运动规划 (Motion Planning)

概念：运动规划 (Motion Planning) 所属链：AI产业链 - 应用层 - 具身智能 / 自动驾驶 / 机器人

1. 3秒看懂

运动规划是物理世界 AI 的“小脑”，负责在复杂、动态环境中，为机器人、自动驾驶汽车等智能体实时计算出安全、平滑且高效的移动路径与动作序列，是连接感知与行动的关键决策环节。

2. 3分钟产业解释

运动规划解决的是智能体“如何动”的核心问题。想象一下，一辆自动驾驶汽车在繁忙的十字路口左转，或一只机械臂在狭窄空间内绕过工人进行装配，运动规划算法就是幕后指挥。

核心工作流：

1. 输入：环境感知结果（障碍物位置、速度）、自身状态（位置、姿态、速度）和目标任务。
2. 处理：在由机器人所有可能姿态构成的抽象数学空间（配置空间）中，搜索一条满足运动学（如最大转向角）、动力学（如加速度极限）约束，并绝对避免碰撞的连续路径。同时，必须为这条路径打上时间戳，生成带有速度、加速度信息的轨迹。
3. 输出：可直接下发给执行器（如方向盘、电机）的实时控制指令序列。

产业价值：运动规划的优劣直接决定了自动驾驶的安全性上限、工业机器人的节拍效率（Cycle Time）和物流机器人在动态仓库中的调度柔性。它是具身智能从实验室走向规模化商用的“第一公里”工程难题。当前，该领域正处在从基于规则的模块化架构向数据驱动的端到端范式转换的激烈震荡期，是技术分歧最大、研发投入最密集的焦点环节。

3. 技术原理

3.1 问题形式化：配置空间理论

运动规划的首要步骤是将物理世界的问题抽象为数学问题。

• 配置空间 (C-Space)：一个 N 维空间，其中 N 等于机器人的自由度数量。空间中任何一个点，都完全定义了这个机器人的一个瞬时几何姿态（例如，一个6轴机械臂，其配置空间就是6维）。
• 障碍物区域 (C-Obs)：现实中的物理障碍物，会根据机器人的几何外形，通过闵可夫斯基和（Minkowski Sum）等膨胀运算，映射到配置空间中，形成“禁飞区”。
• 自由空间 (C-Free)：配置空间中，排除障碍物区域和自碰撞区域后，所有合法姿态的集合。运动规划的数学本质，就是在高维自由空间中，寻找一条连接起点和终点的连续曲线。

3.2 核心算法范式

基于上述数学框架，演化出了三大主要的技术流派，各有其适用场景和工程取舍。

• 范式一：基于采样的规划 (Sampling-Based Planning)

  • 核心思想：放弃对自由空间的显式建模，而是通过大量随机采样来探查空间连通性。特别适合解决高维空间（自由度 > 4）的规划难题。
  • 代表算法：
    • 快速扩展随机树 (RRT)：以起点为根节点，不断向空间中随机采样点方向生长出一棵树，直到某一枝叶触及目标点。此方法天然适用于单次查询和动态环境。
    • 概率路线图 (PRM)：先在自由空间中大量采样，并连接邻近的非碰撞采样点，预构建一张“路网图”。后续每次规划只需在新图上进行图搜索，适用于需要反复规划的环境。
  • 工程权衡：算法上是概率完备的（即只要有解，采样次数趋于无穷时找到解的概率为1），但解的路径往往是非光滑的锯齿状，还需经过“轨迹优化”的后处理。

• 范式二：基于优化的规划 (Optimization-Based Planning)

