運動規劃 (Motion Planning)

運動規劃（Motion Planning） 係自駕車決策系統嘅核心環節，佢嘅任務係生成一條滿足安全、舒適同車輛物理極限約束嘅行駛軌跡。呢條軌跡唔單止包含由 A 到 B 嘅幾何路徑，仲定義咗路徑上每個點嘅速度、加速度同姿態。

如果話上游嘅「行為決策」決定咗車輛「該做咩」（如超車、讓行），咁「運動規劃」解決嘅就係「具體點樣做到」嘅問題。

運動規劃之所以係自動駕駛領域最具難度嘅技術難題之一，係因為佢需要同時處理多個維度嘅約束：

呢啲約束嘅疊加，使得運動規劃喺數學上被歸類為非凸優化問題，通常沒有解析解，只能通過數值方法求解。

技術路線	核心思想	典型代表	優勢	局限
採樣/搜索法	喺狀態空間中採樣，構建可行路徑，再從中選擇最佳方案。	A* 算法、RRT、概率路圖	簡單、理論上完備，適合複雜環境。	計算量大，生成嘅路徑需平滑處理，未必全局最佳。
優化/最佳控制法	將問題建模為含目標函數同約束嘅優化問題，直接求解最佳軌跡。	模型預測控制（MPC）、數值最佳控制	能統一考慮安全同舒適，精度高。	計算量大，對初始值敏感，可能陷入局部最佳。
學習法	利用數據訓練模型嚟生成軌跡。	模仿學習、強化學習	喺高複雜度場景中表現高效，能學習類人行為。	可解釋性差，難以保證安全性。

目前，運動規劃技術正呈現出幾個關鍵嘅發展方向：

傳統算法同學習嘅融合：為咗兼顧安全同智能，工業界普遍採用「規則 + 學習」嘅混合架構。典型嘅做法係，先通過一個深度學習網絡生成一個初步軌跡，再輸入一個基於優化或搜索嘅算法進行安全驗證同微調。
端到端架構嘅衝擊：更前沿嘅嘗試係直接用一個神經網絡將「行為決策」同「運動規劃」合併，實現從感知到軌跡嘅端到端輸出，例如元戎啟行嘅 VLA 模型。呢種方案理論上能實現全局最佳，但需要解決可解釋性同安全冗餘嘅挑戰。
多模態大模型嘅應用：近年來，視覺 - 語言 - 動作模型（VLA）開始被應用於軌跡規劃，讓系統能通過自然語言理解駕駛場景，並生成更擬人化、更靈活嘅軌跡。這係運動規劃邁向「通用人工智能」嘅關鍵一步。

總體嚟講，運動規劃正從傳統嘅「路徑 + 速度」分離規劃，轉向時空聯合規劃，並喺逐步融合數據驅動嘅學習能力與規則驅動嘅安全保障，以追求更高階嘅自動駕駛體驗。