運動規劃 (Motion Planning)
概念：運動規劃 (Motion Planning) 所屬鏈：AI產業鏈 - 應用層 - 具身智慧 / 自動駕駛 / 機器人
1. 3秒看懂
運動規劃是物理世界 AI 的“小腦”，負責在複雜、動態環境中，為機器人、自動駕駛汽車等智慧代理即時計算出安全、平滑且高效的移動路徑與動作序列，是連線感知與行動的關鍵決策環節。
2. 3分鐘產業解釋
運動規劃解決的是智慧代理“如何動”的核心問題。想像一下，一輛自動駕駛汽車在繁忙的十字路口左轉，或一隻機械臂在狹窄空間內繞過工人進行裝配，運動規劃演算法就是幕後指揮。
核心工作流：
- 輸入：環境感知結果（障礙物位置、速度）、自身狀態（位置、姿態、速度）和目標任務。
- 處理：在由機器人所有可能姿態構成的抽象數學空間（配置空間）中，搜尋一條滿足運動學（如最大轉向角）、動力學（如加速度極限）約束，並絕對避免碰撞的連續路徑。同時，必須為這條路徑打上時間戳，生成帶有速度、加速度資訊的軌跡。
- 輸出：可直接下發給執行器（如方向盤、電機）的即時控制指令序列。
產業價值：運動規劃的優劣直接決定了自動駕駛的安全性上限、工業機器人的節拍效率（Cycle Time）和物流機器人在動態倉庫中的排程柔性。它是具身智慧從實驗室走向規模化商用的“第一公里”工程難題。當前，該領域正處在從基於規則的模組化架構向資料驅動的端到端範式轉換的激烈震盪期，是技術分歧最大、研發投入最密集的焦點環節。
3. 技術原理
3.1 問題形式化：配置空間理論
運動規劃的首要步驟是將物理世界的問題抽象為數學問題。
- 配置空間 (C-Space)：一個 N 維空間，其中 N 等於機器人的自由度數量。空間中任何一個點，都完全定義了這個機器人的一個瞬時幾何姿態（例如，一個6軸機械臂，其配置空間就是6維）。
- 障礙物區域 (C-Obs)：現實中的物理障礙物，會根據機器人的幾何外形，通過閔可夫斯基和（Minkowski Sum）等膨脹運算，對映到配置空間中，形成“禁飛區”。
- 自由空間 (C-Free)：配置空間中，排除障礙物區域和自碰撞區域後，所有合法姿態的集合。運動規劃的數學本質，就是在高維自由空間中，尋找一條連線起點和終點的連續曲線。
3.2 核心演算法範式
基於上述數學架構，演化出了三大主要的技術流派，各有其適用場景和工程取捨。
-
範式一：基於取樣的規劃 (Sampling-Based Planning)
- 核心思想：放棄對自由空間的顯式建模，而是通過大量隨機取樣來探查空間連通性。特別適合解決高維空間（自由度 > 4）的規劃難題。
- 代表演算法：
- 快速擴充套件隨機樹 (RRT)：以起點為根節點，不斷向空間中隨機取樣點方向生長出一棵樹，直到某一枝葉觸及目標點。此方法天然適用於單次查詢和動態環境。
- 機率路線圖 (PRM)：先在自由空間中大量取樣，並連線鄰近的非碰撞取樣點，預建置一張“路網圖”。後續每次規劃只需在新圖上進行圖搜尋，適用於需要反覆規劃的環境。
- 工程權衡：演算法上是機率完備的（即只要有解，取樣次數趨於無窮時找到解的機率為1），但解的路徑往往是非光滑的鋸齒狀，還需經過“軌跡最佳化”的後處理。
-
範式二：基於最佳化的規劃 (Optimization-Based Planning)
- 核心思想：將規劃問題建置為一個帶約束的非線性最佳化問題。目標是找到一條使定義的成本函式（Cost Function）最小化的軌跡。
- 成本函式：通常包含多個懲罰項，如路徑長度、離障礙物距離的倒數、加速度/加加速度的平方、偏離參考線的誤差等，通過調整權重來權衡安全性、舒適性和效率。
- 主流方法：
- 直接配點法 (Direct Collocation)：將連續軌跡離散化為有限個點，通過數值最佳化（如序列二次規劃 SQP）同時求解所有點的最優位置、速度和加速度。
