这十年智能驾驶规划算法从实验室里的玩具变成了量产车上的刚需。2015年我刚入行时提到路径规划大家的第一反应还是扫地机器人或者游戏里的寻路逻辑到了2025年城市NOA、泊车代驾、干线物流这些场景已经把规划算法推到了既要算得快、又要算得稳、还得让人觉得像老司机的位置。这篇文章不打算写成编年体流水账我想按技术问题的演化逻辑来拆——每一代算法解决的核心矛盾是什么、为什么它会被下一代取代、以及那些写在论文里很少被提及的工程取舍。1. 2015年的分水岭规则搜索为主的时代以及它为什么撑不住复杂场景1.1 从Dijkstra到A*规划算法最初只解决有没有路的问题2015年前后的智能驾驶规划算法学术圈和工程圈其实是脱节的。学术圈在刷KITTI、刷CARLA benchmark工程圈则在纠结这辆车能不能在结构化道路上稳定跑完100公里。那个时代最主流的路径规划算法基本是搜索类和采样类两种思路的天下。搜索类以A*、Dijkstra、Hybrid A为代表。Dijkstra的思路说白了就是暴力扩散找最短A加了个启发式函数让搜索方向更有目的性。Hybrid A*则是专门为车辆运动学设计的变种——它把连续空间离散成网格节点之间的连接不再是格子间的跳跃而是符合车辆最小转弯半径的运动学曲线。这套东西在2015年前后的L4园区巴士、封闭港区物流车上非常常见因为它确实能解决从A点到B点有没有一条可行驶的路径这个基本问题。采样类的代表是RRT及其各种变体RRT*、RRT-Connect、Informed RRT*。它的逻辑是随机撒点、逐步生长一棵树直到树梢触达目标。优点是不需要对环境做精确建模尤其适合非结构化场景缺点是随机性带来的结果不稳定——同样的起点终点跑十次可能出来十条差异很大的路径有的还拐着莫名其妙的弯。那个年代规划算法工程师的日常就是调栅格地图的分辨率、调A*的启发函数权重、调RRT的采样范围。靠这些参数勉强把demo跑通但一旦场景复杂度上来问题就藏不住了搜索类算法的计算时间随着环境规模指数级上升采样类算法又把可行性和最优性割裂了。更关键的是这两类算法产出的都是几何路径完全不含速度信息、不含对动态障碍物的考虑更谈不上像人一样开车。1.2 规则搜索引擎的两条死路高维爆炸和动态障碍博弈理解为什么搜索类算法在2016年前后被Velodyne激光雷达和深度学习感知带崩得先看它的两个致命短板。第一个是维度爆炸。搜索类算法要同时处理路径和速度就必须把状态空间维度提高——路径有x和y两个自由度速度再加一个维度三维空间搜一次成本就已经很高了如果还要考虑时间维度去应对动态障碍就是四维搜索。基于栅格的A*在二维下能跑到几十毫秒一帧一旦加上时间和速度维度帧率直接掉到个位数完全没法上车实时跑。有个折中思路是先在二维搜路径、再沿路径做一维速度规划这在2000年代初的DARPA挑战赛上就被验证过但效果始终生硬——因为路径和速度本来就是耦合的强行解耦等于逼着车辆走一条次优路线。第二个是动态障碍博弈的缺失。搜索类算法对待动态物的方式基本是剪枝把预测轨迹占用的时空格从搜索空间里扣掉然后搜剩下的通路。这在低速、稀疏场景下能用但只要障碍物密度一高搜索空间就被抠得支离破碎规划器频繁报出无解。而人类驾驶员处理动态障碍的方式是博弈——我减速让你先过还是我加速抢在你前面过去这是一个互相影响的过程搜索算法天然不具备建模这种交互的能力。所以到2016、2017年前后业界基本形成共识几何路径生成只是规划算法最底层的一环真正体现智能的是决策——在复杂交互场景中选择什么行为、何时执行这个行为。搜索类算法的历史使命在L4封闭场景里完成了但在开放道路面前它只是铺垫。2. 模块化规划架构的黄金时代行为决策、路径与速度的分层逻辑2.1 行为决策层为什么有限状态机统治了量产项目这么久在2017到2020这几年量产智驾系统里最核心的规划架构几乎都是分层结构感知输出目标物列表和地图信息行为决策层Behavior Layer决定跟车、变道、超车、停车、绕行这些语义行为运动规划层Motion Planning Layer在选定行为下生成具体轨迹控制层负责跟踪执行。