《Systems》:Autonomous and Agentic AI with Digital Twins for Resilient Transportation and Smart Logistics: A Systematic Review, Multi-Axis Taxonomy, and Evidence-Informed Human-in-the-Loop Reference Architecture
编辑推荐:
交通与物流系统正日益超越预测性人工智能(artificial intelligence, AI),转向能够选择、协调并发起运行决策的系统。本综述旨在系统地表征交通与智慧物流中的自主式与智能体AI,考察其与数字孪生(digital twin, DT)及可信机制(
交通与物流系统正日益超越预测性人工智能(artificial intelligence, AI),转向能够选择、协调并发起运行决策的系统。本综述旨在系统地表征交通与智慧物流中的自主式与智能体AI,考察其与数字孪生(digital twin, DT)及可信机制(trustworthiness mechanisms)的集成,并综合形成多轴分类法(multi-axis taxonomy)与循证人在回路参考架构(evidence-informed human-in-the-loop reference architecture)。研究人员遵循PRISMA 2020(Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020)指南,共综合了2021年1月至2026年7月间发表的27篇经全文评审的主要研究(primary studies)。为在预定优先级规则(precedence rule)下进行互斥的描述性报告,该语料库由11个单智能体自主系统(40.7%)、6个LLM智能体系统(22.2%)、5个多智能体强化学习(multi-agent reinforcement learning, MARL)系统(18.5%)和5个以孪生为中心的自主系统(18.5%)构成。这些报告分层仅用于防止重复计数,并不取代对智能体特征(agency profile)、决策拓扑(decision topology)、推理机制(reasoning mechanism)和数字孪生关系(digital-twin relation)的多轴表征。15项研究(55.6%)使用了强化学习(reinforcement learning, RL)或MARL,6项(22.2%)使用了数字孪生。尽管对自主决策进行了大量实验,但仅有3项研究(11.1%)达到运行验证(operational validation)。网络安全(cybersecurity)在2项研究(7.4%)中得到明确处理,可解释性(explainability)在6项(22.2%)中得到处理,明确的人工批准、否决或干预机制在3项(11.1%)中得到体现。在LLM核心的主要研究中,没有一项将语言智能体推理与同步运行的运行数字孪生相结合,揭示了语料库层面的重要架构缺口。方法学严谨性、验证强度与可信度被评估为独立维度,而非合并为复合质量评分。基于上述证据,本综述构建了十维度分类法(ten-dimension taxonomy),提出了一种明确未经验证的、具有自主门控(autonomy gating)的七层人在回路参考架构,并给出了主要由支撑性网络安全文献支持的、由作者开发的十六类威胁映射(sixteen-threat mapping)。总体而言,证据表明自主式与智能体系统快速多样化,但在运行验证、集成保障、网络安全以及经实证检验的人工监督方面仍存在持续缺口。
1. 引言
论文指出交通与物流系统正从预测性AI转向具有运行决策权的自主系统,强调不能将不同技术形态笼统归为"智能体AI"。基于PRISMA 2020对2021年1月至2026年7月文献进行系统综述,提出四个研究缺口,并阐述六项贡献,包括多轴分类规则、27项主要研究综合、量化技术采纳与验证实践、十维度分类法、七层人在回路参考架构及十六类威胁映射。
2. 概念背景
2.1 从自动化到自主与智能体决策系统
区分规则自动化、预测AI、基于学习的决策系统与智能体AI四代范式,指出多智能体强化学习(multi-agent reinforcement learning, MARL)与基于大语言模型(large language model, LLM)智能体的联系与区别。
2.2 数字孪生及其成熟度
依据ISO 30173定义数字孪生,区分描述性、预测性与处方性孪生及认知孪生,强调决策生成仅见于后两类。
2.3 感知、边缘计算与数据基础设施
论述物联网(Internet of Things, IoT)感知、边缘与云部署及联邦学习对时延、隐私和攻击面的影响。
