《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Robust route planning for sidewalk delivery robots
编辑推荐：
本文研究了在动态人行道环境下，配送机器人的鲁棒路径规划问题。针对行人流和障碍物导致的行程时间不确定性，研究人员创新性地将微观行人仿真与鲁棒优化（Robust Optimization, RO）及分布式鲁棒优化（Distributionally Robust Optimization, DRO）方法相结合，内生性地生成了真实的行程时间，并评估了包括基于预算、椭球、支持向量聚类（SVC）和Wasserstein距离的分布式鲁棒最短路径（DRSP）在内的多种不确定性建模方法。研究结果表明，与传统最短路径（SP）方法相比，鲁棒路由策略，特别是椭球和DRSP方法，在可变人行道条件下能显著提升运营可靠性，降低平均和最坏情况下的延迟。该研究为人行道机器人配送提供了一个考虑不确定性的可靠路由框架，为应对密集城市环境的复杂物流挑战提供了有效方案。
在电商井喷式发展和“即时达”成为标配的今天，城市“最后一公里”配送已成为现代物流体系中成本最高、挑战最大的环节。传统车辆配送不仅加剧了城市交通拥堵和碳排放，在人口高度密集的城区也常显得笨拙而低效。于是，一种更小巧、更“亲民”的解决方案走进了我们的视野：人行道配送机器人（Sidewalk Autonomous Delivery Robots, SADRs）。这些形似移动储物箱的小家伙，能以行人的速度穿行于大街小巷，从餐厅、仓库直接抵达消费者的家门口，似乎完美契合了绿色、高效的未来城市物流图景。
然而，理想很丰满，现实却很“堵”。这些机器人虽然速度不快，但它们的工作环境远比封闭的实验室或空旷的马路复杂得多。它们需要与熙熙攘攘的行人共享有限的人行道空间，躲避随时可能出现的临时障碍物，还要应对天气变化带来的影响。研究表明，SADRs甚至有高达30%的行驶时间是在等待避让行人。所有这些动态因素使得机器人的实际行程时间充满了不确定性，而传统的路径规划方法（如基于固定距离或静态时间的最短路径算法）往往对此视而不见，导致规划出的“最优”路线在实际中可能遭遇严重延误，效率大打折扣。为了让人行道机器人真正成为可靠、高效的物流生力军，一个核心问题亟待解决：如何在充满不确定性的动态人行道环境中，为机器人规划出一条既高效又可靠的行驶路径？
为了攻克这一难题，来自瑞典皇家理工学院（KTH）的Xing Tong和Michele D. Simoni在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》上发表了一项开创性研究。他们不再将机器人的行程时间视为一个固定或简单随机的数值，而是提出了一个“仿真-优化”一体化框架，首次将鲁棒路径规划与高保真的微观行人仿真深度结合，让人行道上的真实“路况”成为路径决策的核心依据。
研究人员是如何开展这项研究的？
首先，他们利用微观行人仿真技术，在虚拟环境中精细复现了机器人、行人和障碍物之间的交互过程。通过大量仿真实验，内生性地生成了多组反映不同拥堵程度和障碍场景的机器人行程时间数据。这些数据真实捕捉了动态环境对机器人速度的影响，构成了后续优化分析的基础。接着，研究团队系统评估了四种前沿的鲁棒优化方法来处理这些不确定性数据：
- 1.
预算不确定性（Budgeted Uncertainty）：一种经典方法，限制路径上最多有Γ条边的行程时间可以取最大值，其余取最小值，通过调整Γ来控制保守程度。
- 2.
椭球不确定性（Ellipsoidal Uncertainty）：假设行程时间数据服从多元正态分布，构造一个椭球形的集合来包含大部分可能情况，通过参数λ控制椭球大小。
- 3.
核支持向量聚类不确定性（Kernel-based SVC Uncertainty）：一种数据驱动方法，利用支持向量聚类（Support Vector Clustering, SVC）机器学习算法，直接从数据中学习出复杂（可能不对称）的不确定性集合边界。研究进一步采用了单核学习（Single-Kernel Learning, SKL）和多核学习（Multiple-Kernel Learning, MKL）两种变体，并结合两阶段聚类降维（Two-Stage Clustering, TSC）算法来应对高维数据挑战。
- 4.
