机器人规控技术（Planning and Control）在过去十年的演进，是从“基于规则的程序化逻辑”向“基于学习的具身智能范式”的全面质变。

在专业视角下，规划（Planning）已从单纯的几何路径搜索演进为高维任务与动作规划（TAMP），而控制（Control）则从传统的线性反馈演进为全身动力学控制（WBC）与端到端神经网络策略。

---

一、 规划技术（Planning）的范式转移：从路径搜索到语义推理

1. 经典运动规划（2015-2018）：采样与优化的黄金时代

• 技术特征： 核心是以 RRT、PRM* 为代表的随机采样算法，以及以 CHOMP、STOMP 为代表的轨迹优化算法。
• 局限性： 在高维空间（如双臂机器人）中计算效率低，且难以处理带有逻辑约束的复杂任务。
• 专业视角： 此时的规划主要解决“如何不撞车”的问题，感知与规划之间存在明显的边界（Late Fusion）。

2. 混合规划与 TAMP（2019-2022）：任务与动作的深度耦合

• 技术突破： 任务与动作规划（Task and Motion Planning, TAMP） 成为主流。它将高层的逻辑决策（如“打开冰箱”）与底层的运动规划（如“手臂伸向把手”）结合。
• 前沿视角： 引入了时序逻辑（LTL/STL）约束，使机器人能够在执行任务时满足复杂的安全和时序要求。

3. 具身大模型规划（2023-2025）：大语言模型（LLM）作为大脑

• 核心演进： 利用 LLM 的常识推理能力进行高层任务分解（如 SayCan 框架）。
• 前沿范式： 生成式路线规划。利用 Diffusion Models（扩散模型） 生成符合物理概率分布的平滑轨迹。规划不再是搜索，而是在高维概率空间中的采样与生成。

---

二、 控制技术（Control）的进化：从运动学到全动力学一致性

1. 模型预测控制（MPC）的统治

• 过去十年，MPC 从化工过程控制全面渗透进机器人领域（尤其是足式机器人）。
• 演进方向： 从线性 MPC 向 非线性 MPC (NMPC) 跨越。通过在每个控制周期内求解一个有限时域的优化问题，实现了对非线性系统动态约束的精确处理。

2. 全身控制（Whole-Body Control, WBC）

• 针对人形和四足机器人，WBC 实现了重心平衡、接触力分配与末端任务的统一协调。
• 技术内核： 基于 二次规划（Quadratic Programming, QP） 的实时求解，确保机器人在执行任务时不会失去平衡。

3. 强化学习与 Sim-to-Real

• 深度强化学习（DRL） 在复杂地形适应性上表现出超越人类设计的鲁棒性（如 ANYmal 在森林中的表现）。
• 关键技术： 领域随机化（Domain Randomization）。通过在仿真中加入极端的物理干扰，训练出的策略可以直接迁移到现实硬件。

---

三、 规控融合：迈向端到端（End-to-End）具身智能

这是当前最前沿的演进方向，即模糊感知、规划与控制的界限：

1. VLA 模型（Vision-Language-Action）：

• 以 Google 的 RT-2 为代表，将视觉、语言和机器人动作（Token化）放在同一个 Transformer 架构中训练。机器人直接从像素输入输出电机指令，实现了极强的泛化能力。

2. 扩散策略（Diffusion Policy）：

• 将机器人动作序列看作是一种条件分布生成的采样。相比传统的回归模型，扩散策略能够学习到人类操作中多峰（Multimodal）的行为特征，使机器人的动作更具“灵性”。

3. 世界模型（World Models）：

• 机器人开始在内部构建物理世界的演化模型（如 DreamerV3）。通过在“想象”中进行规划，机器人可以预见动作的后果，从而实现更高效的探索和更安全的避障。

---

四、 机器人规控十年技术对比表

维度	2015 (规控 1.0)	2025 (规控 3.0)
规划核心	几何采样 (RRT / PRM)	LLM 语义规划 / 扩散模型轨迹生成
控制算法	PID / 静态逆运动学 (IK)	非线性 MPC / 全身控制 (WBC)
环境适应	结构化、预定义的地图	非结构化、语义感知的开放空间
交互模式	预设路径，遇到障碍停止	交互式规划、合规性控制 (Force Control)
模型范式	模块化、逻辑驱动	端到端 (End-to-End) / 数据驱动

---

总结：2025 年的专业共识

“规划即推理，控制即生成”。

规控技术的十年演进，是将机器人从一个**“执行预设轨迹的自动化装置”转变为一个“具备物理常识、能理解自然语言意图并实时生成最优行为的具身主体”**。随着计算算力的提升和多模态大模型的成熟，规控技术的瓶颈正在从“计算效率”转向“数据多样性”与“Sim-to-Real 的高保真性”。