行为决策层最经典的实现是有限状态机FSM加上一些规则打分。FSM的逻辑非常直白当前处于跟车状态如果前车太慢、且旁边车道有空档、且打了转向灯等待超时就迁移到变道状态。状态迁移条件写得明明白白每个状态对应的轨迹生成约束也预先定好。这套方案的优点是可解释性强、调试方便、corner case可控——工程师看到一份事故记录能直接还原出当时状态机处于什么状态、为什么没迁移。这在安全至上的汽车行业是巨大的加分项因为你可以做穷尽测试把所有状态迁移路径枚举出来逐一验证。但它的问题也相当突出状态迁移条件依赖人工手写规则而真实场景的决策边界永远模糊。举例来说前车太慢的阈值到底是一秒钟车距还是两秒钟车距旁边车道有空档的判断标准是什么后车速度比自车快多少仍然算空档这些规则在标定时往往互相打架调了一个又带崩另一个。我记得有个项目里测试团队花了两周时间调变道时机的权重阈值最后发现没法用一组固定参数同时覆盖拥堵工况和通畅工况只能再引入场景识别模块去切参数组——规则越堆越多系统复杂度指数级增长。另一种行为决策方案是基于蒙特卡洛树搜索MCTS或POMDP的规划方法。POMDP在那个时期的研究热度很高因为它数学上最优雅——把感知不确定性没看清对方意图和决策耦合在一起通过信念状态做最优策略求解。但POMDP在真实环境中车规级算力下根本跑不动实时求解研究界用简化近似比如Q-MDP、有限视野Rollout才勉强跑出demo工程上始终没能形成气候。后来OpenAI的ChatGPT火起来之前就有很多学者预测学习型决策会取代FSM但直到2022年之前FSM依然是量产系统的绝对主流——原因很简单在AI还不能证明自己永远不出错之前汽车行业宁可要一个蠢但稳定的决策器。2.2 运动规划层Frenet坐标系和多项式曲线是怎么变成事实标准的如果说行为决策层解决做什么运动规划层解决怎么做。运动规划层是路径规划算法最硬核的部分也是这些年技术迭代最密集的领域。2018年前后一个出自MIT论文的Frenet坐标框架几乎成了行业标配。它的核心思路是以参考线通常是车道中心线或导航路径为基准把车辆的横向偏移d和纵向位置s拆成两个独立的一维问题。在Frenet坐标系里做规划有一个巨大的好处——道路形状带来的非线性被吸收入参考线里规划器只需要在一维或低维空间里生成平滑曲线然后在末端转换回笛卡尔坐标系去控制执行。具体做法是给定起点状态s0, d0, 速度v0, 加速度a0和终点状态s1, d1, v1, a1用五次多项式拟合d关于s的曲线、四次或五次多项式拟合s关于时间的曲线。为什么是五次因为五次多项式可以同时约束位置、速度、加速度六个边界条件产生的曲线曲率连续满足车辆运动学舒适性的基本要求。这一套方案在2018年的Apollo、Autoware和很多车企的自研栈里都能看到区别主要在采样策略——横向上采几个候选目标偏移量、纵向上采几个候选末速度组合出来几十上百条候选轨迹再一一做碰撞检查和代价评估选出最优。这里有一个非常工程化的难点轨迹生成是稠密采样的但代价评估必须高效到能实时跑。常见做法是设置多组权重——偏离参考线的代价、加速度变化率jerk的代价、碰撞距离的代价、变道时机的代价——然后把每条候选轨迹的加权和算出来取最小的一条。权重标定是个无底洞每个场景、每位老司机评价标准都不同有人喜欢变道果断有人喜欢稳字当头最后只能按不同驾驶模式切三套权重参数经济、舒适、运动这也算是一个工程折中方案。2.3 MPC与优化方法的介入从选一条最好的轨迹到直接求解一个最优控制问题多项式采样在低速、简单的场景里很好用但到了高速、连续弯道、强交互场景采样出来的轨迹经常不够好——要么曲率变化不够平滑要么与真实全局路径的偏差过大。业界开始转向另一条技术路线模型预测控制MPC。MPC的思路完全不一样不采样候选轨迹而是把规划问题建模成一个带约束的最优控制问题OCP用数值优化方法直接求解控制量序列。