以下是对机器人规划与控制（简称“规控”）技术近十年（2014–2024）演进历程的系统性总结。这十年，规控技术从以模型驱动、优化为主的经典方法，逐步迈向学习驱动、端到端、任务语义融合的智能范式，并在实时性、安全性、泛化性和人机协同方面取得突破性进展。

---

一、总体演进脉络

时期	核心范式	技术特征	代表性方法/系统
2014–2017	模型+优化主导	基于动力学模型、采样/梯度优化	RRT*, CHOMP, MPC, LQR
2018–2020	学习辅助规控	模仿学习、强化学习初步应用	DAgger, DDPG, PPO, GPS
2021–2023	端到端与语义规控	视觉输入直接输出动作，任务驱动	ViNG, RT-1, Language-conditioned Policies
2024–至今	具身基础模型与安全闭环	大模型+世界模型+形式化验证	VLA, OpenVLA, CBF-MPC, Safe-LLM Agents

---

二、分阶段关键技术演进

▶ 第一阶段：经典优化与采样时代（2014–2017）

核心思想：规控 = 在已知模型和环境中求解最优轨迹或反馈律。

✅ 关键技术：

• 运动规划
  • RRT*（Karaman & Frazzoli, 2011 → 广泛应用至 2017）：渐进最优的采样-based 规划器。
  • CHOMP / TrajOpt：基于梯度优化的平滑轨迹生成。
  • A/D Lite**：用于离散栅格地图的路径规划。
• 控制理论成熟应用
  • LQR / LQG：线性系统最优控制。
  • MPC（模型预测控制）：在无人机、自动驾驶中广泛应用，支持约束处理。
  • 阻抗/导纳控制：用于人机物理交互（如协作机械臂）。
• 软件栈标准化
  • ROS 中集成 MoveIt!（操作规划）、navigation stack（移动机器人导航）。

⚠️ 局限：

• 依赖精确动力学/环境模型
• 难以处理高维非线性系统（如灵巧手）
• 对感知噪声和动态障碍物鲁棒性差

📌 此阶段规控 = “在理想世界中求最优解”。

---

▶ 第二阶段：学习驱动规控兴起（2018–2020）

核心思想：用数据替代部分建模；策略可从专家示范或试错中学习。

✅ 关键技术：

• 模仿学习（Imitation Learning）
  • DAgger：解决行为克隆的分布偏移问题。
  • 应用于自动驾驶（如 NVIDIA PilotNet）、机械臂抓取。
• 深度强化学习（DRL）爆发
  • DDPG / SAC / PPO：在仿真中训练复杂策略（如 Boston Dynamics 风格 locomotion）。
  • Sim2Real 迁移：通过域随机化（Domain Randomization）提升真实世界性能。
• 学习+优化混合架构
  • GPS（Guided Policy Search）：结合轨迹优化与策略学习。
  • Learning MPC：用神经网络学习代价函数或动力学模型。

⚠️ 挑战：

• 样本效率低，依赖大量仿真
• 安全性难保证（探索可能损坏硬件）
• 策略泛化能力有限（换任务需重训）

📌 规控开始“智能化”，但仍难部署于安全关键场景。

---

▶ 第三阶段：端到端与语义规控（2021–2023）

核心思想：规控应理解任务语义，并直接从原始感知输入生成动作。

✅ 关键技术：

• 视觉端到端导航
  • ViNG（ICRA 2021）：从单目图像直接输出导航动作，无需显式建图。
  • MTM (Masked Trajectory Modeling)：自监督学习轨迹先验。
• 语言条件策略（Language-Conditioned Policies）
  • SayCan（Google, 2022）：LLM 选择技能，低层控制器执行。
  • LM-Nav（ICRA 2023）：用大语言模型生成导航子目标。
• 多任务通用策略
  • RT-1（Robotics Transformer, ICRA 2023）：在 13 台机器人上训练，支持 700+ 任务。
  • 输入：图像 + 文本指令 → 输出：关节速度/末端位姿。
• 安全增强学习
  • Control Barrier Functions (CBF) 与 RL 结合，保证安全约束。

📌 规控 = “理解任务并直接行动”，打破“感知-规划-控制”传统流水线。

---

▶ 第四阶段：具身基础模型与可信规控（2024–）

核心思想：规控是具身智能的核心体现，需融合世界模型、大模型与形式化安全。

✅ 关键技术：

• 具身基础模型（Embodied Foundation Models）
  • OpenVLA（2024）：开源视觉语言动作模型，支持跨机器人泛化。
  • RoboCat / GR00T（NVIDIA）：在百万级真实+仿真数据上预训练。
• 世界模型驱动规控
  • 内部模拟环境演化，用于想象规划（Imagined Planning）
  • 如 PlaNet / DreamerV3 扩展至机器人领域。
• 大模型作为规控调度器
  • LLM 分解复杂任务（“整理桌面” → “抓杯子→放托盘→擦桌子”）
  • 调用专用技能模块（skills library）
• 形式化安全验证
  • CBF + MPC + Reachability Analysis 构建安全规控闭环
  • 满足 ISO 13482、SOTIF 等标准
• 人机协同规控
  • 共享控制（Shared Autonomy）：人类修正高层意图，机器人处理底层执行

📌 规控 = “安全、通用、可解释的具身决策引擎”。

---

三、规控架构演进对比

维度	2015 年	2024 年
输入	位姿、地图、目标点	图像 + 语言 + 触觉 + 上下文
输出	轨迹 / 控制律	动作序列 + 不确定性 + 安全证书
模块化	感知 → 规划 → 控制（串行）	端到端 / 分层技能库（混合）
泛化性	单任务、固定环境	跨任务、跨平台、开放世界
安全性	事后避障	形式化保证 + 实时监控
开发方式	手工调参 + 仿真测试	数据驱动 + 基础模型微调

---

四、未来趋势展望（2025+）

1. 自主技能发现（Autonomous Skill Discovery）
   机器人通过自我探索构建技能库，无需人工定义。
2. 联邦规控学习
   多机器人协作学习策略，保护数据隐私。
3. 绿色规控
   能效最优轨迹规划（如最小化电机能耗）。
4. 神经符号规控
   结合神经网络的泛化能力与符号规划的可解释性。
5. 监管级规控认证
   规控系统需通过功能安全认证（如 ISO 26262 ASIL-D）。

---

总结

机器人规控的十年，是从“按图索骥”到“理解任务、安全行动”的跃迁。
它已从依赖精确模型的数学优化问题，进化为融合感知、语言、学习与安全的具身智能核心能力。
未来，随着基础模型与可信 AI 的发展，规控将不仅是“如何动”，更是“为何动、能否动、是否该动”的综合决策体现。