轨迹规划是指一系列用于确定智能体（如机器人、自动驾驶车辆、无人机等）在遵循障碍、动力学和物理定律等多种约束条件下，从起点到达目标点所应采取的最优或可行路径的方法和算法。这一过程不仅需要预测环境变化、处理不确定性，还需保证运动的物理可行性。与简单的导航相比，轨迹规划不仅涉及路径生成，还包括动态适应性和与智能体实际能力的兼容性，是各类自主系统和机器人技术的核心。

应用场景与举例

轨迹规划广泛用于指导工业机器人完成复杂操作、支持自动驾驶车辆在城市环境中安全行驶，以及无人机在巡检任务中的协同运动。此外，它还应用于虚拟动画、机器人辅助手术和自动化物流等领域。

例如，工业焊接机器人通过轨迹规划算法让机械臂在组件周围无碰撞运动；自动驾驶汽车则利用这些算法预测避障动作并优化行驶路线。

主要软件工具、库和框架

常用的开源工具和库包括：MoveIt!（机器人）、OMPL（Open Motion Planning Library）、ROS Navigation Stack（移动机器人）、TrajOpt（轨迹优化）、Drake和Tesseract。这些框架涵盖了从简单（A*、Dijkstra）到高级（RRT*、PRM、非线性优化）不同层次的算法。

最新进展与发展趋势

当前趋势包括将机器学习用于动态障碍物运动预测、利用混合算法实现实时优化，以及处理环境感知不确定性。工具间的互操作性、自动化配置和适应更复杂动态环境的能力，特别是在城市自动驾驶与协作机器人领域，已成为演进的重点。