  • 核心思想：将规划问题构建为一个带约束的非线性优化问题。目标是找到一条使定义的成本函数（Cost Function）最小化的轨迹。
  • 成本函数：通常包含多个惩罚项，如路径长度、离障碍物距离的倒数、加速度/加加速度的平方、偏离参考线的误差等，通过调整权重来权衡安全性、舒适性和效率。
  • 主流方法：
    • 直接配点法 (Direct Collocation)：将连续轨迹离散化为有限个点，通过数值优化（如序列二次规划 SQP）同时求解所有点的最优位置、速度和加速度。
    • 模型预测控制 (MPC)：在每一时间步，仅求解未来一个有限时域（Prediction Horizon）内的最优控制问题，并只执行第一步指令，然后滚动向前优化。这是处理动态环境中不确定性的核心框架。
  • 工程权衡：能生成平滑、动态可行的最优轨迹。但计算开销大，依赖于良好的初始猜测解（Initial Guess），否则可能收敛到局部最优。

• 范式三：基于学习的规划 (Learning-Based Planning)

  • 核心思想：用数据驱动的神经网络替代传统规划模块的局部或全部功能。
  • 模仿学习 (IL)：从人类驾驶或专家操作的庞大数据集中，直接学习从感知到轨迹的映射策略。行为克隆是其主要形式。
  • 强化学习 (RL)：在高度逼真的仿真器中，让智能体在试错中学习最大化累积奖励的策略。奖励函数的设计是关键，需要精细平衡安全、效率与舒适。
  • 工程权衡：具有超越手工规则的泛化潜力，能处理非结构化的复杂交互。但面临严重的“黑箱”问题，安全性难以用传统方法验证，且数据饥渴，域迁移（Sim-to-Real）损耗是巨大挑战。

3.3 前沿融合技术

• 感知-规划-控制一体化：以特斯拉的 FSD V12 为代表，直接构建从传感器数据（如摄像头像素）到车辆控制指令的端到端神经网络，极大简化了系统架构，但可解释性与调试难度剧增。
• 不确定性感知规划 (Uncertainty-Aware Planning)：采用部分可观测马尔可夫决策过程（POMDP）或稳健模型预测控制（Robust MPC），显式地处理传感器噪声、状态估计误差和未来预测的不确定性，追求在最坏情况下的安全保证。

4. 关键参数

评估和比较一个运动规划系统，需关注以下核心量化参数：

• 规划成功率 (Planning Success Rate)：在给定场景集中，成功找到可达路径的概率。通常要求在结构化道路场景下 ≥ 99.9999%，在非结构化场景下 ≥ 99.9%。（无统一标准，源自行业公开发表的 L4 级别自动驾驶技术指标）
• 规划延迟 (Planning Latency)：从接收感知结果到输出控制指令的时间间隔。车规级自动驾驶系统通常要求在 100ms 内完成一次重规划，工业动态避障场景要求在 50ms 内。（行业通用基准）
• 路径质量 (Path Quality)：
  • 平滑性：用路径曲率的导数（Curvature Derivative）衡量，数值越低，执行越平稳。
  • 效率：规划路径长度与理论最短路径长度的比值。
  • 舒适性：用加速度的导数（加加速度，Jerk）来衡量。
• 动态环境适应能力：
  • 最大处理障碍物数量：单帧能同时应对的动态/静态障碍物上限，通常是数百至上千个。
  • 预测时域 (Prediction Horizon)：模型预测控制等算法对未来的预测时长，自动驾驶领域通常为 5~15 秒。
• 算力消耗 (Computational Cost)：
  • TOPS (Tera Operations Per Second)：算法所需 AI 算力。
  • CPU/GPU 占用率：在特定硬件平台上的资源消耗。
• 泛化能力 (Generalization)：在训练数据集未见过的场景、天气、地域下的性能保持率。目前尚无统一的量化基准，多通过行业挑战赛（如 Waymo Open Dataset Challenge）排名进行对比。

