规划（Planning）算法详解：让 AI 学会像人类一样思考步骤
关键词
AI规划、STRIPS、PDDL、启发式搜索、蒙特卡洛树搜索、任务规划、运动规划、分层强化学习
摘要
当你计划周末从家到迪士尼乐园的行程——先查天气预报选晴天、订合适时间的高铁票、约好同行伙伴、整理行李清单、规划乐园内的游玩路线（避开热门项目高峰先玩创·光年，再刷飞跃地平线），甚至提前备份证件照片——你正在进行一场复杂但无意识的人类专属规划活动：将模糊的大目标（迪士尼一日游）分解为可执行的小步骤（查天气→订票→约人→收拾→游玩），考虑外部约束（高铁余票、乐园人流、天气预报），预测每步后果（创·光年在上午10点前排队只需15分钟，下午则需2小时），最终选出最优路径。
那么，如何让机器（AI）也具备这种能力？这就是规划算法（Planning Algorithms）要解决的核心问题——在给定的状态空间（State Space）、动作空间（Action Space）、目标条件（Goal Condition）和约束条件（Constraint Condition）下，自动生成从初始状态（Initial State）到目标状态的动作序列（Action Sequence），并尽可能满足最优性、鲁棒性等要求。
本文将从人类规划的本质切入，带你一步步拆解规划算法的核心概念、经典框架（STRIPS/PDDL）、核心技术路线（经典状态空间规划、分层规划、概率规划、结合学习的规划）、实用算法（Dijkstra、A*、RRT、蒙特卡洛树搜索MCTS），并通过「迪士尼乐园机器人导游路线规划」「仓库AGV自动取货任务规划」「无人机灾后搜救路径+动作规划」三个真实场景项目，手把手教你如何搭建、训练、优化规划系统。最后，我们还会探讨规划算法与大语言模型（LLM）、机器人学的结合趋势，以及未来面临的挑战与机遇。
1. 背景介绍：从人类“周末迪士尼计划”看AI规划的必要性与挑战
1.1 问题背景：为什么AI需要规划能力？
1.1.1 人类规划的本质：“假设-验证-迭代-执行”的闭环
我们不妨先把刚才的“周末迪士尼计划”拆解成更科学的模型——这其实是认知科学中人类问题解决模型（Human Problem Solving Model）的典型应用，由纽厄尔（Newell）和西蒙（Simon）在1972年提出：
- 问题表征（Problem Representation）：将模糊的“迪士尼玩得开心”转化为可量化的目标状态（比如“一天内刷完8个必玩项目，排队总时长不超过3小时，中午在乐园餐厅吃到网红火鸡腿套餐”），以及可观察的初始状态（比如“当前时间周五晚8点，高铁余票充足的时间是周六早7点、8点，周日早7点，我的身份证在钱包里，火鸡腿套餐在宝藏湾巴波萨烧烤供应时间为11:00-14:00”）。
- 算子搜索（Operator Search）：算子就是人类的“可执行动作”——查天气、订高铁、约人、收拾行李、打车去高铁站、坐高铁到上海虹桥、坐地铁11号线到迪士尼、安检入园、下载迪士尼度假区APP、看项目实时排队、走快速通道预约、排队、玩项目、吃饭等。我们需要从这些算子中找出一个序列，把初始状态一步步推到目标状态。
- 约束满足（Constraint Satisfaction）：比如身份证必须在入园