目标函数里可以放跟踪参考路径的偏差、控制量的大小、轨迹的平滑性约束里可以放车辆动力学约束横摆角、侧向加速度极限、避障约束与障碍物的最小距离大于安全阈值、交通规则约束不得压实线等。每帧求解一个短时域比如3秒的优化问题只执行第一个控制量下一帧再求解——这就是滚动时域控制的由来。MPC的好处是轨迹天然满足车辆动力学且约束处理是硬的数学上保证不违反不像采样法要靠碰撞检测去筛选安全性更有保障。坏处是求解稳定性难保证——非线性MPCNMPC用的是序列二次规划SQP或内点法一旦初始值给得不好或者约束太紧求解器可能收敛失败返回无解。工程上为了解决这个问题往往会在MPC外面再套一个运动学可行性检查或者候选轨迹兜底保证优化失败时有退路。用一位德国同行的话说规划器可以写得平庸但绝不允许写得很脆——无解一次就是一次事故。3. 泊车路径规划算法从车库到代客泊车的极限场景进化3.1 低速场景为什么是规划算法最好的练武场如果说高速巡航是规划算法的常规赛那泊车就是极限挑战。泊车场景的速度低一般低于10km/h但空间极其狭窄、约束极其苛刻前后车距可能不到30厘米车位宽度刚过车身宽度一两厘米还要应付立柱、墙根、地锁、消防栓这些乱七八糟的静态障碍。2019年以前市面上的自动泊车基本都是**记忆泊车或半自动泊车思路车先慢速绕场一周超声波雷达和环视摄像头建立车位地图然后系统用混合AHybrid A在低速下搜索一条可行路径。Hybrid A在这个场景下是压倒性的主流选择因为它天然考虑车辆转弯半径生成的路径是开得出来的不会像普通A那样给出一个理论上存在但车辆无论如何也拐不过去的切角路径。Hybrid A*的具体实现我当时也调过核心流程是把泊车空间按0.1到0.2米的网格分辨率栅格化。节点状态是(x, y, yaw, direction)方向有前进和倒车两个挡位。节点扩展不再是上下左右斜对角六个方向而是按转向角范围离散出若干前向和后向的圆弧。启发式函数不止用欧氏距离还结合了无碰撞的Reeds-Shepp曲线长度和支持倒车挡位的混合A* cost做boostrap。这一段写出来只有四行但实际工程里踩坑最多的是这两处栅格分辨率和最小转弯半径的匹配。如果你把分辨率设太大比如0.5米车辆实际能通过的缝隙在栅格上被放大碰撞检查会漏检设太小比如0.05米搜索空间膨胀几十倍帧率扛不住。解决方法是采用栅格碰撞膨胀表 多分辨率倒金字塔——近处高精度、远处低精度一套很朴素的工程技巧但实测能省50%以上的搜索时间。3.2 泊车规划的顶尖形态记忆泊车与代客泊车的路径复用到了2021、2022年泊车规划的标杆从车位内原地揉库升级到了从停车场入口一路开到目标车位。这个功能的学名是AVPAutomated Valet Parking国内厂商喜欢叫记忆泊车或代客泊车。AVP的规划算法不再是一个单独的泊车搜索器而是一整套多层路径规划系统全局层在停车场的高精度地图上用A*或Dijkstra搜出从入口到目标车位的全局参考路径。局部层沿着全局参考路径做Frenet坐标系下的障碍物避让处理乱停的车、行人、对向来车。末端层靠近车位时切换到高精度泊车搜索Hybrid A*或采样优化混合完成最后3到5米的入库动作。这里出现了一个在高速规划里没有的新需求路径复用与重规划。停车场环境虽然半结构化但每天的车位占用情况都不同而且车主可能提前下车。系统需要能记忆一条上次成功泊入的路径在本次泊车起点接近时直接检索复用如果发现路径被障碍物挡住再触发局部重规划。这个记忆-复用-重规划的循环本质上是把规划一次变成了规划一个策略对算法实时性和鲁棒性的要求都高了一个档次。我做过的实际项目中最头疼的AVP难点其实不是算法本身而是定位噪声。停车场GPS信号极差靠轮速计和IMU累积误差越来越大视觉/激光的SLAM特征在空旷车位区往往稀疏。规划算法在定位噪声下生成不可行轨迹是AVP最常见的鬼影问题。业界后来用车位级定位校正比如识别到固定车位线就重置一次位姿来兜底规划侧则引入鲁棒优化的概念——不要规划一条贴着极限边界的路径而是故意留出更高的安全余量哪怕定位偏了10厘米轨迹依然是可执行的。