潜在场方法(Potential Field Method)是自动驾驶路径规划领域的一种经典算法，其核心思想是将环境建模为虚拟力场，目标点产生吸引力而障碍物产生排斥力。该方法将车辆所处的环境抽象为一个连续的能量场，目标的引力场和障碍物的斥力场叠加形成合力场，车辆沿着势能下降的方向即可实现避障导航。这种基于物理力学的建模方式在数学上表现为梯度下降法的应用，计算效率较高且易于实现实时控制。
在自动驾驶实际应用中，潜在场方法特别适合结构化道路环境下的局部路径规划。其优势在于算法响应速度快、计算资源占用少，能够有效处理动态障碍物避让场景。特斯拉早期自动驾驶系统就曾采用改进型势场算法进行紧急避障决策。但该方法也存在局部极小值问题和震荡现象等局限性，现代自动驾驶系统往往将其与其他规划算法结合使用，如与A*算法配合实现全局路径优化。近年来，基于深度学习的混合势场方法正在成为研究热点，通过神经网络学习更精确的力场参数。