链上镖师 / Chain Biaoshi
TRC|人行道配送机器人：不确定环境下鲁棒路径规划
把行人仿真生成的旅行时间不确定性接入稳健最短路，比较预算集、椭球集、SVC 与 Wasserstein DRSP 在城市人行网络中的可靠性收益
这篇 TRC 论文研究人行道配送机器人在行人流、障碍物和天气等动态条件下如何选路，核心思路是用 VISWALK 仿真生成路段旅行时间，再用稳健优化和分布鲁棒优化降低平均延误与尾部延误。
- 01：问题对象是城市最后一公里中的人行道配送机器人，风险来自行人流、障碍物、路况和天气引发的旅行时间不确定性。
- 02：方法上，论文比较预算不确定集、椭球不确定集、SVC 数据驱动不确定集和 Wasserstein DRSP 模糊集。
- 03：实验包括受控合成网络和斯德哥尔摩 Norrmalm 真实人行网络，结果显示稳健路径在高拥堵、高障碍和尾部风险场景中更有价值。
研究背景
最后一公里配送长期受到成本、城市拥堵和环境影响约束。论文关注的人行道配送机器人速度低、依赖既有人行基础设施，载重能力和安全性相对无人机更适合密集城区，已经从小规模试点走向食品、包裹等商业服务场景。
这类机器人真正进入运营后，路线规划不能只看静态距离。行人交通、地形、路况、临时障碍和天气会改变每条人行道链路的通行时间，若调度和选址仍沿用固定旅行时间，后续订单分配、车辆需求和到达可靠性都会被系统性低估。
来源：Fig. 1，论文将行人仿真、旅行时间样本、稳健最短路建模和验证集评估连接成一个闭环框架。
论文的切入点是把人行道上的动态交互变成可计算的不确定旅行时间，再让路径规划直接面对这些不确定性。
核心问题
研究问题可以概括为：在给定起终点和人行网络时，机器人如何选择一条路径，使其在平均运行条件和不利运行条件下都更可靠。论文把普通最短路作为基准，再评估多类稳健路径方法在平均延误、最坏情形延误和最差 5% 延误上的表现。
01旅行时间样本来自机器人、行人和障碍物在微观仿真中的交互结果。
02RSPP 用不确定集刻画路段成本可能落入的范围，目标是降低最坏情形路径成本。
03DRSP 用模糊集刻画旅行时间分布的不确定性，目标是控制尾部旅行时间风险。
1从 VISWALK 生成不同人流、障碍和场景下的路段旅行时间样本。
2用预算集、椭球集、SVC 集或 Wasserstein 模糊集表达不确定性。
3求解稳健或分布鲁棒最短路，并在验证场景中比较延误表现。
论文还把单条路径问题延伸到配送行程中的累计到达延误。若每一段稳健路径带来的期望延误下降超过自由流时间增加，收益会沿着客户访问序列叠加，越靠后的客户越可能感受到可靠性改善。
方法框架
论文系统比较四类方法。预算不确定集用参数 Γ 控制可同时偏离的路段数量，便于在稳健性和保守性之间调节；椭球不确定集根据样本均值和协方差形成椭球边界，通常能提供稳定路径；SVC 方法用机器学习刻画相关和非对称的不确定区域。
DRSP 方法基于 Wasserstein 模糊集，不固定唯一的旅行时间分布。它围绕经验分布构造可能分布集合，并用 METT 风险口径惩罚超过阈值的旅行时间。半径参数控制保守程度，尾部概率参数控制对极端延误的敏感性。
SFM 机器人反应时间
0.8
SFM 行人反应时间
0.4
仿真层使用 PTV VISWALK 和社会力模型描述行人、机器人与障碍物之间的微观交互。机器人参数参考移动机器人在人群导航中的社会力模型研究，重点调整反应时间、各向同性社会力强度、社会力范围和各向异性参数。
方法上的关键设计，是让优化模型使用仿真生成的路段时间样本，避免把复杂人行环境压缩成一组固定速度。
案例或实验设置
论文先构造一个受控合成人行网络。该网络包含 10 个节点和 16 条双向链路，其中 12 条短链路长度为 60 米，4 条长链路长度为 104 米，所有链路宽度为 3 米。长链路设置更高行人密度和障碍瓶颈，用来检验自由流最短路在拥挤环境中的脆弱性。
来源：Fig. 5，斯德哥尔摩 Norrmalm 人行网络由 OpenStreetMap 获取，并通过 QGIS 精修后导入 VISWALK。
来源：Fig. 6，真实案例使用斯德哥尔摩市公开行人流数据，并按一周内不同时段构造需求输入。
真实案例选取斯德哥尔摩中心区 Norrmalm，范围由 Kungsgatan、Birger Jarlsgatan、Hamngatan 和 Sveavägen 围合。网络包含 99 个路段，其中 65 段为人行道，34 段为过街通道，仿真时长设为 900 秒。
真实网络路段数
99
真实案例仿真场景
2016
结果分析
来源：Fig. 4，合成网络结果显示所有稳健方法在平均延误和最坏情形延误上均优于普通最短路基准。
在合成网络中，DRSP 在 Wasserstein 半径 0.01 或 0.05 时取得最低最坏情形延误 0.560。椭球方法在整个参数范围内保持第二低的最坏情形延误。SVC 系列方法对参数更敏感，其中带层次分组的 SKL-SVC 相对稳定。
来源：Table 2，高需求高障碍场景中，基准平均延误为 0.601，预算法为 0.485，椭球法为 0.448，SVC-random 为 0.446，DRSP 为 0.452。
来源：Fig. 9，真实网络实验用三类性能指标比较路径方法，突出稳健方法在不利场景延误控制上的收益。
来源：Fig. 10，100 个高波动 OD 对的箱线图显示椭球法和 DRSP 在最坏延误与最差 5% 延误上更有优势。
管理启示
论文的运营含义在于，配送机器人路径规划需要把机器人规格和环境条件一起纳入。稳健路径对更宽、更慢、导航行为更保守的机器人收益更高，因为这类机器人在拥挤人行道和障碍物附近更容易产生绕行与等待。
来源：Fig. 11，速度、宽度和导航行为变化会影响稳健路径相对普通最短路的性能提升。
来源：Fig. 12，行人速度、行人流量和天气类环境因素会改变稳健路径的收益空间。
来源：Table 6，论文将旅行时间改善进一步转化为普通最短路与椭球稳健路径下的车队需求对比。
对平台或城市运营方来说，稳健路径规划适合优先部署在高人流、高障碍、天气不利或尾部延误成本更高的区域，并与机器人尺寸、速度和避让行为设计联动评估。
论文：Robust route planning for sidewalk delivery robots
作者：Xing Tong，Michele D. Simoni
期刊：Transportation Research Part C
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