这是一个典型的算法让位于系统鲁棒性的工程气质论文里很少提但量产时极为关键。4. 2020年的转折基于学习的规划算法从论文走向实车4.1 模仿学习和强化学习谁先突破了规则写不完的天花板到了2020年前后一套矛盾变得尖锐L2和L3的量产渗透率在提升corner case的收敛速度跟不上路测里程的增长。一个500人的算法团队可能有200人天天在写决策规则、补状态机迁移条件但仍然会有新的诡异场景让系统措手不及。业界对规则写不完的焦虑驱动了基于学习的方法从学术示范走向工程尝试。**模仿学习IL**是第一个被认真考虑的方向。思路极其直观采集大量人类驾驶员的数据方向盘转角、油门刹车踏板用监督学习训练一个神经网络输入是感知特征摄像头图像、障碍物信息、地图输出是驾驶动作或轨迹点。2016年NVIDIA的DAVE-2系统已经证明了端到端模仿学习的可行性在高速上开了一段路但那个demo明显过拟合训练环境换个路况就翻车。这给行业留下了端到端不够安全的长期后遗症。到了2020年模仿学习的实践形态进化成了**条件模仿学习或分层模仿学习**——不是直接学图像到方向盘而是学感知到语义决策、再生成轨迹的中间层。比如把行为决策转化为一个多分类任务跟车、变道、停车等然后让运动规划层去解一个带约束条件的优化问题。这样学的只是决策这一层运动层仍然用传统的优化方法保证安全。这算是一个折中但它让规划系统首次拥有了数据驱动决策的能力——人类司机见过的场景越多决策层的泛化能力就越强。强化学习RL比模仿学习更难落地但学术界一直火热。RL的核心是让算法在仿真环境里试错通过奖励函数学到策略。奖励函数的设计是一门玄学给安全到达终点一个正奖励、给碰撞一个负奖励然后还有一个奇怪的现象——学出来的策略常常学会钻空子比如利用仿真器的物理bug去蹭着墙走。我记得有研究者分享过RL训练出来的变道策略在仿真里成绩极好但拿到实车上发现它会做先猛加速再猛打方向的激进操作——因为仿真里轮胎摩擦模型不准它钻了物理模拟的空子。从那以后业界对RL的落地变得谨慎普遍认为RL更适合做决策层的数据增强比如用RL在仿真里生成训练数据供模仿学习用而不是直接作为车上的实时规划器。4.2 神经网络轨迹预测与规划耦合交互博弈开始被显式建模2021年之后一个显著的进步是预测模块和规划模块开始耦合。过去预测和规划是串行管道预测模块输出每个障碍物未来3到5秒的轨迹规划模块把这些预测当作已知条件去做避让。问题在于预测轨迹是独立于自车决策产生的但真实世界中障碍物的行为依赖于自车行为——你踩油门加速旁边的车可能就让你过了你减速它可能就并过来。这种交互依赖在管道式架构里被彻底忽略了。行业开始尝试联合建模交互博弈。代表性工作包括Game-theoretic planning把自车和周围车辆建模为博弈参与者求解纳什均衡或Stackelberg均衡。这能产生非常自然的交互行为比如我知道你知道我会让行但计算量爆炸工程上只能用于非常有限的场景抽象。Neural prediction planning joint training把预测网络和规划网络放在同一个损失函数下训练让预测模块感知自车规划意图同时规划模块反过来知道预测模块对自车行为的响应。这是端到端模型的前身之一。Occupancy flow / occupancy prediction不做目标级轨迹预测而是直接预测未来一段时间内的占据栅格分布。好处是不依赖目标检测和跟踪的质量天然对未分类障碍物比如掉落的纸箱、施工锥桶有鲁棒性。2022年前后不少公司例如Waymo、英伟达都发布了基于占据栅格的联合规划方案这成了端到端规划浪潮的技术地基。我在2022年参与过一个项目用占据栅格替代目标级预测作为规划器的输入效果非常震撼——过去系统因为检测漏检导致规划器看不见障碍物的问题大幅减少代价是占据栅格的预测偶尔会糊比如把运动的人预测成一大片模糊概率导致规划器过度保守频繁刹车。这个坑后来用占据栅格目标级预测双通道融合解决算是一次很典型的理想化技术遭遇现实后返璞归真。5. 