- 模型預測控制 (MPC)：在每一時間步，僅求解未來一個有限時域（Prediction Horizon）內的最優控制問題，並只執行第一步指令，然後滾動向前最佳化。這是處理動態環境中不確定性的核心架構。
- 工程權衡：能生成平滑、動態可行的最優軌跡。但計算開銷大，依賴於良好的初始猜測解（Initial Guess），否則可能收斂到區域性最優。
-
範式三：基於學習的規劃 (Learning-Based Planning)
- 核心思想：用資料驅動的神經網路替代傳統規劃模組的區域性或全部功能。
- 模仿學習 (IL)：從人類駕駛或專家操作的龐大數據集中，直接學習從感知到軌跡的對映策略。行為克隆是其主要形式。
- 強化學習 (RL)：在高度逼真的模擬器中，讓智慧代理在試錯中學習最大化累積獎勵的策略。獎勵函式的設計是關鍵，需要精細平衡安全、效率與舒適。
- 工程權衡：具有超越手工規則的泛化潛力，能處理非結構化的複雜互動。但面臨嚴重的“黑箱”問題，安全性難以用傳統方法驗證，且資料飢渴，域遷移（Sim-to-Real）損耗是巨大挑戰。
3.3 前沿融合技術
- 感知-規劃-控制一體化：以特斯拉的 FSD V12 為代表，直接建置從感測器資料（如攝像頭畫素）到車輛控制指令的端到端神經網路，極大簡化了系統架構，但可解釋性與除錯難度劇增。
- 不確定性感知規劃 (Uncertainty-Aware Planning)：採用部分可觀測馬爾可夫決策過程（POMDP）或穩健模型預測控制（Robust MPC），顯式地處理感測器噪聲、狀態估計誤差和未來預測的不確定性，追求在最壞情況下的安全保證。
4. 關鍵引數
評估和比較一個運動規劃系統，需關注以下核心量化引數：
- 規劃成功率 (Planning Success Rate)：在給定場景集中，成功找到可達路徑的機率。通常要求在結構化道路場景下 ≥ 99.9999%，在非結構化場景下 ≥ 99.9%。（無統一標準，源自行業公開發表的 L4 級別自動駕駛技術指標）
- 規劃延遲 (Planning Latency)：從接收感知結果到輸出控制指令的時間間隔。車規級自動駕駛系統通常要求在 100ms 內完成一次重規劃，工業動態避障場景要求在 50ms 內。（行業通用基準）
- 路徑質量 (Path Quality)：
- 平滑性：用路徑曲率的導數（Curvature Derivative）衡量，數值越低，執行越平穩。
- 效率：規劃路徑長度與理論最短路徑長度的比值。
- 舒適性：用加速度的導數（加加速度，Jerk）來衡量。
- 動態環境適應能力：
- 最大處理障礙物數量：單幀能同時應對的動態/靜態障礙物上限，通常是數百至上千個。
- 預測時域 (Prediction Horizon)：模型預測控制等演算法對未來的預測時長，自動駕駛領域通常為 5~15 秒。
- 算力消耗 (Computational Cost)：
- TOPS (Tera Operations Per Second)：演算法所需 AI 算力。
- CPU/GPU 佔用率：在特定硬體平台上的資源消耗。
- 泛化能力 (Generalization)：在訓練資料集未見過的場景、天氣、地域下的效能保持率。目前尚無統一的量化基準，多通過行業挑戰賽（如 Waymo Open Dataset Challenge）排名進行對比。
5. 技術路線
運動規劃的技術路線高度分化，可按架構和核心方法分為兩類，當前正面臨深刻變革。
5.1 按系統架構劃分
- 模組化架構：
- 路線：感知、預測、規劃、控制各模組獨立開發、組合。
- 優點：技術成熟，各模組可獨立驗證、可解釋性強，出現問題易於溯源和 Debug。