5. 技术路线

运动规划的技术路线高度分化，可按架构和核心方法分为两类，当前正面临深刻变革。

5.1 按系统架构划分

• 模块化架构：
  • 路线：感知、预测、规划、控制各模块独立开发、组合。
  • 优点：技术成熟，各模块可独立验证、可解释性强，出现问题易于溯源和 Debug。
  • 缺点：模块间信息有损传递（如 3D 检测框丢失交互细节），整体性能上限受制于瓶颈模块，工程维护成本高。
  • 主流厂商：Waymo、Mobileye、百度 Apollo（早期版本）、华为 ADS 早期版本。
• 端到端 (End-to-End) 架构：
  • 路线：一个统一的大模型直接完成从传感器输入到控制输出的全过程。特指从感知到规划决策的联合优化。
  • 优点：避免了模块间的信息损失，理论上能通过海量数据驱动实现性能跃迁，系统架构更简洁。
  • 缺点：“黑箱”可解释性差，行为难预测，基于 case-by-case 的调试失效，功能上限与安全的平衡尚在探索。
  • 主流厂商：特斯拉 FSD V12+、Wayve、地平线（SparseDrive）。

5.2 按规划核心方法划分

• 基于规则的规划：以“if-then-else”逻辑和有限状态机（FSM）为主，是行业元老级方法，在固定、简单场景中绝对可靠，但无法穷尽长尾场景。
• 基于模仿学习的规划：建立在庞大人驾数据上的行为克隆，具备优秀的拟人化表现，但存在因果混淆和非闭环泛化的问题。
• 基于强化学习的规划：在仿真器中通过大规模试错获得最优策略，探索性极强，是攻克复杂博弈场景的希望，但训练不稳定，奖励函数设计极具挑战。

当前产业界的主流趋势是从“模块化+规则”走向“端到端+数据驱动”的渐进式融合。例如在模块化架构下引入基于学习的预测和规划模型，或在端到端架构中设置规则“守门员”（Safety Monitor）以确保安全下限。

6. 上游

运动规划的实现高度依赖上游软硬件基础设施与工具链的支撑。

• 高通 Snapdragon Ride
• 地平线征程系列
• 黑芝麻智能 A1000 / C1200 系列 | | 传感器系统 | 提供精准、稳定的环境感知原始数据，是规划的输入基石。 | - 激光雷达：禾赛科技、速腾聚创、图达通
• 4D 毫米波雷达：Arbe、华为
• 高精惯性测量单元 (IMU)：博世、意法半导体 | | 高精度地图与定位 | 提供超视距静态环境先验（如车道线、坡度）和厘米级定位，极大降低在线规划难度。 | - 高德地图、百度地图、四维图新、HERE Technologies | | 物理仿真引擎与数据平台 | 构建可无限复制、可控的逼真虚拟世界，是长尾场景挖掘、算法迭代和规模化验证的绝对基础设施。 | - 英伟达 Omniverse / DRIVE Sim
• 微软 AirSim / Project AirSim
• 百度 AISIM
• 51WORLD | | 开发工具链 | 提供数据标注、模型训练、评测管理等生产力工具。 | - Scale AI, Labelbox
• AWS, Azure, 阿里云（公有云训练集群） |

7. 下游

运动规划是下游所有移动类智能体的“通用智能”底座，主要应用场景包括：

• L4 级 Robotaxi/无人巴士 | 绝对安全是第一目标，兼顾通行效率与乘坐舒适性。需具备极强的多智能体动态交互博弈能力。 | | 工业机器人 | - 汽车焊接/喷涂/冲压
• 3C 电子装配
• 仓储物流拣选/分拨 | 高节拍、高精度和离线编程能力。路径必须平滑，减少对机械结构的冲击，轨迹重复精度通常需达亚毫米级。 | | 移动机器人 (AMR) | - 仓储货到人搬运
• 产线线边配送
• 无人叉车 | 在高度动态、人机混行的半结构环境中实现安全柔性的实时避障和高效的多机协同调度。 | | 服务与特种机器人 | - 酒店/医院配送
• 手术机器人
• 无人机巡检/物流
• 室外清洁 | 复杂、非结构环境的自主导航与安全交互。手术机器人等对平滑性有超高标准，无人机需解决三维空间+欠驱动的规划难题。 |