端到端大模型的冲击2023–2025的范式震荡5.1 从模块化到端到端不可阻挡但争议巨大的技术跃迁2023年ChatGPT爆火之后整个智能驾驶行业都开始问一个问题大模型能不能直接开车端到端规划算法的激进版本是直接把传感器原始数据图像、激光点云输入一个巨大的神经网络输出直接是控制指令或轨迹点中间没有任何显式的模块划分。这在2023年之前只存在于学术demo里到了2024年已经有多家车企和供应商发布了基于端到端大模型的城区智驾方案。端到端路线的核心卖点是**感知-预测-规划联合优化**过去每个模块都有误差误差在管道里逐级放大比如感知框偏移5厘米预测跟着偏规划再在此基础上算距离最终可能偏出30厘米端到端把所有模块合成一个可微分计算图用一个统一的任务损失来训练梯度可以同时优化感知特征提取和规划决策整体误差远小于逐级传递的管道式系统。但端到端也带来了三个麻烦第一个是可解释性丧失。如果一辆端到端车在高速上突然来个急打方向工程师很难回答为什么它会这么做——它不像规则系统那样能定位到某一条trigger逻辑。这不仅是调试问题还是监管问题在安全审查时你需要证明系统不会做出某种危险行为而神经网络没法提供数学上完备的证明。第二个是数据饥渴。端到端模型要吃海量数据而且必须是高质量、有标注、分布覆盖广的数据。现实中很多数据是大量简单场景的重复比如一路跟车rare corner case的数据凤毛麟角。不少团队的做法是用仿真引擎生成海量对抗场景来补但仿真数据与真实数据的domain gap会引入新的偏见。第三个是安全兜底。即便端到端模型再强大业界目前共识是车上仍然要保留一个独立的、基于规则的安全层或监督层实时检查端到端输出的轨迹是否安全一旦异常立刻接管。这个安全层往往是规则驱动的、简单到能被形式化验证的状态机——看起来很落后但它是L3以上责任划分的底气。5.2 规划算法的评估体系转型从Open-loop到Closed-loop从指标到体验规划算法的十年演进里评估方式的变化是容易被忽视但影响深远的一环。2015到2018年评估基本是Open-loop的采集一段真实路测数据把感知结果喂给规划器看它在离线环境下的决策是否合理、轨迹是否平滑、是否碰撞。Open-loop的缺陷是致命的——它评估的是规划器在给定历史信息下的即时反应但规划器的动作本会改变未来比如它变道了后面的车可能减速让出空间离线评估完全没法模拟这种闭环反馈。所以很多在离线评估里表现优秀的轨迹放到实车上却惨不忍睹。2018到2021年行业开始大规模投资Closed-loop仿真。早期用CARLA、SUMO这些学术仿真器后来头部公司都自建了高保真场景引擎——传感器仿真、交通流模型、物理引擎一应俱全。规划算法在仿真环境里可以大量跑回归测试把一个Corner Case场景参数化障碍物速度、距离、天气、光照批量生成几百个变体看算法能否全部稳定通过。这是规划算法从demo能用走向量产可靠的关键基础设施。2022年之后评估体系又引入了**接管率和驾驶风格体验**这两个维度的指标。接管率本质上是衡量规划器让人类驾驶员失去信心的频率——如果算法频繁做紧急刹车、变道犹豫不决接管率就会飙升哪怕它在统计学上是安全的。驾驶风格体验则是找一批评价员给算法打分跟车是否舒适、变道是否果断、减速是否线性。这些东西听起来很玄学但2023年以来各家在公开评测和媒体试驾里卷的就是这个维度——毕竟老百姓坐车不会看你的MPC目标函数只会感受这车开得稳不稳、聪明不聪明。从工程实践看我强烈建议每一个做规划算法的人都要花时间搭建或者至少使用一套**场景复现参数扫描的仿真回归工具链**。哪怕只是把过去的300个失败场景自动喂给新算法也比看十个精心设计的Demo有意义得多。接触过的很多团队算法水平其实不差差的就是把算法放到几千个场景下去磨的工程耐心。6. 空天地协同规划算法从智能驾驶外溢到多域场景6.1 救援路径规划算法同一个核心完全不同的约束智能驾驶规划算法的演进其实带动了一整个路径规划算法技术栈的溢出效应。最典型的就是救援路径规划。