- 缺點：模組間資訊有損傳遞（如 3D 檢測框丟失互動細節），整體效能上限受制於瓶頸模組，工程維護成本高。
- 主流廠商：Waymo、Mobileye、百度 Apollo（早期版本）、華為 ADS 早期版本。
- 端到端 (End-to-End) 架構：
- 路線：一個統一的大型模型直接完成從感測器輸入到控制輸出的全過程。特指從感知到規劃決策的聯合最佳化。
- 優點：避免了模組間的資訊損失，理論上能通過海量資料驅動實現效能躍遷，系統架構更簡潔。
- 缺點：“黑箱”可解釋性差，行為難預測，基於 case-by-case 的除錯失效，功能上限與安全的平衡尚在探索。
- 主流廠商：特斯拉 FSD V12+、Wayve、地平線（SparseDrive）。
5.2 按規劃核心方法劃分
- 基於規則的規劃：以“if-then-else”邏輯和有限狀態機（FSM）為主，是行業元老級方法，在固定、簡單場景中絕對可靠，但無法窮盡長尾場景。
- 基於模仿學習的規劃：建立在龐大人駕資料上的行為克隆，具備優秀的擬人化表現，但存在因果混淆和非閉環泛化的問題。
- 基於強化學習的規劃：在模擬器中通過大規模試錯獲得最優策略，探索性極強，是攻克複雜博弈場景的希望，但訓練不穩定，獎勵函式設計極具挑戰。
當前產業界的主流趨勢是從“模組化+規則”走向“端到端+資料驅動”的漸進式融合。例如在模組化架構下引入基於學習的預測和規劃模型，或在端到端架構中設定規則“守門員”（Safety Monitor）以確保安全下限。
6. 上游
運動規劃的實現高度依賴上游軟硬體基礎設施與工具鏈的支撐。
| 上游環節 | 關鍵作用 | 代表企業/機構（示例） |
|---|---|---|
| 高效能算力晶片 | 提供滿足毫秒級規劃的即時浮點運算、GPU/NPU 算力。 | - 輝達 DriveOrin / Thor（截至 2023 年，佔據高階智慧駕駛計算晶片市場主導地位） |
- 高通 Snapdragon Ride
- 地平線征程系列
- 黑芝麻智慧 A1000 / C1200 系列 | | 感測器系統 | 提供精準、穩定的環境感知原始資料，是規劃的輸入基石。 | - 雷射雷達：禾賽科技、速騰聚創、圖達通
- 4D 毫米波雷達：Arbe、華為
- 高精慣性測量單元 (IMU)：博世、意法半導體 | | 高精度地圖與定位 | 提供超視距靜態環境先驗（如車道線、坡度）和釐米級定位，極大降低線上規劃難度。 | - 高德地圖、百度地圖、四維圖新、HERE Technologies | | 物理模擬引擎與資料平台 | 建置可無限複製、可控的逼真虛擬世界，是長尾場景挖掘、演算法迭代和規模化驗證的絕對基礎設施。 | - 輝達 Omniverse / DRIVE Sim
- 微軟 AirSim / Project AirSim
- 百度 AISIM
- 51WORLD | | 開發工具鏈 | 提供資料標註、模型訓練、評測管理等生產力工具。 | - Scale AI, Labelbox
- AWS, Azure, 阿里雲端（公有雲端訓練叢集） |
7. 下游
運動規劃是下游所有移動類智慧代理的“通用智慧”底座，主要應用場景包括：
| 下游應用場景 | 具體需求特點 | 對運動規劃的核心要求 |
|---|---|---|
| 自動駕駛汽車 | - L2+ 高速/城市輔助駕駛 |
- L4 級 Robotaxi/無人巴士 | 絕對安全是第一目標，兼顧通行效率與乘坐舒適性。需具備極強的多智慧代理動態互動博弈能力。 | | 工業機器人 | - 汽車焊接/噴塗/沖壓
- 3C 電子裝配
- 倉儲物流揀選/分撥 | 高節拍、高精度和離線程式設計能力。路徑必須平滑，減少對機械結構的衝擊，軌跡重複精度通常需達亞毫米級。 | | 移動機器人 (AMR) | - 倉儲貨到人搬運
