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
| 维度 | 2015 (几何搜索) | 2025 (具身智能规划) | 核心跨越点 |
|---|---|---|---|
| 规划目标 | 几何无碰撞路径 | 任务目标与语义意图 | 从“怎么走”到“为什么走” |
| 处理环境 | 静态/低动态环境 | 高动态/非结构化/社交场景 | 实现了人类社交空间的礼让与博弈 |
| 计算复杂度 | 随维度指数增长 | 常量级推理 (神经网络前向传播) | 解决了复杂多关节的实时规划难题 |
| 容错能力 | 一旦失效需重新搜索 | 动态自修复 (Self-correction) | 规划与执行不再割裂，具备实时自愈性 |
| 系统安全 | 软件层碰撞检测 | eBPF 内核级物理边界限制 | 安全性从“算法层”下沉到“系统层” |
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：
- 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。
- 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。 - 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。