Wasserstein分布式鲁棒最短路径（Wasserstein-based DRSP）：另一种数据驱动方法，它不假设单一的概率分布，而是构造一个以经验分布为中心、以Wasserstein距离为半径的“模糊集”（Ambiguity Set），寻求在最坏情况分布下的最优路径，通过参数ε控制保守度。
研究团队在合成网络和基于瑞典斯德哥尔摩市中心真实场景的仿真网络上，全面测试和比较了这些方法。斯德哥尔摩该区域被划为三级清洁空气区，只允许纯电动汽车进入，因此研究人行道机器人配送具有特别重要的现实意义。
通过严谨的实验设计与分析，研究得出了哪些关键结论？
1. 鲁棒路由显著提升了运营可靠性
与传统的最短路径（Shortest Path, SP）方法相比，所有四种鲁棒优化方法都能在变化的人行道条件下显著减少平均行程时间和最坏情况下的延误。这证实了在面对由行人和障碍物引起的行程时间不确定性时，采用鲁棒思维进行路径规划的必要性和有效性。
2. 椭球与DRSP方法表现最为突出
在众多方法中，椭球不确定性和Wasserstein DRSP方法在综合性能上表现最佳。它们不仅在平均延迟减少上效果显著，在控制极端情况（最坏情况延迟）方面也尤为出色。这表明，在数据分布近似正态或需要考虑分布层面 robustness 时，这两种方法能提供最佳的保护与效率平衡。
3. 数据驱动方法展现出灵活性与潜力
基于支持向量聚类（SVC）的方法，特别是与TSC算法结合后，能够有效处理高维、复杂的数据，自动学习出适应数据形状的不确定性集合。而MKL-SVC方法在低维子问题上通过优化选择核函数，能构建出更紧致、非保守的集合。DRSP方法则提供了坚实的概率理论保障。这些数据驱动方法减少了对模型假设和参数调优的依赖，代表了未来发展方向。
4. 机器人设计与环境因素深刻影响鲁棒路由效益
灵敏度分析揭示了有趣的现象：鲁棒路由方法的优势并非一成不变，其效益大小受到机器人自身特性和外部环境的显著影响。
- •
机器人特性：对于更宽、速度更慢、导航行为更保守的机器人，鲁棒路由带来的性能提升更高。这是因为这些机器人本身就更容易受到拥堵和环境干扰的影响，鲁棒路径能更好地为它们规避潜在的高风险路段。
- •
环境因素：在恶劣天气和高行人密度的场景下，鲁棒路由的优势被急剧放大。这恰恰证明了鲁棒方法在应对极端和不利条件时的价值——当环境越复杂、越不可预测时，事先考虑不确定性的规划就越显得至关重要。
这项研究的意义与启示远不止于优化一两条机器人路线。 它首次为 sidewalk delivery robots 建立了一个完整的、不确定性感知的鲁棒路由规划框架。这个框架的创新之处在于，它通过仿真将真实世界的动态复杂性“注入”到优化模型中，使路径决策建立在更现实的预测基础上。研究不仅系统比较了传统与前沿的鲁棒优化技术在实际物流场景下的性能，为从业者提供了方法选择的依据，还通过细致的参数分析，揭示了何种机器人在何种环境下最能从鲁棒规划中受益，这对机器人制造商和物流运营商的设备选型与运营策略具有直接指导价值。
随着无人配送从试点走向规模化商用，可靠性成为其赢得市场信任的关键。这项研究为人行道机器人应对真实城市环境的“最后一公里”混乱挑战，提供了一套强大的、数据驱动的决策工具箱。它标志着自主物流研究从静态规划向动态、鲁棒规划的重要转变，为构建更智能、更具韧性的未来城市物流网络奠定了坚实的算法基石。未来，此类方法还可与实时交通信息、预测学习相结合，进一步动态调整路径，让人行道上的“小配送员”真正变得聪明又可靠。