- 產線線邊配送
- 無人叉車 | 在高度動態、人機混行的半結構環境中實現安全柔性的即時避障和高效的多機協同排程。 | | 服務與特種機器人 | - 酒店/醫院配送
- 手術機器人
- 無人機巡檢/物流
- 室外清潔 | 複雜、非結構環境的自主導航與安全互動。手術機器人等對平滑性有超高標準，無人機需解決三維空間+欠驅動的規劃難題。 |
8. 受益公司
該類別涵蓋受益於運動規劃技術紅利，或在產業鏈中佔據優勢位置的商業組織。
全球核心玩家：
- 輝達 (NVIDIA)：作為算力底座和模擬平台（DRIVE/Isaac Sim）的賦能者，其提供的全棧工具鏈是多數自動駕駛和機器人公司的開發基礎。
- 特斯拉 (Tesla)：端到端規劃路線的行業風向標，FSD 的每一次重大迭代都會引發全球對技術路線的新評估。
- Waymo (Alphabet)：L4 自動駕駛技術標杆，其模組化+基於學習的規劃方案經過千萬英里級路測驗證，代表了工程安全的較高水準。
- 直覺外科 (Intuitive Surgical)：其達芬奇手術機器人是精密運動規劃在醫療領域商業化的巔峰範例。
中國核心玩家：
- 華為：智慧汽車解決方案 BU（ADS 智駕系統）和具身智慧領域的版面配置者，強調“軟體定義硬體”的全棧自研能力，其規劃演算法在博弈處理上有鮮明風格。
- 百度 Apollo：中國自動駕駛生態的早期建置者，積累了海量中國複雜場景資料，其運動規劃模組經歷了大規模 Robotaxi 運營的考驗。
- 大疆創新 (DJI)：在無人機規劃與控制領域有極深的工程化積澱，是“感知-規劃-控制”一體化技術的產品化典範，市場份額（2023 年消費/行業級無人機全球市佔率超 70%-80%，來自公開行業報告估算）有說服力。
- 地平線 (Horizon Robotics)：“晶片+演算法”模式，不僅提供征程系列算力平台，還深度參與基於其晶片的規劃演算法（如端到端 SparseDrive）開發，形成軟硬一體護城河。
- 梅卡曼德 (Mech-Mind)：專注於工業機器人提供 3D 視覺引導與運動規劃解決方案，已在汽車、物流等領域落地數千個案例，是典型的“演算法整合商”受益者。
受益邏輯：除方案直接提供商外，下游整車廠（如小鵬汽車，其 XNGP 的規劃能力被視為核心賣點）、物流整合商（如極智嘉、快倉）通過採購和部署先進規劃系統，獲得了產品差異化和運營效率的提升。
9. 市場規模
運動規劃作為底層技術，市場規模通常以它賦能的最終產品和解決方案市場來衡量。
- 自動駕駛市場：據 Frost & Sullivan 資料，中國自動駕駛汽車及出行服務市場規模在 2022 年約為 106 億美元，預計 2030 年將突破 2000 億美元。運動規劃作為核心軟體棧，其價值量在 L4 級系統中通常佔軟體部分成本的 15%-25%。
- 工業機器人市場：據 GGII 統計，2023 年中國工業機器人銷量約為 31.6 萬臺。其中，涉及複雜路徑規劃和離線程式設計的高階應用（如焊接、噴塗、協作）佔比持續提升，由此驅動的運動規劃軟體授權和整合服務市場規模約在 30-45 億元人民幣。
- 商業服務機器人市場：據弗若斯特沙利文報告，2022 年全球商業服務機器人市場規模約 220 億美元，預計 2027 年達 740 億美元。自主移動能力是這些產品的核心溢價來源，運動規劃是支撐該能力的關鍵。
儘管無直接統計運動規劃的獨立市場規模，但其作為橫向賦能技術，其價值體現在上述所有市場的增長潛力中，並且隨著機器人靈活性和自主性要求的提升，其價值佔比將進一步提高。公開資料未見對運動規劃軟體獨立市場的權威統計口徑。
10. 玩家對比
