规划算法（Planning） 的十年（2015–2025），是从“基于搜索的几何规避”到“基于优化的时空联合”，再到 2025 年“端到端生成式模拟与内核级安全熔断”的进化史。

规划是自动驾驶与机器人系统的“智囊团”，它在感知结果的基础上，计算出一条通往目标的安全、平顺、且符合物理规律的动作序列。

一、 核心演进的三大技术纪元

1. 离散搜索与分层规划期 (2015–2018) —— “寻找可行解”

• 核心特征： 依赖经典的图搜索和采样算法，将规划拆分为路径（Path）和速度（Speed）两个独立步骤。

• 技术状态：

• 搜索与采样： A、Hybrid A** 用于狭窄空间，RRT (快速搜索随机树)* 用于高维空间寻路。

• 解耦规划： 先在 2D 地图上找线（SL 坐标系），再在时间轴上填速度曲线（ST 坐标系）。

• 痛点： “动作生硬”。由于路径和速度是分开算的，经常出现“为了绕开障碍物而猛踩刹车”的情况，且无法应对复杂的动态博弈（如换道插队）。

2. 时空联合优化与数值求解期 (2019–2022) —— “极致平滑的数学艺术”

• 核心特征： 引入二次规划（QP）等数值优化方法，实现在连续空间内的轨迹求解。
• 技术跨越：
• 时空一体化 (Joint Optimization)： 摒弃解耦，直接在 3D () 空间搜索走廊，生成同时考虑位置和时间的平滑轨迹。
• 模型预测路径规划 (EM Planner/Lattice)： 百度 Apollo 为代表，利用多项式曲线或分段加速度（Jerk）优化，让动作像“老司机”一样丝滑。
• 博弈规划： 引入交互模型，预测“我若变道，后车会减速”的博弈概率。

3. 2025 端到端生成式、eBPF 安全内核与“物理常识”时代 —— “直觉与防御”

• 2025 现状：
• 端到端神经规划 (End-to-End Planning)： 2025 年，主流架构不再有人工定义的 Cost Function。模型（如特斯拉 FSD v12）直接从视频流学习驾驶动作，实现了从“计算路径”到“生成驾驶意图”的飞跃。
• eBPF 驱动的“规划轨迹完整性哨兵”： 在 2025 年的生产级内核中。OS 利用 eBPF 在 Linux 内核层实时审计规划器输出的每一个轨迹点（Trajectory Point）。eBPF 钩子能够识别违反物理常识的轨迹（如：瞬移、超过轮胎侧偏力的过弯请求）。一旦大模型生成的轨迹出现“幻觉”，eBPF 会在内核态强制拦截并切换至基于规则的紧急避障模型（RSS），实现了物理级的规划安全冗余。
• 生成式仿真预测 (Rollout)： 规划器在执行前，会在脑内生成 100 种未来的演化可能性并择优。

二、 规划算法核心维度十年对比表

三、 2025 年的技术巅峰：当“规划”融入系统本能

在 2025 年，规划算法的先进性体现在其作为**“确定性物理安全网”**的成熟度：

1. eBPF 驱动的“规划-执行”秒级链路监控：
   在 2025 年的高性能具身智能机器人中。

• 内核态时空校验： 工程师利用 eBPF 钩子将规划器的输出与底层的动力学反馈（如电机扭矩、惯性导航）在内核层强制同步。如果规划轨迹与底盘当前物理状态不匹配（如在结冰路面打滑），eBPF 会在内核态实时重写控制指令。这种“硬实时”响应比传统架构快了 50 倍。

2. 大语言模型赋予“社会常识规划”：
   2025 年的规划器能听懂“前面可能有交警执勤，注意避让”。VLM 会在规划 Cost Map 中自动生成一个动态的高阻力区，引导车辆或机器人做出符合社会道德规范的规划。
3. 1.58-bit 极致规划能效：
   由于算法的高度压缩，2025 年的规划模块可以集成在小型无人机的飞控内核中，在处理每秒上千次航迹重算的同时，维持极低的功耗。

四： 总结：从“走迷宫”到“智慧演化”

过去十年的演进轨迹，是将规划算法从一个**“死板的数学计算器”重塑为“赋能全球物理智能化、具备内核级权限感知与实时安全自愈能力的数字决策大脑”**。

• 2015 年： 你在纠结如何写出完美的 Cost Function 来让车左转时不压线。
• 2025 年： 你在利用 eBPF 审计下的生成式规划系统，放心地让 AI 操纵复杂的机械或车辆，并看着它在内核级的守护下，安全、丝滑且极具智慧地与物理世界进行博弈。