2.4 协调机制与LLM智能体
比较集中式、层次式、联邦式与去中心化协调,说明MARL与LLM智能体在透明度、样本效率、时延与失效模式上的差异。
2.5 可信AI与监管背景
引入欧盟《人工智能法》与NIST AI风险管理框架,说明运输基础设施安全组件作为高风险AI须满足风险管理、日志、人工监督与网络安全义务。
2.6 人的参与与工业5.0
界定in-the-loop、on-the-loop与out-of-the-loop三种人机关系,并联系工业5.0的人本导向。
2.7 智能交通与物流的网络安全
综述网联车辆传感、定位与通信攻击,数字孪生完整性风险及LLM智能体的提示注入漏洞。
3. 材料与方法
3.1 协议与研究问题
遵循PRISMA 2020但未前瞻性注册协议,设定七项研究问题(RQ1–RQ7)。
3.2 信息来源与检索策略
采用多源混合检索,覆盖IEEE Xplore、ScienceDirect等平台及arXiv预印本,并在Scopus与Web of Science完成覆盖核验,界定2021年1月至2026年7月的时间窗口。
3.3 纳入与排除标准
以所实现系统而非术语为评估对象,要求满足运行决策回路要求。
3.4 自主与智能体系统多轴分类框架
沿智能体特征(P1–P8)、决策拓扑、推理与决策机制、数字孪生关系四个独立轴编码,并制定混合系统的主类别优先级规则及LLM智能体分类敏感性分析。
3.5 筛选、核验与证据基础
记录去重、两阶段筛选与书目核验流程,采用59字段提取矩阵,区分主要证据与支撑性文献。
3.6 审查流程与第二作者核验
第一作者完成筛选与提取,第二作者进行确认性核验,并对15篇分层样本进行独立再评估,主要分类字段一致性达100%。
3.7 方法学严谨性、验证强度与可信度评估
分别用M1–M8评估方法学报告质量,V0–V2评估验证强度,T1–T5记录可信度特征,不合并为复合评分。
4. 结果
4.1 研究筛选
共识别208条记录,去重后196条进入标题与摘要筛选,65篇进行全文评估,最终纳入27篇主要研究。
4.2 描述性特征
27项研究集中于运行层决策;15项(55.6%)使用强化学习(reinforcement learning, RL)或MARL,6项(22.2%)使用LLM核心,6项使用数字孪生。
4.3 应用与决策层级(RQ1)
17项(63.0%)面向运行决策;主类别中单智能体自主系统11项、LLM智能体系统6项、MARL系统5项、孪生中心自主系统5项。敏感性分析显示,提高P4–P8阈值后仅4项仍为LLM智能体。
4.4 技术集成(RQ2)
识别孪生支持态势感知、孪生参与决策回路与语言中介决策集成三种模式;无LLM核心研究结合同步运行数字孪生。
4.5 解决的问题(RQ3)
涵盖交通控制、路径规划、资源调度、库存与跨组织协调等;可持续性仅3项提及、1项直接优化。
4.6 方法、数据与验证(RQ4)
15项(55.6%)为V0模拟验证,9项(33.3%)为V1真实数据验证,仅3项(11.1%)达到V2运行验证。
4.7 人的参与与可信度(RQ4、RQ5)
区分人工参与(T4)与明确批准/否决/干预机制(T5);网络安全仅2项明确处理,可解释性6项,人工干预机制3项。
4.8 方法学严谨性、验证与可信度概况
M1–M3全部充分,M7与M8差异较大;仅6项(22.2%)公开代码或数据。
4.9 报告的主要挑战(RQ5)
归纳为仿真到运行迁移、可扩展性与泛化、自主推理可靠性、组织与系统集成障碍、人类问责与治理五类。
5. 基于证据的多轴分类法
提出十维度分类法(D1–D10):决策层级、智能体特征、决策拓扑、推理机制、协调结构、应用领域与运行角色、数字孪生关系、人的参与和控制、可信度与治理、绩效目标,并说明各维度的语料库证据分布。
6. 循证人在回路参考架构
提出L1–L7七层架构(物理环境、感知与IoT、数据管理与数字孪生、自主决策智能、协调与治理、人类决策与控制、执行监控与反馈),并设计自主门控(autonomy gating)机制,依据运行风险R、校准置信度C、约束裕度M与分布有效性D决定自动化、审批、升级或失效安全模式;该架构未经实施或实验验证。
7. 网络安全、可靠性与信任
基于支撑性文献而非主要语料库构建威胁与控制映射,区分模型置信度、预测不确定性、系统可靠性、运行风险、网络安全风险、可信度与人类信任等概念。
8. 讨论
8.1 经典、学习型与语言型智能体
当代语料库中经典智能体与协议协调多智能体类别为零,但2021年前的历史敏感性样例显示该零计数对时间窗口敏感。
8.2 单智能体与多智能体决策结构
物理实体数量不等于多智能体拓扑;多智能体带来通信、协调失败与集体责任等额外问题。
8.3 集中与去中心化协调
无证据支持某种协调架构普遍更优;架构将决策智能与协调治理分离。
8.4 智能体与数字孪生集成
孪生角色从