8. 受益公司

该类别涵盖受益于运动规划技术红利，或在产业链中占据优势位置的商业组织。

全球核心玩家：

• 英伟达 (NVIDIA)：作为算力底座和仿真平台（DRIVE/Isaac Sim）的赋能者，其提供的全栈工具链是多数自动驾驶和机器人公司的开发基础。
• 特斯拉 (Tesla)：端到端规划路线的行业风向标，FSD 的每一次重大迭代都会引发全球对技术路线的新评估。
• Waymo (Alphabet)：L4 自动驾驶技术标杆，其模块化+基于学习的规划方案经过千万英里级路测验证，代表了工程安全的较高水准。
• 直觉外科 (Intuitive Surgical)：其达芬奇手术机器人是精密运动规划在医疗领域商业化的巅峰范例。

中国核心玩家：

• 华为：智能汽车解决方案 BU（ADS 智驾系统）和具身智能领域的布局者，强调“软件定义硬件”的全栈自研能力，其规划算法在博弈处理上有鲜明风格。
• 百度 Apollo：中国自动驾驶生态的早期构建者，积累了海量中国复杂场景数据，其运动规划模块经历了大规模 Robotaxi 运营的考验。
• 大疆创新 (DJI)：在无人机规划与控制领域有极深的工程化积淀，是“感知-规划-控制”一体化技术的产品化典范，市场份额（2023 年消费/行业级无人机全球市占率超 70%-80%，来自公开行业报告估算）有说服力。
• 地平线 (Horizon Robotics)：“芯片+算法”模式，不仅提供征程系列算力平台，还深度参与基于其芯片的规划算法（如端到端 SparseDrive）开发，形成软硬一体护城河。
• 梅卡曼德 (Mech-Mind)：专注于工业机器人提供 3D 视觉引导与运动规划解决方案，已在汽车、物流等领域落地数千个案例，是典型的“算法集成商”受益者。

受益逻辑：除方案直接提供商外，下游整车厂（如小鹏汽车，其 XNGP 的规划能力被视为核心卖点）、物流集成商（如极智嘉、快仓）通过采购和部署先进规划系统，获得了产品差异化和运营效率的提升。

9. 市场规模

运动规划作为底层技术，市场规模通常以它赋能的最终产品和解决方案市场来衡量。

• 自动驾驶市场：据 Frost & Sullivan 数据，中国自动驾驶汽车及出行服务市场规模在 2022 年约为 106 亿美元，预计 2030 年将突破 2000 亿美元。运动规划作为核心软件栈，其价值量在 L4 级系统中通常占软件部分成本的 15%-25%。
• 工业机器人市场：据 GGII 统计，2023 年中国工业机器人销量约为 31.6 万台。其中，涉及复杂路径规划和离线编程的高端应用（如焊接、喷涂、协作）占比持续提升，由此驱动的运动规划软件授权和集成服务市场规模约在 30-45 亿元人民币。
• 商业服务机器人市场：据弗若斯特沙利文报告，2022 年全球商业服务机器人市场规模约 220 亿美元，预计 2027 年达 740 亿美元。自主移动能力是这些产品的核心溢价来源，运动规划是支撑该能力的关键。

尽管无直接统计运动规划的独立市场规模，但其作为横向赋能技术，其价值体现在上述所有市场的增长潜力中，并且随着机器人灵活性和自主性要求的提升，其价值占比将进一步提高。公开资料未见对运动规划软件独立市场的权威统计口径。

