规划（Planning） 的十年（2015–2025），是从“在受限空间寻找几何路径”向“在开放世界进行语义推理与时空优化”演进的十年。

这十年中，规划技术完成了从**“走得通”到“走得聪明”，再到 2025 年“像人一样思考与预判”**的阶越。

一、 核心演进的三大技术阶段

1. 经典几何与搜索规划期 (2015–2018) —— “寻找可行解”

• 核心算法： A、RRT (快速搜索随机树)、Hybrid A***。

• 技术逻辑： 将世界抽象为栅格或状态空间，在几何约束下寻找一条不碰撞的折线。

• 痛点： * 维度灾难： 当机器人关节增多或动态障碍物增加时，计算量呈指数级爆炸。

• 缺乏平滑性： 规划出的路径往往生硬，需要复杂的后期平滑处理。

• 里程碑： 自动驾驶在简单封闭道路实现自主巡航，主要解决“不撞车”的问题。

2. 数值优化与时空耦合期 (2019–2022) —— “寻找最优解”

• 核心算法： MPC (模型预测控制)、二次规划 (QP)、凸优化。

• 技术跨越：

• 时空联合： 规划不再只是一条线，而是一个时空隧道（S-T Graph），将“路径”与“速度”耦合在一起。

• 动态避障： 能够预测行人的运动轨迹，并在规划中预留出“安全裕度”。

• 状态： 机器人动作开始变得丝滑，能够处理楼梯、窄门等复杂地形，并具备了一定的动态抗干扰能力。

3. 2025 语义推理与具身大模型时代 —— “寻找逻辑解”

• 2025 现状：
• 层级化规划 (LLM-based Task Planning)： 2025 年的规划分为两层。上层由大模型进行逻辑拆解（如“去厨房拿咖啡”拆解为定位、导航、识别、抓取）；下层由端到端模型执行微观动作。
• 生成式规划 (Generative Planning)： 利用扩散模型（Diffusion Models）生成动作轨迹，使机器人具备了处理“长程任务”和“复杂交互”的能力。
• eBPF 内核级规划审计： SE 利用 eBPF 在系统内核层实时监控规划路径的曲率和速度梯度，防止 AI 模型产生意外的震荡指令。

二、 Planning 核心维度十年对比表

三、 2025 年的技术巅峰：eBPF 驱动的“实时规划屏障”

在 2025 年，规划不再是孤立的计算，而是与系统底层高度耦合的实时流：

1. eBPF 驱动的轨迹审计 (Trajectory Auditing)：
   由于 2025 年的规划多由神经网络生成，可能存在非法震荡。SE 在 Linux 内核层部署 eBPF 程序。

• 物理限速： eBPF 实时计算指令流中的加速度（Jerk）。如果规划算法突然给出一个超出物理极限的动作，eBPF 会在 内将其拦截并平滑化，保护电机。

2. 生成式扩散策略 (Diffusion Policy Planning)：
   2025 年的机器人不再只规划一条路径，而是生成一个动作分布。即使环境发生突发变化，模型也能从分布中瞬间切换到备选路径，无需重新启动繁琐的搜索算法。
3. 长窗口任务链规划：
   利用 2025 年成熟的 HBM3e 高速显存，机器人可以实时维护一个长达数十分钟的任务上下文。它不仅规划下一步怎么走，还会根据 5 分钟前看到的地面积水，规划出避开湿滑区域的长远路径。

四、 总结：从“迷宫寻路”到“物理常识决策”

过去十年的演进，是将规划从**“孤立的数学几何题”重塑为“能够理解人类语义、预判物理风险并具备内核级安全保障的智能行为学”**。

• 2015 年： 你在纠结如何优化 A* 算法，好让扫地机器人在桌腿间少绕几个圈。
• 2025 年： 你在利用 eBPF 审计下的生成式模型，让机器人一边理解你的含糊指令，一边在杂乱的客厅中丝滑地完成一项长达 10 步的家务任务。