后通过特殊令牌调用外部优化求解器进行动态规划计算最优时间表[16][19] - 这种架构实现了“懂人话、认东西”与“算时间、排工序”的专业分工，结合了多模态理解与数学优化优势[19] 性能表现与实验结果 - 在ORS3D-60K数据集上，GRANT在综合性能指标上达到53.49，相比基线方法提升10.46个百分点[18] - 任务执行效率相比基线方法提升30.53%，同时3D定位精度不仅没有牺牲反而提升1.38%[19] - 实际案例显示，模型能将总耗时从74分钟压缩至45分钟，效率提升39%，并在每一步都实现高精度3D物体定位[21]