此部分聚焦於不同代表性廠商在技術路線、落地場景和商業模式上的差異。
-
技術路線對比 (模組化 vs. 端到端)：
- Waymo（模組化+學習）：規劃系統分為粗規劃、行為規劃、軌跡規劃等多層。優勢在於極高的安全置信度和循序漸進、可驗證的技術演進路徑。
- 特斯拉 FSD（端到端）：採用統一的神經網路，從感知直接輸出軌跡，依賴的是海量人駕影片的碎片化學習。優勢是架構簡潔、迭代快、擬人化程度高，但面臨“能力天花板的波動性”和“安全性形式化驗證”的嚴峻挑戰。
- Mobileye（模組化+RSS）：引入責任敏感安全（RSS）模型，將人類安全駕駛的常識數學化為一個確定性的“安全信封”，規劃結果必須在信封內。這種方法在可解釋性、安全論證和監管溝通上具備獨特優勢。
-
業務模式對比 (全棧自研 vs. 平台賦能)：
- 全棧自研派：以特斯拉、華為、小鵬汽車為代表。將運動規劃作為核心 Know-How 與自家硬體深度繫結，形成難以直接複製的效能護城河，但開發投入巨大。
- 平台賦能派：以輝達、百度 Apollo 開源部分為代表。通過提供強大的底層算力、模擬工具鏈或通用演算法架構，使下游企業能在其平台上進行二次開發。這種模式攤薄了研發成本，建置了生態，但削弱了對最終產品效能的直接控制力。
- 場景整合派：以梅卡曼德、思嵐科技為代表。專注於特定垂直場景（工業拆垛、室內清掃），將運動規劃深度整合在軟硬一體的產品中。特點是產品化程度高、部署週期短，但市場天花板相對有限。
11. 風險
- 安全驗證的長尾黑洞：如何以可接受成本證明規劃系統在數億英里可能出現的邊緣場景（Corner Case）下都絕對安全，是整個行業的“聖盃”難題。目前嚴重依賴於大規模模擬，但模擬的真實度（Sim-to-Real Gap）本身就是一個問題。
- 決策系統的倫理與法律責任不明確：在無法避免的傷害性事故中，演算法應如何在不同實體（乘客、車外人員）間權衡？社會責任和法律責任如何劃分？這已不僅是技術問題，更是監管、保險和法律界的共同挑戰。全球至今無統一法規。
- 過度依賴資料的脆弱性：基於深度學習的規劃模型，其效能上限極度依賴於訓練資料的數量和質量。資料存在的長尾分佈不均、地域偏見或標註錯誤，都可能導致災難性的泛化失敗。
- 可解釋性危機：端到端架構使決策過程成為一個無法理解的“黑箱”。當系統做出怪異或危險行為時，工程師很難找到根本原因進行修正，這從根本上衝擊了安全關鍵系統的工程方法論。
- 算力與功耗的工程桎梏：越複雜的規劃演算法，對車規級/嵌入式計算平台的算力要求越高，產生的功耗和熱量就越大。這在當前有限的電池和熱管理技術架構下，構成了現實的工程約束。
- 技術路線的戰略性誤判風險：模組化與端到端兩大路線的戰略對立，可能導致企業將鉅額研發資源投入一條最終無法收斂到最優成本效益比的路徑上，從而在關鍵市場視窗期掉隊。
12. 誤讀糾偏
對運動規劃領域，外界常存在以下幾類典型誤解：
-
誤讀 1：“運動規劃等同於 A 尋路演算法。”* 糾偏：A* 是二維網格尋路的經典，但機器人和自動駕駛的規劃是在高維連續空間中，同時解決避障、平滑性、動力學約束和動態互動的複合問題。A* 只解決了冰山一角，運動規劃範疇遠大於圖搜尋。
-
誤讀 2：“有了端到端，就可以直接扔掉傳統的規劃模組了。” 糾偏：雖然端到端是趨勢，但在可預見的未來，安全冗餘機制依然需要。許多先進的端到端系統，其內部可能是隱式地學習了一個“規劃網路”，而並非完全抹除了規劃功能。更穩健的產業方案是“端到端主駕+規則副駕”的融合架構。
-
誤讀 3：“運動規劃是一個已經解決了的問題。” 糾偏：在結構化、靜態、無人擾動的封閉工廠裡，規劃相對成熟。但在開放、動態、高密度人類駕駛員和行人交織的城市道路，或非結構化的家庭環境，運動規劃遠未被解決。機器如何理解社會互動的潛規則並做出博弈決策，仍是開放研究前沿。
