盖世汽车讯 黄昏时分，一支无人驾驶配送车队在城市中穿梭。订单随机涌入，交通状况瞬息万变；每一辆闲置的车辆都意味着资金的浪费，而每一个错失的订单则意味着客户的流失。在智能城市出行这一新兴领域，如何决定由哪辆车在何时服务于哪个订单，是极具挑战性的运营难题之一。据外媒报道，发表在期刊《应用智能》（Applied Intelligence）上的一项新研究指出，解决这一难题的关键可能出人意料：那就是大型语言模型——即驱动对话式聊天机器人的那种人工智能技术——如今已被重新改造，用于充当自动驾驶车队的调度“大脑”。

图片来源：期刊《应用智能》

这项研究由中国南昌华东交通大学的Jiaxin Tan和通讯作者Xiaohui Huang主导，团队成员还包括Nan Jiang、Xuebo Cheng、Liyan Xiong和Ni Liu）。该研究提出了一种名为“预测上下文大语言模型调度器”（Predictive-context Large Language Model Scheduler，简称 P-LLM）的框架。其核心理念看似简单：该框架不再仅仅依赖人工设计的优化规则或需要数周训练的强化学习智能体，而是让大语言模型直接针对车队状态、实时订单流以及尚未发生的预测需求进行推理分析；随后，调度器会提出车辆与订单的匹配方案，在即时利润与未来需求的预期地理分布之间取得平衡。

作者所探讨的问题是运筹学界熟知的课题。传统的调度方法（包括经典的优化算法）在环境静态且规则明确的情况下表现良好，但现实中的城市环境绝非静态：交通状况瞬息万变，订单需求时而激增、时而稀疏；若当前看似最优的决策导致车辆滞留在需求即将爆发的区域，那么仅仅五分钟后，这一决策就可能酿成灾难。作为一种主流的现代替代方案，强化学习虽能通过“试错”机制习得策略，但作者指出，在城市交通这种充满噪声且非平稳的环境中，该方法在训练稳定性和收敛性方面仍面临严峻挑战。

返回第一电动网首页 >