一句话定义：运动规划（Motion Planning）是让一个会动的东西——机械臂、机器人、无人机、甚至游戏里的角色——在躲开障碍物的前提下，从起点走到终点的计算过程。
难点在哪？不是"找到一条路"，而是"在无数种走法里找一条能用的"。客厅里从沙发走到厨房，人眼一扫就知道怎么绕，因为大脑同时处理了两件事：哪儿不能去（障碍），以及走起来顺不顺（代价）。机器没有这种直觉，只能靠算法搜。
流派一：采样式（Sampling-based），代表是 RRT
RRT（Rapidly-exploring Random Tree，快速扩展随机树）的思路非常朴素：在空间里随机撒点，每次都试着从当前位置朝一个新随机点迈一步，迈得通就留下这根"树枝"，迈不过去就换一个点。反复撒，树越长越密，直到有一根枝桠碰到终点。它的升级版 RRT* 还会不断回头修正路径，让它越来越短。
打个比方：把一个醉汉扔进迷宫，他随机乱撞，撞到墙就换方向，撞着撞着摸到了出口。听起来蠢，但胜在不需要事先知道迷宫长什么样。
采样式的特点是：在高维空间里依然能跑（机械臂动辄六七个关节，维度一高，传统网格法直接爆炸），而且只要有解，理论上总能找到。代价是路径往往歪歪扭扭、不光滑，每次跑出来的结果还不一样。
流派二：优化式（Trajectory Optimization），代表是轨迹优化
轨迹优化换了个思路：先给一条粗糙的初始路径（哪怕是从直线硬拉出来的），然后把它当成一个数学最优化问题——目标函数里同时塞进"离障碍物越远越好""加速度别太猛""别离参考线太偏"，用梯度下降之类的方法反复迭代，把整条轨迹"熨平"。
比方：不是让醉汉瞎撞，而是先画一条歪线，然后像拉橡皮筋一样，一边被障碍物推着，一边被光滑性拽着，反复调整到既安全又顺滑。
优化式的特点是：给出的轨迹质量高，速度、加速度连续，可以直接喂给控制器执行；缺点是依赖好的初值，初值太烂容易卡在局部最优，甚至撞进障碍里出不来。
| 维度 | 采样式（RRT 系） | 优化式（轨迹优化） |
|---|---|---|
| 核心动作 | 随机撒点、逐步生长 | 给定初值、迭代下降 |
| 高维表现 | 好 | 视问题规模而定 |
| 路径质量 | 一般，偏曲折 | 好，光滑连续 |
| 结果稳定性 | 每次不同 | 初值相同则基本一致 |
| 典型场景 | 机械臂避障、狭窄通道探索 | 自动驾驶换道、无人机穿越、机械臂抓取 |
| 主要风险 | 收敛慢、路径丑 | 陷入局部最优 |
和相邻概念的区别
容易和"路径规划（Path Planning）"混。简单说：路径规划只管几何上的"走哪儿"，输出一串坐标点；运动规划还要管"怎么走"——速度多快、什么时候加速减速，输出带时间信息的轨迹。另外，运动规划也不同于"避障（Obstacle Avoidance）"，后者通常指跑起来之后临时躲一下突然出现的东西，是局部的、短视的；运动规划是把全局路线一次性算清楚。
对从业者和普通人的意义
对做机器人、自动驾驶的工程师来说，这两派不是二选一，工程上常见的是先采样找一条可行解，再用优化把它磨光——就像先用醉汉摸出出口，再请个裁缝把路线修整齐。理解这个"先可行、后最优"的分工，比记住某个算法的细节更有用。
对普通人来说，这套思路其实随处可见：导航软件先给你一条能走的路，再根据拥堵和红绿灯不断微调；仓库里的搬运机器人也是这么在货架间穿行的。机器不会"看路"，它只是把"从哪走到哪"翻译成了一道数学题——而运动规划，就是这道题的解法。
具体算法的参数设置与适用边界，各框架文档写得比这里细致，以官方页面为准。