链上镖师 / Chain Biaoshi
TRC|码头混合车队路权：人工驾驶卡车转向不确定性下的实时分配
以转向概率、场景优化和期望净收益协调自动驾驶卡车与人工驾驶卡车
论文面向自动驾驶卡车与人工驾驶卡车长期混行的码头路网，用转向概率预测、场景化路权优化和期望净收益选优，为交叉口分配可实时执行的到达时窗、通行顺序与超车指令。
- 01：决策对象包括自动驾驶卡车的到达时窗、交叉冲突通行顺序和跟驰场景超车选择。
- 02：三阶段框架依次完成转向概率预测、候选路权方案生成和期望净收益选优。
- 03：实验采用福建泉州石湖码头高保真数字孪生，车队规模覆盖10至60辆。
- 04：实验中平均停车次数最高下降51.39%，平均停车时间最高下降73.33%。
混行路口为何频繁打乱运输节奏
自动化集装箱码头正在经历分阶段车队升级，自动驾驶卡车具备确定的轨迹和速度控制，人工驾驶卡车会出现不规则加减速与转向意图变化。两类车辆在无信号交叉口争用相同道路资源时，临时停车可能继续影响邻近车辆，局部冲突由此传导到岸桥与堆场之间的水平运输节奏。
论文聚焦两类干扰：人工驾驶卡车转向意图不确定造成的交叉冲突，以及低速人工驾驶卡车造成的跟驰阻滞。
01交叉冲突：车辆从相交路段进入同一冲突区域，需要确定先后通行关系。
02跟驰阻滞：自动驾驶卡车受低速车辆影响，需要在安全条件满足时获得超车引导。
03决策目标：在满足运动学与安全间隔约束的前提下，为自动驾驶卡车争取更早的可行到达时窗。
三阶段框架如何吸收转向不确定性
框架先用LightGBM将任务信息、计划路径、车辆速度、加速度、距停止线距离、横向位置、前车数量、车头时距和路口几何编码为特征，输出各类转向动作的概率分布。系统随后保留联合概率较高的场景，为每个场景生成候选路权方案，再按照期望净收益选择最终方案。
三阶段鲁棒路权分配系统：从HDT转向预测到候选方案生成与ENB选优（来源：Fig. 4）
FCFS、SOTA及预测增强方法处理HDT转向不确定性的机制示意（来源：Fig. 9）
1转向推断：输出每辆人工驾驶卡车各项可行转向动作的概率。
2场景生成：计算多车转向组合的联合概率并保留高概率场景。
3方案优化：分别求解通行时窗、排序关系和超车选择。
4鲁棒选优：以场景概率加权效用，并计入预测偏差引起的冲突惩罚。
时窗、排序与超车如何进入实时求解
场景模型以未排程自动驾驶卡车到达时窗上界之和为目标，推动其尽早通过交叉口。约束覆盖速度上限、控制系统所需的最小时窗宽度、车辆间安全间隔和带风险阈值的机会约束。超车决策还需同时满足多车道路段、可用行驶距离和速度优势等运动学条件。
定制Branch-and-Benders-Cut算法的求解流程与加速环节（来源：Fig. 6）
定制BB&C算法把通行排序和超车选择放入整数主问题，把到达时窗的可行性检验与连续优化放入线性子问题。子问题可行时生成最优性割，不可行时生成可行性割；强最优性割、Pareto最优可行性割和主问题初始解共同减少无效组合搜索，以适应路口级频繁更新。
求解结构将离散通行关系与连续时窗拆分，使每个交叉口能够在分布式架构下独立更新路权方案。
石湖港区网络与转向预测输入
石湖港区现场及研究采用的码头运输网络（来源：Fig. 7）
实验建立在福建泉州石湖码头的高保真数字孪生上，研究网络覆盖岸桥、堆场、运输道路和交叉口。敏感性实验将车队规模从10辆增加到60辆，每次增加10辆；人工驾驶卡车占比从0.1变化至0.9，用于观察交通密度和行为不确定性共同上升时的冲突与运行表现。
多种HDT转向预测模型的精度与计算成本比较（来源：Table 3）
LightGBM准确率
88.00%
单次推理时间
0.92 ms
从一次转向偏差到多组冲突削减
代表性轨迹显示，当人工驾驶卡车的实际转向偏离预测结果时，依赖单一预测路径的方案可能产生时窗重叠，自动驾驶卡车随后执行急停或明显减速。鲁棒方案提前计入其他高概率转向场景，通过调整速度和延后到达时窗保留安全间隔，将统计指标中的冲突削减落实到具体车辆交互过程。
车队规模10、HDT比例0.1且采用均匀分布时的车辆轨迹（来源：Fig. 10）
HDT实际转向偏离预测时的冲突形成与路权处置案例（来源：Fig. 11）
不同车队规模与HDT比例下的冲突解决性能（来源：Fig. 12）
平均停车次数最高降幅
51.39%
平均停车时间最高降幅
73.33%
局部路权如何传导到码头作业效率
路口层面的收益继续传导到车队与岸桥作业。五次独立随机种子仿真的平均结果显示，所提方法将慢速人工驾驶卡车造成的平均延误降低46.93%，完工时间缩短5.94%，岸桥空闲时间下降13.89%。这些指标对应车辆通过节奏、水平运输任务完成速度和岸桥等待之间的直接联系。
路权分配方法对车辆运行过程与码头作业效率的影响（来源：Fig. 14）
平均延误降幅
46.93%
岸桥空闲时间降幅
13.89%
适用条件、可行边界与部署范围
模型假设自动驾驶卡车的任务、计划路径和初始位置已知，人工驾驶卡车到达时间服从给定高斯分布，多辆人工驾驶卡车的转向意图在联合场景计算中相互独立。超车仅适用于允许换道的多车道路段，研究范围未覆盖人工驾驶卡车之间的冲突，也未联合优化整个码头的全部路口。
关键参数组合下的性能响应面与方案可行性分布（来源：Fig. 16）
✓适用场景：无信号交叉口中自动驾驶卡车与人工驾驶卡车共同运行。
✓运行前提：终端系统能够提供任务、路径、车辆状态和交叉口几何信息。
✓执行保障：车载自动驾驶系统持续感知环境，并在安全临界状态下执行制动等安全动作。
✓验证范围：论文采用数字孪生仿真并报告实体测试床补充验证，未报告长期生产环境运行结果。
✓边界数值：论文用图示识别车队规模与人工驾驶卡车比例的可行域，当前摘录未报告具体分界值。
不同实例规模下定制BB&C算法的计算性能（来源：Fig. 19）
各路权分配方法在六项运行与计算指标上的综合表现（来源：Fig. 20）
论文：Robust right-of-way allocation for automated container terminals with partially automated truck fleet
作者：Junqi Li，Jintao Lai，Lianhua An，Jia Hu
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
