下面我从“算法本身的范式迁移”和“算法如何在可部署系统里落地”两条主线，系统梳理 机器人算法十年演进（2015→2025）。你前面一直关注平台化/监控/诊断/回归门禁，我会把“算法十年演进”明确落到：为什么今天算法不再是“单点SOTA”，而是“算法+数据+闭环治理”的综合体。

我会按 A. 三段式范式迁移 → B. 七大算法族群演进 → C. 2026–2030确定性趋势 来讲。

---

A) 十年三段式范式迁移：几何/模型 → 学习增强 → 基础模型与系统闭环

第一段（2015–2018）：几何与模型主导（可解释、可控）

关键词：SLAM图优化、采样规划、分层控制、手工特征/规则

• 定位：VIO/激光SLAM在图优化与鲁棒前端上成熟化
• 规划：A* / D* / PRM / RRT* / DWA / TEB 等成为工程主力
• 控制：PID、Pure Pursuit、LQR 等经典方法为主
• 学习：主要出现在视觉感知（检测/分割）与少量策略学习demo

局限：对长尾环境变化脆弱；大量工程调参；复现与迭代慢。

---

第二段（2019–2021）：学习上位（从感知扩展到估计与决策）

关键词：深度感知、学习特征、模仿/强化学习、sim2real、融合鲁棒性

• 感知：深度模型成为主力，3D检测/跟踪/BEV等体系成型
• 估计：学习进入 VO/VIO 前端与匹配，融合架构（学习+优化）成主流
• 决策：模仿学习与RL开始在导航、抓取、足式控制等领域可见成果
• sim2real：域随机化、合成数据、并行仿真推动训练规模

局限：真实场景的可靠性、可解释性和故障诊断仍是痛点；数据闭环不成熟。

---

第三段（2022–2025）：基础模型与“可用性指标”上位（算法进入治理语境）

关键词：多模态基础模型、开放词表、生成式、风险/不确定性、replay与回归门禁

• 感知：开放词表/可提示分割检测出现；占据与风险表征兴起
• 估计：不确定性（协方差/置信度）成为核心输出，直接服务规控与安全
• 规控：学习更多作为“启发式/候选/预测”，约束优化+安全层保底成为可部署主形态
• 训练与评测：线上事故→replay→场景库→仿真回归→门禁，成为降低复发率的关键机制
• 运营指标成为算法指标：P99延迟、恢复时间、自恢复率、人工介入率、near-miss率

分水岭

算法从“追平均性能”转向“追稳定性、可恢复性、可治理性”。

---

B) 七大算法族群：十年演进脉络

1) 感知算法：从封闭分类到开放世界与风险表征

2015

• 传统视觉+早期CNN检测/分割
• 3D多靠点云聚类+几何

2020

• 深度检测/分割成熟；LiDAR 3D检测与多目标跟踪体系化
• 多传感融合感知成为标配（camera+lidar+radar）

2025

• Occupancy/风险地图：感知输出直接为规划服务
• 开放词表/多模态：更灵活扩展新目标
• 不确定性输出：置信度、误差分布用于降级与安全策略

落地关键：感知不再只输出“框”，而输出“可决策的风险表征”。

---

2) 定位/SLAM算法：从几何最优到可靠可控

2015

• VIO/LiDAR-SLAM以优化为主，回环与重定位逐渐成熟

2020

• LIO（LiDAR+IMU）、多源融合成为工程主干
• 地图定位产品化、站点复制需求推动地图管理

2025

• pose + covariance + degradation_reason 成为定位服务的标准输出
• 在线监测：外参漂移/时间漂移/数据质量
• 自动恢复：重定位、降级、切换传感器权重

落地关键：定位是“可治理服务”，不是算法模块。

---

3) 规划算法：从路径规划到系统级交通治理

2015

• 栅格 A*/D*，采样RRT*，局部DWA/TEB为主
• 多机常靠调度避免冲突

2020

• 轨迹优化更普遍；动态障碍预测开始进入规划
• 多机器人路径规划（MAPF）在部分场景落地

2025

• 规划与“运营策略”强耦合：语义代价、风险代价、站点规则版本化
• 交通管制系统化：路权、预约区、动态禁行、拥堵恢复
• 规划指标从“成功率”转为“吞吐稳定与恢复时间”

落地关键：规划的上限常被“系统交通治理”决定，而非单车算法。

---

4) 控制/MPC算法：从追踪控制到约束+风险+自恢复

2015

• PID、Pure Pursuit、LQR等经典控制为主，少量MPC

2020

• MPC/轨迹优化体系化（求解器成熟），能处理更多约束
• 但仍容易被感知噪声/模型偏差“打穿”

2025

• 风险与不确定性进入约束（机会约束、概率安全）
• **安全护栏层（CBF/安全层）**与主控制并行
• 控制系统强调可诊断：延迟、饱和、跟踪误差分布

落地关键：安全护栏+降级策略与控制同等重要。

---

5) 决策与行为（状态机/行为树/学习策略）：从规则堆到可扩展策略层

2015

• 状态机/规则主导，行为逻辑强耦合

2020

• 行为树（BT）更工程化，策略可复用
• 学习策略开始进入（跟随、让行、避障策略等）

2025

• 学习更多用于“策略选择/启发式”，主执行仍由约束规划控制保障
• 决策层开始语言化/工具化（尤其在任务编排与运维领域）

落地关键：决策层必须可审计、可回滚、可门禁。

---

6) 操作/抓取算法：从几何启发到多模态技能与泛化

2015

• 抓取候选+评分，依赖几何与启发式

2020

• 大规模数据与仿真训练形成技能库

2025

• 触觉+视觉融合，生成式策略与多任务学习
• 强调跨物体/跨任务泛化与安全

---

7) 学习与训练算法（RL/IL/自监督/基础模型）：从“能训”到“能上线”

2015

• RL多为研究demo，自监督刚起步

2020

• sim2real工具链成熟：域随机化、对抗训练、蒸馏

2025

• 基础模型带来开放世界能力，但落地强调：

  • 受护栏约束
  • 以候选生成/检索/辅助为主
  • 通过 replay+回归门禁控制风险

落地关键：训练算法本身不够，必须与数据治理、评测与发布治理绑定。

---

C) 算法落地的“十年最大变化”：算法进入治理闭环（你最关心的部分）

如果说 2015 的算法落地靠“工程师调参”，那么 2025 的算法落地靠“治理系统”：

• 统一上下文：task_id、版本（map/config/policy/software）贯穿
• 证据链：metrics/logs/traces/replay
• 事件模型：incident/event/action（告警可行动）
• replay驱动回归：线上事故→场景库→仿真回归→发布门禁
• progressive delivery：灰度、对照、指标越界自动回滚
• 自愈策略库：降低人工介入率与MTTR

算法能力的上限越来越取决于：你能否把长尾问题变成可回归资产，并持续降低复发率。

---

D) 2026–2030：机器人算法的确定性趋势（前沿但可落地）

1. 不确定性将成为跨模块统一语言：感知/定位输出置信度，规控用概率约束，安全层审计
2. 生成式 + 约束筛选成为常态：生成候选轨迹/策略，MPC/安全层做验证与裁剪
3. 基础模型先吃“任务层与运维层”：规划、诊断、数据标注、策略配置会先落地
4. 多机器人从算法问题变成控制平面问题：交通治理、站点策略、A/B与灰度回滚更关键
5. replay by default：S1/S2事件默认生成复现包；场景库自动扩张
6. 算法评测指标业务化：P99、恢复时间、人工介入率、near-miss成为主指标

---