如今发展到能够同时处理复杂环境和动态任务的阶段。

先从传统算法开始，再者应用较多的算法，最后是开源库。

传统算法的优化与改进

快速搜索随机树（RRT）及其升级版

属于高维空间规划的经典算法 ，通过引入启发式引导和并行计算，效率大幅提升。像RRT*通过渐进优化路径，能找到更短的可行解。

而FCIT*（完全连接知情树）则利用 SIMD 并行技术，去掉了传统 RRT 的最近邻搜索步骤，在保证最优性的同时，初始解生成速度比现有算法快。

Nearest-Neighbourless Asymptotically Optimal Motion Planning with Fully Connected Informed Trees (FCIT*)

A* 算法与混合规划

全局路径规划器 (A*) + 局部实时控制器 (DWA)，属于移动机器人混合规划中最经典、最实用的范式之一。

The dynamic window approach to collision avoidance

基于学习的智能规划

深度强化学习（DRL）与博弈论结合

针对多机器人协作和动态对抗场景，IGT-MPC（隐式博弈论模型预测控制）通过学习博弈论交互结果，指导机器人在竞争或合作中优化策略。

Learning Two-agent Motion Planning Strategies from Generalized Nash Equilibrium for Model Predictive Control

运动基元与安全强化学习

一种混合方法，在不需要复杂系统精确解析模型的前提下，实现复杂任务中的安全、灵巧运动规划。对于动力学约束复杂的任务，例如机器人空气曲棍球，学习规划与运动基元结合的方法，通过黑盒优化生成安全且灵巧的动作。

Bridging the gap between Learning-to-plan, Motion Primitives and Safe Reinforcement Learning

神经 RRT（NRRT）

思路是运动规划Transformer，应用于需要实时性能的场景，用一个统一的神经网络模型直接输出路径，不完全是引导RRT，属于端到端思路：用神经网络完全替代传统规划器。

Motion Planning Transformers: One Model to Plan Them All

多机器人协作与动态环境处理

非对称自博弈强化学习

在多机器人集群导航中，深度强化学习框架，通过模拟机器人与干扰者的对抗，提升系统鲁棒性。

A Deep Reinforcement Learning Approach Using Asymmetric Self-Play for Robust Multi-Robot Flocking

协作定位下的多机器人规划

使用图神经网络来构建多机器人系统，在复杂、大规模的环境中具有可扩展性和良好性能。

Graph Neural Networks for Multi-Robot Active Information Acquisition

开源库和平台

MoveIt! 2：支持混合规划和插件化扩展，已应用在 NASA Robonaut 2 和亚马逊分拣机器人。

OMPL：运动规划算法的集合库，包含多种采样算法，如 RRT*、PRM，可快速集成到工业系统中。