規劃（Planning）

核心概念

規劃的核心概念圍繞著目標、行動、狀態和規劃器。

• 目標 (Goal): 規劃的目的是達到一個或多個目標。目標描述了系統希望達到的理想狀態。例如，在機器人導航中，目標可以是到達某個特定的位置。
• 行動 (Action): 行動是系統可以執行的操作。每個行動都有其前提條件和效果。前提條件描述了行動可以執行的狀態，效果描述了行動執行後狀態的變化。例如，機器人可以執行“前進”、“左轉”、“右轉”等行動。
• 狀態 (State): 狀態描述了系統和環境的當前情況。狀態包含了所有相關的信息，例如機器人的位置、物體的位置、環境的溫度等。狀態是規劃的基礎，規劃器需要根據當前狀態和目標，選擇最佳的行動序列。
• 規劃器 (Planner): 規劃器是規劃系統的核心組件。它負責搜索行動空間，找到一個能夠從初始狀態到達目標狀態的行動序列。規劃器可以使用不同的搜索算法，例如A*算法、貪婪搜索、深度優先搜索等。

運作原理

規劃的運作原理可以概括為以下幾個步驟：

1. 問題定義: 首先需要明確定義規劃問題，包括初始狀態、目標狀態和可用的行動。問題定義的準確性直接影響規劃的結果。
2. 狀態空間搜索: 規劃器在狀態空間中搜索，尋找從初始狀態到目標狀態的路徑。狀態空間是指所有可能的狀態的集合。由於狀態空間通常非常大，因此需要使用高效的搜索算法。
3. 行動選擇: 在搜索過程中，規劃器需要選擇下一步要執行的行動。行動的選擇需要考慮到行動的前提條件、效果和成本。規劃器通常會使用啟發式函數來評估不同行動的優劣。
4. 路徑評估: 規劃器需要評估找到的路徑的質量。路徑的質量可以通過多種指標來衡量，例如路徑的長度、執行時間、成本等。規劃器通常會選擇質量最高的路徑。
5. 計劃執行: 找到最佳路徑後，規劃器將其轉換為可執行的計劃。計劃是一系列行動的序列，系統按照計劃的順序執行行動，直到達到目標狀態。

實際應用

規劃技術廣泛應用於各種領域。

• 機器人: 機器人規劃用於控制機器人的運動，例如導航、抓取、裝配等。機器人需要根據環境的變化和任務的要求，自動生成行動計劃。
• 遊戲: 遊戲中的AI角色可以使用規劃技術來制定策略，例如攻擊、防禦、探索等。規劃可以使AI角色更加智能和具有挑戰性。
• 自動駕駛: 自動駕駛汽車需要使用規劃技術來規劃行駛路線，例如變道、超車、避讓行人等。規劃需要考慮到交通規則、路況信息和車輛自身狀態。
• 任務調度: 任務調度是指將任務分配給不同的資源，並安排任務的執行順序。規劃技術可以用於優化任務調度，提高資源利用率和效率。
• 流程自動化: 規劃技術可以用於自動化業務流程，例如訂單處理、客戶服務等。規劃可以使流程更加高效和靈活。
• 太空探索: 太空探測器可以使用規劃技術來規劃探測路線，例如選擇探測地點、安排探測任務等。規劃需要考慮到能源限制、通信限制和環境風險。

常見誤區

• 規劃是萬能的： 規劃並非萬能的。在複雜的環境中，規劃可能會遇到困難，例如狀態空間爆炸、不確定性等。因此，需要結合其他技術，例如感知、學習等，才能構建更強大的自主系統。
• 規劃只需要找到一個可行的計劃： 實際上，規劃不僅需要找到一個可行的計劃，還需要找到最佳的計劃。最佳計劃可以通過多種指標來衡量，例如執行時間、成本、風險等。因此，需要使用高效的搜索算法和啟發式函數。
• 規劃是離線的： 傳統的規劃方法通常是離線的，即在執行計劃之前，先生成完整的計劃。然而，在動態的環境中，離線規劃可能會失效。因此，需要使用在線規劃方法，即在執行計劃的同時，不斷更新計劃。
• 規劃不需要考慮不確定性： 實際環境中存在很多不確定性，例如感測器噪聲、執行器誤差等。規劃需要考慮這些不確定性，才能生成更魯棒的計劃。可以使用概率規劃方法來處理不確定性。
• 規劃的複雜度與問題規模無關： 規劃的複雜度通常隨著問題規模的增大而指數級增長。因此，需要使用高效的算法和數據結構，才能處理大規模的規劃問題。例如，可以使用分層規劃、抽象規劃等方法來降低問題的複雜度。