规划控制算法（Planning and Control） 的十年（2015–2025），是从“基于规则的几何搜索与经典 PID”到“模型预测控制（MPC）的工业化”，再到 2025 年“端到端神经网络规划、eBPF 内核级硬实时控制与世界模型驱动的具身决策”的跨越式进化。

规划负责“想”，控制负责“做”。这十年的演变让机器从“生硬的执行器”变成了具备“物理直觉”的智能体。

一、 核心演进的三大技术纪元

1. 经典几何搜索与解耦控制期 (2015–2018) —— “规则的迷宫”

• 核心特征： 规划与控制严格解耦，依赖人工设计的成本函数和几何约束。

• 技术状态：

• 规划 (Planning)： 重点在于 A*, D* 或 RRT* 等采样/搜索算法。在自动驾驶中，常用基于 Frent 坐标系的横纵向解耦规划。

• 控制 (Control)： 经典 PID 依然占据统治地位，辅以简单的纯追踪（Pure Pursuit）或后轮反馈控制（Stanley）。

• 痛点： “缺乏动态预见性”。在复杂动态环境下，规则往往会发生冲突（如：死锁），且无法处理非线性动力学的极致边缘情况。

2. 最优化理论与数值计算期 (2019–2022) —— “算力的博弈”

• 核心特征： MPC (模型预测控制) 成为中高端系统的标杆，规划开始向时空联合（Space-Time Joint）优化演进。
• 技术跨越：
• MPC 的普及： 随着车载算力的提升，能够在毫秒级求解二次规划（QP）问题的 MPC 实现了“一边预测未来轨迹，一边计算当前控制量”。
• 时空联合规划： 不再先定路径再定速度，而是直接在 3D 时空网格中搜索最优轨迹，解决了动态障碍物的绕行问题。
• 强化学习 (RL)： 算法开始在仿真环境中通过数亿次碰撞学习复杂的避障策略。

3. 2025 世界模型、eBPF 内核级闭环与“具身智能”时代 —— “直觉与本能”

• 2025 现状：
• 端到端神经规划 (End-to-End VLA)： 2025 年，领先的规划算法已进化为 视觉-语言-动作 (VLA) 模型。模型不再输出一串坐标点，而是直接根据语义指令（如“平稳地穿过人流”）生成具备物理常识的动作流。
• eBPF 驱动的“控制链路硬实时哨兵”： 在 2025 年的具身智能 OS 中。内核利用 eBPF 监控控制指令从用户态到执行器的延迟。eBPF 钩子能够在内核态实时校验控制指令的“安全性边界”（如：加速度是否超限）。一旦发现应用层规划器计算超时或发生逻辑跳变，eBPF 直接在内核态接管并切回“安全刹车模式”，实现了物理级的实时性保障。
• 生成式世界模型 (World Models)： 规划器可以在内部“脑补”不同动作后的多种可能性，通过想象力选择风险最低的路径。

二、 规划控制核心维度十年对比表

三、 2025 年的技术巅峰：当“控制”融入系统脉络

在 2025 年，规划控制的先进性体现在其作为**“确定性动作引擎”**的成熟度：

1. eBPF 驱动的“微秒级闭环”：
   在 2025 年的高速工业机器人中。

• 内核态控制闭环： 工程师利用 eBPF 钩子在内核层直接处理电机反馈。eBPF 实时读取传感器数据，并根据预设的轻量化控制律直接修改输出信号。这种“绕过用户态”的设计将控制频率提升至 50kHz 以上，实现了对超高速运动的精准压制。

2. CXL 3.0 与超大规模环境记忆：
   2025 年的协作机器人利用 CXL 3.0。多台机器共享同一个高带宽内存池来存储实时生成的 3D 环境地图。规划算法无需反复从总线读取数据，实现了近乎“零延迟”的群体协同避障。
3. 大语言模型赋予“行为风格定制”：
   现在的控制不再是冰冷的。通过提示词，你可以告诉算法：“今天下雨，请以‘极其谨慎’的风格驾驶”，LLM 会自动重构 MPC 的代价函数参数，并由 eBPF 监控其执行过程中的合规性。

四： 总结：从“按部就班”到“知行合一”

过去十年的演进轨迹，是将规划控制从一个**“基于公式的几何练习”重塑为“赋能全球物理智能化、具备内核级安全感知与实时物理自洽能力的具身智能基石”**。

• 2015 年： 你在纠结如何调整 A* 的启发式函数，好让无人机别在转角处撞墙。
• 2025 年： 你在利用 eBPF 审计下的端到端世界模型，放心地让机器人穿梭在复杂的物理世界，并看着它在内核级的守护下，优雅、精准且具本能地完成每一个动作。