先解決定義問題。名詞定義不重要，但是我們有必要了解它們可能涉及機器人研究中的哪些工作。
路徑規劃 ，規劃的就是路徑，也即機器人運動到目標點的空間路線，它規劃的結果往往是不包含速度、時間資訊的，也即 \theta(s)(0\leq s\leq1) ，解決的是可達性的問題。
軌跡規劃 ，規劃的就是軌跡，也即動點在空間的位置隨時間連續變化而形成的曲線，它規劃的結果是機器人關節角度隨時間變化的關系，也即 \theta(t) (t_{min} \leq t \leq t_{max}) ，解決的是與時間、速度等微分約束相關的問題。
運動規劃 ，可以認為是更加寬泛的概念，它規劃的結果是讓機器人實作某種約束目標的動作（motion），這些動作既可以是離散的空間路徑點 {\theta_1, \theta_2, ..., \theta_n} ，也可以是一個連續的空間路徑 \theta(s) ，又可以是帶有時間資訊的空間軌跡 \theta(t) ，甚至可以是機器人底層的控制資訊 u(t) ，或者是某種控制策略。
再解決這些工作之間的關系問題。
機器人底層控制最終需要的就是一堆電流控制指令，所以，不管是什麽任務，最終都需要轉譯成每個電機的控制指令。但是，由於不同任務的硬件平台、任務需求、約束不同，所以，可能會不同層次地將任務進行分解。
對於最簡單的任務，只要求機器人從 A 運動到 B，中間避開障礙物，而不用考慮運動時間等問題。這時候，基本上規劃部份只需要進行路徑規劃即可：規劃器輸出一條幾何路徑 \theta(s) ，發送給機器人控制器，機器人控制器自行進行路徑點之間的軌跡插補（如 T型速度曲線、樣條插值等），計算得到 \theta(t) ，並透過 PID 之類的閉環控制演算法轉換電機控制指令，控制機器人完成任務。
例如，之前的一個回答，要求機器人運動的時候避開相機視野區域，就是這樣的問題：
另一方面，不同任務，即使在其空間路徑相同的情況下，也可能對軌跡有不同的要求。例如，有些任務要求機器人的運動時間最短，有些任務要求機器人的運動節拍固定，有些任務要求機器人的末端勻速運動。甚至是，從運動平穩性考慮，需要規劃出速度、加速度、甚至是加加速度連續的軌跡。
對於這類任務，僅做路徑規劃就無法滿足要求，往往需要路徑規劃與軌跡規劃相結合。對於這類任務，可以先進行路徑規劃，獲得滿足任務的空間路徑，之後再進行軌跡插補，獲得需要的軌跡後，透過即時通訊的方式，將軌跡發送給機器人控制器，透過閉環控制，得到電機控制指令。
下面的影片是相同的路徑，但是不同的軌跡規劃結果。分別是時間最優、節拍固定和末端勻速的軌跡：
但是，如果機器人的運動軌跡需要滿足某種動力學約束，那麽，往往需要規劃器直接計算出符合約束的軌跡，而不是分為路徑規劃和軌跡插補兩部份。
例如，之前釋出的一篇文章，介紹如何透過運動規劃實作機械臂高速搬運液體：
對於某些任務，規劃的時候，環境的狀態不完全可觀，或者說環境可能發生變化。這時候，需要的是某種運動策略，輸入當前的環境與機器人狀態 s，輸出當前時刻的控制指令 u。很多強化學習的工作，其實就是在做這類工作，透過 DRL 去學習不同狀態下的控制策略。
所有上面這些場景，都可以是運動規劃的範疇。
