超越最短路径：基于语义情境的智能车辆路由
人工智能
2025-11-07 v1
摘要
传统车辆路由系统高效地优化单个指标，如时间或距离，当考虑多个指标时，需要更多的进程进行优化。然而，它们缺乏解释和集成人类司机复杂、语义和动态情境的能力，如多步骤任务、情境约束或紧急需求。本文引入并评估了PAVe（Personalized Agentic Vehicular Routing，个性化智能车辆路由），这是一种混合智能助手，旨在通过语义推理增强经典路径查找算法。我们的方法采用大型语言模型（LLM）智能体，作用于由多目标（时间、CO2）Dijkstra算法生成的候选路径集合。该智能体通过利用预处理的城市地理坐标缓存中的热点信息（POIs），对用户提供的任务、偏好和规避规则进行评估。 在现实城市情景的基准测试中，PAVe成功地将复杂的用户意图转化为适当的路由修改，实现了初始路由选择超过88%的准确率。我们得出结论，将经典路由算法与LLM基于语义的推理层相结合是一种稳健且有效的方法，可为城市交通优化创建个人化、自适应且可扩展的解决方案。
引用
@article{arxiv.2511.04464,
title = {Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context},
author = {Carnot Braun and Rafael O. Jarczewski and Gabriel U. Talasso and Leandro A. Villas and Allan M. de Souza},
journal= {arXiv preprint arXiv:2511.04464},
year = {2025}
}