你可能觉得这和自动驾驶八竿子打不着但核心的搜索-采样-优化框架在逻辑上是同构的。救援路径规划的特殊性在于目标函数完全不同自动驾驶目标是安全、舒适、高效救援路径的目标是最短时间到达绕过次生灾害风险。而且救援场景的约束往往是动态的火灾蔓延区域随时间扩大洪水水位随时间上涨道路坍塌状态随时可能变化。这意味着规划器不能只做一次静态规划而是要持续滚动重规划还要预测风险区域随时间的演变。这个能力模型在老一代搜索算法里几乎不存在近几年引入的Occupancy flow理念预测未来时空占据反而成了救援路径规划的天然契合点——只不过占据的物体从车变成了火或水。还有一个有趣的交叉是异构救援平台的协同规划无人机先进入灾区侦察、地面机器人跟进入内搜索、无人车沿路径运输物资。这种多平台协作本质上是一个多智能体路径规划问题MAPF自动驾驶领域在此前处理车与车的博弈时积累的交互建模经验直接迁移到无人机与地面机器人的空域避让里非常有效。我见过一个校园级的搜救demo用的就是从自动驾驶采样优化框架改过来的空地协同规划器效果出奇地好。6.2 无人机路径规划算法从密集城市到未知地形技术栈的平移与变形无人机路径规划在技术栈上和自动驾驶有很强的亲缘性但维度不同——多了Z轴少了地面结构化约束。2015年前后无人机路径规划还停留在3D A*和PRM采样而今天的消费级和行业级无人机已经用上了和自动驾驶同源的优化方法。高速无人机路径规划的难点主要是强机动性带来的动力学约束不可忽略固定翼甚至不能像四旋翼那样原地悬停转向。规划算法必须在动力学可达域和避障空间之间做联合优化这比自动驾驶的道路语义约束更纯粹、也更几何。2024年出现的那些能穿树林、钻桥洞的无人机竞速demo背后的核心就是把MPC和感知预测融合用机载视觉实时重建环境并在毫秒级的时域内求解轨迹优化。此外无人机的全局规划和局部重规划的切换频率远高于自动驾驶。自动驾驶L2级可能10秒才需要重规划一次全局路径而无人机穿林可能需要每秒重规划数次。这直接推动了轻量级RRT*这类在线采样算法的重生——它们不需要精确地图只靠机载传感器局部感知就能实时生长路径。这也反向给自动驾驶提了个醒规划算法的重规划频率应该根据场景动态调整而不是固定死一个周期。7. 回望十年规划算法还剩下的关键挑战写到这里回看2015到2025这十年规划算法完成了从规则的堆砌到数据驱动大模型的轮换。但有几个挑战依然在甚至越往后越尖锐。第一个是长尾场景的泛化。无论是规则还是学习型规划器遇到真正没见过的场景都会心虚。特斯拉FSD V12的端到端在社交媒体的Demo惊艳但民间测试里那种对着停车场出口的石柱子突然不知所措的情况也时有发生。本质原因是哪怕模型再大、数据再多物理世界的长尾是无穷的你永远无法遍历所有可能。第二个是安全保证的形式化。当规则时代可以用状态机穷举来近似证明安全时学习型系统拿不出同样的数学保证。安全层用规则写的与决策层用学习写的如何划分权责是L3法规落地前绕不开的争论。我个人猜测未来若干年会是学习主决策、规则主安全的混合架构长期存在不可能也不应该让端到端模型完全裸奔在车上。第三个是算力和能耗的约束。规划算法从规则搜索到优化求解器再到神经网络推理算力需求提升了至少两个数量级。车载芯片的功耗墙摆在那里算法模型的tuning需要持续考虑多少MIPS能换来多少安全性的提升。端到端大模型的参数动辄几十亿在车端实时推理仍然吃紧这就催生了模型蒸馏、量化、稀疏化这些工程方向——它们听起来远不如大模型开车炫酷但它们才是决定量产落地速度的胜负手。作为一个在智能驾驶规划算法里摸爬滚打的从业者我的体会是技术演进的大方向谁都猜得到但真正拉开差距的永远是对安全、舒适、效率这三个目标函数的理解和平衡功力。这十年里的每一代算法都是被现实逼着走的——不是哪个算法天生更好而是旧算法解决不了新场景带来的问题。未来还会有什么新场景冒出来说不好但规划算法的核心方法论——搜索、采样、优化、学习——这套工具箱已经足够丰富谁能组合得最好、在现实里打磨得最稳谁就能在这个行业里活得最久。