感知任务规划需要同时具备对不确定场景的精准感知能力和遵循逻辑规则的有效行动序列规划能力。传统方法先将感知结果离散化为符号事实再进行规划，这会丢失感知的不确定性并切断任务层对感知的反馈。我们提出了一种通用的全可微分神经软符号框架，将视觉感知与任务规划统一在同一计算图中。框架保持连续的软符号状态，将领域规则提升为可微分的软 $T_P$ 转移算子，并在短规划视野上优化动作 logits。规划目标的梯度还能回传更新感知参数，使感知表征在规划过程中得到任务相关的细化。
在 Blocksworld 基准上，我们的方法在 LatPlan-40 任务中实现 40/40 完成，在 PlanBench-600 任务中实现 596/600 完成，显著优于 LatPlan 的 33/40 和基线推理模型的 587/600，同时计算和时间开销大幅降低。感知不确定性消融实验表明，将感知参数解冻后成功率从 59% 提升至 83%。我们进一步在 Blocksworld 场景中进行任务‑动作仿真，验证了解码任务计划与下游机器人运动执行的兼容性。
该框架的核心贡献在于：① 连续软符号状态实现了感知不确定性的保留；② 可微分的软 $T_P$ 转移算子将逻辑规则嵌入梯度流；③ 通过端到端优化实现感知与规划的协同提升。
点评