10. 玩家对比

此部分聚焦于不同代表性厂商在技术路线、落地场景和商业模式上的差异。

• 技术路线对比 (模块化 vs. 端到端)：

  • Waymo（模块化+学习）：规划系统分为粗规划、行为规划、轨迹规划等多层。优势在于极高的安全置信度和循序渐进、可验证的技术演进路径。
  • 特斯拉 FSD（端到端）：采用统一的神经网络，从感知直接输出轨迹，依赖的是海量人驾视频的碎片化学习。优势是架构简洁、迭代快、拟人化程度高，但面临“能力天花板的波动性”和“安全性形式化验证”的严峻挑战。
  • Mobileye（模块化+RSS）：引入责任敏感安全（RSS）模型，将人类安全驾驶的常识数学化为一个确定性的“安全信封”，规划结果必须在信封内。这种方法在可解释性、安全论证和监管沟通上具备独特优势。

• 业务模式对比 (全栈自研 vs. 平台赋能)：

  • 全栈自研派：以特斯拉、华为、小鹏汽车为代表。将运动规划作为核心 Know-How 与自家硬件深度绑定，形成难以直接复制的性能护城河，但开发投入巨大。
  • 平台赋能派：以英伟达、百度 Apollo 开源部分为代表。通过提供强大的底层算力、仿真工具链或通用算法框架，使下游企业能在其平台上进行二次开发。这种模式摊薄了研发成本，构建了生态，但削弱了对最终产品性能的直接控制力。
  • 场景集成派：以梅卡曼德、思岚科技为代表。专注于特定垂直场景（工业拆垛、室内清扫），将运动规划深度集成在软硬一体的产品中。特点是产品化程度高、部署周期短，但市场天花板相对有限。

11. 风险

• 安全验证的长尾黑洞：如何以可接受成本证明规划系统在数亿英里可能出现的边缘场景（Corner Case）下都绝对安全，是整个行业的“圣杯”难题。目前严重依赖于大规模仿真，但仿真的真实度（Sim-to-Real Gap）本身就是一个问题。
• 决策系统的伦理与法律责任不明确：在无法避免的伤害性事故中，算法应如何在不同实体（乘客、车外人员）间权衡？社会责任和法律责任如何划分？这已不仅是技术问题，更是监管、保险和法律界的共同挑战。全球至今无统一法规。
• 过度依赖数据的脆弱性：基于深度学习的规划模型，其性能上限极度依赖于训练数据的数量和质量。数据存在的长尾分布不均、地域偏见或标注错误，都可能导致灾难性的泛化失败。
• 可解释性危机：端到端架构使决策过程成为一个无法理解的“黑箱”。当系统做出怪异或危险行为时，工程师很难找到根本原因进行修正，这从根本上冲击了安全关键系统的工程方法论。
• 算力与功耗的工程桎梏：越复杂的规划算法，对车规级/嵌入式计算平台的算力要求越高，产生的功耗和热量就越大。这在当前有限的电池和热管理技术框架下，构成了现实的工程约束。
• 技术路线的战略性误判风险：模块化与端到端两大路线的战略对立，可能导致企业将巨额研发资源投入一条最终无法收敛到最优成本效益比的路径上，从而在关键市场窗口期掉队。

12. 误读纠偏

对运动规划领域，外界常存在以下几类典型误解：

• 误读 1：“运动规划等同于 A 寻路算法。”* 纠偏：A* 是二维网格寻路的经典，但机器人和自动驾驶的规划是在高维连续空间中，同时解决避障、平滑性、动力学约束和动态交互的复合问题。A* 只解决了冰山一角，运动规划范畴远大于图搜索。

• 误读 2：“有了端到端，就可以直接扔掉传统的规划模块了。” 纠偏：虽然端到端是趋势，但在可预见的未来，安全冗余机制依然需要。许多先进的端到端系统，其内部可能是隐式地学习了一个“规划网络”，而并非完全抹除了规划功能。更稳健的产业方案是“端到端主驾+规则副驾”的融合架构。

• 误读 3：“运动规划是一个已经解决了的问题。” 纠偏：在结构化、静态、无人扰动的封闭工厂里，规划相对成熟。但在开放、动态、高密度人类驾驶员和行人交织的城市道路，或非结构化的家庭环境，运动规划远未被解决。机器如何理解社会交互的潜规则并做出博弈决策，仍是开放研究前沿。