-
誤讀 4：“只要模擬做的足夠多，就能保證現實安全。” 糾偏：模擬可以加速迭代，但不能替代真實路測。模擬器對物理世界（摩擦力、天氣侵蝕、感測器退化）和人類行為（非理性、試探性互動）的建模永遠是不完美的近似。“模擬英里”無法直接兌換為“安全英里”，如何量化這兩者的差距本身就是科研難題。
13. 最新事件
- 端到端規劃的加速落地：2024 年上半年，多家頭部車企宣佈在量產車高階智駕系統中，全面切換至端到端架構。這標誌著過去以規則主導的運動規劃，正式進入大規模資料驅動範式取代。
- 世界模型驅動模擬升級：以輝達的 Sora 類影片生成模型為代表的“世界模型”，正被探索用於自動駕駛模擬。通過生成高度逼真的反事實場景，有望顛覆傳統的基於手工建模和列舉的長尾問題挖掘方式。
- 具身智慧成為新焦點：2024 年，大語言模型 (LLM) 和視覺語言模型 (VLM) 開始作為“任務規劃器”進入具身智慧領域。它們將複雜的人類指令拆解為子任務，然後呼叫底層的運動規劃庫（如 MoveIt!）去執行，實現了更高層次的通用運動規劃。
- 監管架構取得初步進展：中國工信部等有關部門正加快推進智慧網聯汽車標準體系建設。截至 2024 年 6 月公開報道，已累計開放測試道路超過 2 萬公里，這為運動規劃演算法建立了一套基於場景複雜度的分級驗證標準。
14. 追蹤指標
要持續追蹤運動規劃產業和技術的演進，建議關注以下量化或可觀測指標：
- 技術指標：
- MPI (Miles Per Intervention)：每次人工干預的行駛里程數，是衡量自動駕駛規劃系統成熟度的關鍵指標。
- 公開資料集基準得分：在 nuScenes、Waymo Open Dataset 的 Motion Planning 賽道上的排名與得分。
- 模擬覆蓋率：各大公司論文或技術部落格中公佈的模擬測試場景庫的規模和覆蓋度增長趨勢。
- 產業指標：
- 中國自動駕駛道路測試/示範應用牌照發放數量的 季度季增率增長率。
- 主流車企在其新車釋出會上，提及“演算法/規劃”作為核心賣點的頻率和篇幅。
- 相關領域（自動駕駛、機器人）頭部公司的研發人員招聘崗位中，“運動規劃工程師”、“軌跡最佳化工程師”與“端到端架構師”的比例變化。 -核心晶片算力釋放率：如輝達、地平線等晶片廠商新一代產品的實際可用 AI 算力 (TOPS) 和能效比 (TOPS/W) 的提升幅度。
- 商業化指標：
- 搭載高階智駕功能（硬體預埋）的新車滲透率。
- 末端物流配送機器人、商用清潔機器人的年度出貨量。
15. 信源
本文資訊綜合自以下公開渠道，具體指標與資料節點請以各官方機構及企業最新發布為準：
- 行業與學術組織：IEEE Robotics and Automation Society (RAS), International Conference on Robotics and Automation (ICRA), Robotics: Science and Systems (RSS)。
- 權威企業與機構：特斯拉 AI Day 官方釋出，Waymo、Mobileye、輝達官網及技術白皮書，中國電子資訊產業發展研究院（賽迪），中國智慧網聯汽車產業創新聯盟，高工產業研究院 (GGII)，Frost & Sullivan。
- 公開資料集與平台：nuScenes, Waymo Open Dataset, CARLA Simulator。
- 宣告：本文旨在進行產業知識梳理，不構成任何投資建議。文中未揭露具體來源的數字，均因統計口徑不一或為商業機密，已標註“公開資料未見統一統計”，未進行任何形式的杜撰與猜測。文中不包含任何對證券市場的買賣建議、價格預測或價值判斷表述。