摘要
在静态环境中，经典规划算法能够通过前瞻搜索或符号推理生成最优行动序列。然而，现实世界本质上是非平稳的——传感器噪声、外部干扰、其他智能体的策略突变以及物理定律的局部失效，都会使预计算出的“完美计划”迅速贬值。动态重规划（Dynamic Replanning）机制正是应对这一挑战的核心技术栈。本文系统性地解构了动态重规划的认知闭环，从环境变化感知、变化表征、影响评估到策略修正，逐一剖析其理论基石与工程实现。我们特别关注了2024年至2026年间涌现的新范式，包括基于扩散模型（Diffusion Model）的连续动作重规划、大语言模型（LLM）驱动的符号层意图修正、以及脑启发的预期式重规划（Anticipatory Replanning）架构。通过对比经典方法与现代学习型方法的优劣，结合自动驾驶、机器人操作、多智能体博弈及AI科学研究（AI for Science）中的最新案例，本文揭示了动态重规划从“响应式修补”向“主动式预期”演进的必然趋势，并指出了当前该领域面临的因果推理困境、计算延迟瓶颈与安全对齐挑战。
关键词：动态重规划，自适应决策，模型预测控制，深度强化学习，大语言模型，非平稳环境，鲁棒性
目录
摘要
1. 引言：静态规划的终结与动态适应的觉醒
2. 动态重规划的问题形式化与核心要素
2.1 动态环境的分类学
2.2 重规划的五阶段闭环模型
3. 经典方法的重规划谱系
3.1 基于搜索的增量式重规划：从D到RTAA
3.2 模型预测控制（MPC）：滚动时域的重规划基准
3.3 符号规划中的重规划：基于PDDL的修复与重配置
4. 学习型重规划：深度强化学习与扩散模型的崛起
4.1 深度强化学习的“重规划”隐喻
4.2 扩散模型：连续空间中的并行重规划革命
4.3 基于Transformer的分层重规划：决策Transformer的适应
5. 大语言模型驱动的符号层重规划
5.1 自然语言反馈循环
5.2 世界模型与代码即规划
6. 主动式预期重规划：从响应到预判
6.1 情境感知（Situation Awareness）与备用计划生成
6.2 基于贝叶斯推断的变化预期
7. 多智能体系统中的分布式重规划
7.1 隐式协调与共识恢复
7.2 对抗性重规划：博弈中的意图混淆
8. 前沿挑战与开放性问题
8.1 因果混淆与虚假相关
8.2 重规划的计算税（Computational Tax）
8.3 安全关键场景下的重规划验证
8.4 道德权衡与重规划的价值观对齐
9. 未来展望：走向生命体式的规划适应性
10. 结论