• 误读 4：“只要模拟做的足够多，就能保证现实安全。” 纠偏：仿真可以加速迭代，但不能替代真实路测。仿真器对物理世界（摩擦力、天气侵蚀、传感器退化）和人类行为（非理性、试探性互动）的建模永远是不完美的近似。“仿真英里”无法直接兑换为“安全英里”，如何量化这两者的差距本身就是科研难题。

13. 最新事件

• 端到端规划的加速落地：2024 年上半年，多家头部车企宣布在量产车高阶智驾系统中，全面切换至端到端架构。这标志着过去以规则主导的运动规划，正式进入大规模数据驱动范式取代。
• 世界模型驱动仿真升级：以英伟达的 Sora 类视频生成模型为代表的“世界模型”，正被探索用于自动驾驶仿真。通过生成高度逼真的反事实场景，有望颠覆传统的基于手工建模和枚举的长尾问题挖掘方式。
• 具身智能成为新焦点：2024 年，大语言模型 (LLM) 和视觉语言模型 (VLM) 开始作为“任务规划器”进入具身智能领域。它们将复杂的人类指令拆解为子任务，然后调用底层的运动规划库（如 MoveIt!）去执行，实现了更高层次的通用运动规划。
• 监管框架取得初步进展：中国工信部等有关部门正加快推进智能网联汽车标准体系建设。截至 2024 年 6 月公开报道，已累计开放测试道路超过 2 万公里，这为运动规划算法建立了一套基于场景复杂度的分级验证标准。

14. 跟踪指标

要持续跟踪运动规划产业和技术的演进，建议关注以下量化或可观测指标：

• 技术指标：
  • MPI (Miles Per Intervention)：每次人工干预的行驶里程数，是衡量自动驾驶规划系统成熟度的关键指标。
  • 公开数据集基准得分：在 nuScenes、Waymo Open Dataset 的 Motion Planning 赛道上的排名与得分。
  • 仿真覆盖率：各大公司论文或技术博客中公布的仿真测试场景库的规模和覆盖度增长趋势。
• 产业指标：
  • 中国自动驾驶道路测试/示范应用牌照发放数量的 季度环比增长率。
  • 主流车企在其新车发布会上，提及“算法/规划”作为核心卖点的频率和篇幅。
  • 相关领域（自动驾驶、机器人）头部公司的研发人员招聘岗位中，“运动规划工程师”、“轨迹优化工程师”与“端到端架构师”的比例变化。 -核心芯片算力释放率：如英伟达、地平线等芯片厂商新一代产品的实际可用 AI 算力 (TOPS) 和能效比 (TOPS/W) 的提升幅度。
• 商业化指标：
  • 搭载高阶智驾功能（硬件预埋）的新车渗透率。
  • 末端物流配送机器人、商用清洁机器人的年度出货量。

15. 信源

本文信息综合自以下公开渠道，具体指标与数据节点请以各官方机构及企业最新发布为准：

• 行业与学术组织：IEEE Robotics and Automation Society (RAS), International Conference on Robotics and Automation (ICRA), Robotics: Science and Systems (RSS)。
• 权威企业与机构：特斯拉 AI Day 官方发布，Waymo、Mobileye、英伟达官网及技术白皮书，中国电子信息产业发展研究院（赛迪），中国智能网联汽车产业创新联盟，高工产业研究院 (GGII)，Frost & Sullivan。
• 公开数据集与平台：nuScenes, Waymo Open Dataset, CARLA Simulator。
• 声明：本文旨在进行产业知识梳理，不构成任何投资建议。文中未披露具体来源的数字，均因统计口径不一或为商业机密，已标注“公开资料未见统一统计”，未进行任何形式的杜撰与猜测。文中不包含任何对证券市场的买卖建议、价格预测或价值判断表述。