运动规划(Motion Planning)

运动规划（Motion Planning） 是自动驾驶决策系统中的核心环节，它的任务是生成一条满足安全、舒适和车辆物理极限约束的行驶轨迹。这条轨迹不仅包含从A到B的几何路径，还定义了路径上每个点的速度、加速度和姿态。

如果说上游的“行为决策”决定了车辆“该做什么”（如超车、让行），那么“运动规划”解决的就是“具体怎么做到”的问题。

运动规划之所以是自动驾驶领域最具难度的技术难题之一，是因为它需要同时处理多个维度的约束：

这些约束的叠加，使得运动规划在数学上被归类为非凸优化问题，通常没有解析解，只能通过数值方法求解。

技术路线	核心思想	典型代表	优势	局限
采样/搜索法	在状态空间中采样，构建可行路径，再从中选择最优方案。	A* 算法、RRT、概率路图	简单、理论上完备，适合复杂环境。	计算量大，生成的路径需平滑处理，未必全局最优。
优化/最优控制法	将问题建模为含目标函数和约束的优化问题，直接求解最优轨迹。	模型预测控制（MPC）、数值最优控制	能统一考虑安全和舒适，精度高。	计算量大，对初始值敏感，可能陷入局部最优。
学习法	利用数据训练模型来生成轨迹。	模仿学习、强化学习	在高复杂度场景中表现高效，能学习类人行为。	可解释性差，难以保证安全性。

当前，运动规划技术正呈现出几个关键的发展方向：

传统算法与学习的融合：为了兼顾安全与智能，工业界普遍采用“规则+学习”的混合架构。典型的做法是，先通过一个深度学习网络生成一个初步轨迹，再输入一个基于优化或搜索的算法进行安全验证和微调。
端到端架构的冲击：更前沿的尝试是直接用一个神经网络将“行为决策”和“运动规划”合并，实现从感知到轨迹的端到端输出，例如元戎启行的VLA模型。这种方案理论上能实现全局最优，但需要解决可解释性和安全冗余的挑战。
多模态大模型的应用：近年来，视觉-语言-动作模型（VLA）开始被应用于轨迹规划，让系统能通过自然语言理解驾驶场景，并生成更拟人化、更灵活的轨迹。这是运动规划迈向“通用人工智能”的关键一步。

总的来说，运动规划正从传统的“路径+速度”分离规划，转向时空联合规划，并在逐步融合数据驱动的学习能力与规则驱动的安全保障，以追求更高阶的自动驾驶体验。