I sistemi di consegna dell'ultimo miglio operano in un mondo che raramente sta fermo. Gli ordini arrivano mentre i camion sono già in movimento, le condizioni del traffico cambiano e le finestre di consegna sono spesso ristrette. In questo ambiente, un piano statico — un percorso calcolato una sola volta all'inizio della giornata — è raramente sufficiente. Invece, i dispatcher devono aggiornare costantemente i loro piani, inserendo nuovi punti di sosta nei percorsi esistenti o riorganizzandoli quando un cliente annulla un ordine o un veicolo si guasta. Questa costante necessità di ri-ottimizzazione crea una difficile sfida computazionale: il sistema deve trovare una nuova, valida disposizione di tappe in pochi secondi. Se il computer impiega troppo tempo a riflettere, la finestra di consegna si chiude o il conducente resta in attesa inutilmente. Se il computer ipotizza un nuovo percorso che viola le regole — come un camion che trasporta troppo peso o arriva troppo tardi — l'intero piano crolla e il sistema deve ricominciare da capo. L'obiettivo non è solo trovare il percorso più breve, ma trovare un percorso percorribile, istantaneamente.

I ricercatori della Hubei University of Automotive Technology hanno sviluppato un nuovo approccio a questo problema, uno che prende in prestito una strategia dal mondo dell'intelligenza artificiale per rendere queste decisioni al volo più affidabili. Chiamano il loro sistema SRI-ECR-balanced. Piuttosto che cercare di calcolare il percorso perfetto da zero ogni volta che arriva un nuovo ordine, il sistema lavora come un abile editor che bozza alcune frasi, le controlla per errori, tiene le parti buone e corregge immediatamente quelle sbagliate. Questo metodo, noto come esecuzione speculativa, permette al sistema di proporre diversi punti di sosta futuri contemporaneamente, verificare quali siano sicuri e scartare gli altri prima che causino un problema. Facendo ciò, il sistema può recuperare dai conflitti molto più velocemente rispetto ai metodi tradizionali, garantendo che un piano di consegna rimanga fattibile anche quando la situazione sul campo cambia rapidamente.

Il cuore di questo nuovo framework è un ciclo di bozza, verifica e riparazione. Quando arriva un nuovo ordine, un "generatore di bozze" propone una breve sequenza di clienti da aggiungere al percorso di un camion. In passato, i sistemi potevano tentare di inserire un solo cliente alla volta, il che è lento, oppure potevano tentare di inserire una lunga lista di clienti tutti in una volta, il che spesso porta a errori. Questo nuovo sistema trova un equilibrio: propone un piccolo gruppo di tappe, forse cinque alla volta. Un "verificatore" separato controlla poi questo gruppo rispetto alle regole della strada, come il limite di peso del camion e la finestra temporale del cliente. Il sistema accetta la parte più lunga del gruppo proposto che rispetta le regole e scarta immediatamente il resto. Se i primi tre punti del gruppo proposto vanno bene ma il quarto è troppo pesante per il camion, il sistema mantiene i primi tre e annulla il quarto. Non scarta l'intero piano; rimuove solo la parte che ha violato le regole.

Una volta che le tappe non valide sono state annullate, interviene un "esperto di riparazione" specializzato. Questo non è un riparatore generico; il sistema diagnostica esattamente cosa è andato storto. Se il problema è che il camion è troppo pieno, l'esperto dà priorità alla ricerca di un altro camion con più spazio. Se il problema è che un cliente verrà saltato a causa di una finestra temporale stretta, l'esperto cerca un percorso che possa arrivare prima. Questo approccio mirato è cruciale. I ricercatori hanno scoperto che senza questo specifico passaggio di riparazione consapevole del conflitto, il sistema non riusciva a trovare percorsi validi nelle situazioni critiche. Quando il sistema era costretto a usare un metodo di riparazione casuale invece di uno esperto, riusciva a riparare solo circa un terzo dei problemi, lasciando molti ordini non evasi. Con l'esperto di instradamento, il sistema ha riparato con successo ogni singolo conflitto nei loro test, mantenendo un record perfetto di piani fattibili.

Per rendere questo processo abbastanza veloce per l'uso in tempo reale, il sistema utilizza anche una forma di memoria chiamata cache del prefisso del percorso (route-prefix cache). In un ambiente dinamico, la maggior parte del percorso di un camion rimane la stessa da un momento all'altro; solo la fine del percorso cambia. I sistemi tradizionali spesso ricalcolano l'intero viaggio ogni volta che apportano una piccola modifica, sprecando tempo su parti del viaggio che non sono cambiate. Questo nuovo sistema ricorda i calcoli per le parti del percorso che sono già confermate. Quando deve controllare un nuovo punto di sosta, calcola solo la nuova parte, riutilizzando i dati memorizzati per il resto. Questo semplice trucco ha reso il sistema più di tre volte più veloce nel valutare potenziali percorsi. Nei test su un set standard di 100 clienti, questa cache ha permesso al sistema di valutare i percorsi 3,12 volte più velocemente rispetto a dover ricominciare da capo. In un test più grande con 200 clienti, l'accelerazione è stata di 3,08 volte.

I ricercatori hanno testato il loro sistema contro strumenti esistenti utilizzati dalle aziende logistiche, tra cui OR-Tools e PyVRP, che sono solver potenti progettati per trovare i percorsi assolutamente più brevi. Hanno eseguito simulazioni in cui i nuovi ordini arrivavano costantemente e dove le finestre temporali erano rese artificialmente strette per creare stress. In queste condizioni difficili, i solver tradizionali impiegavano quasi tutti i tre secondi consentiti per ogni decisione per trovare una soluzione, e anche allora, producevano talvolta percorsi leggermente più brevi ma che richiedevano più tempo per essere calcolati. Il nuovo sistema, al contrario, trovava una soluzione valida in meno di mezzo secondo in media. Sebbene i percorsi prodotti fossero circa il 7,8% più lunghi in distanza totale rispetto a quelli trovati dai solver potenti, il compromesso era deliberato. In uno scenario di consegna reale, un percorso leggermente più lungo che è pronto istantaneamente è spesso più prezioso di un percorso perfetto che arriva troppo tardi. Il sistema ha dato priorità all'uscita di un piano praticabile rispetto allo spremere ogni ultimo miglio di efficienza.

Lo studio ha esplorato anche come il sistema si comporta sotto diversi livelli di rischio. Hanno confrontato un approccio "bilanciato", che pesa attentamente il rischio di aggiungere un nuovo punto di sosta, con un approccio "aggressivo" che tenta di aggiungere quanti più punti possibile prima di controllare. Il metodo aggressivo ha causato al sistema molti errori che dovevano essere annullati, rallentandolo significativamente. L'approccio bilanciato, che penalizza le mosse rischiose prima ancora che vengano proposte, ha ridotto il numero di errori e ha mantenuto il sistema in movimento fluido. Ciò ha confermato che il sistema funziona meglio quando specula con cautela, proponendo pochi passi avanti ma controllandoli rigorosamente prima di impegnarsi.

I ricercatori non hanno sostenuto che il loro sistema sia il migliore nel trovare il percorso più breve possibile in un mondo statico dove il tempo non è un fattore. Hanno dichiarato esplicitamente che per problemi in cui l'unico obiettivo è minimizzare la distanza e il computer ha diversi secondi per riflettere, i solver tradizionali vincono ancora. Il valore di questo nuovo framework risiede specificamente nel mondo caotico e sotto pressione temporale del dispatch dinamico. In questi scenari, la capacità di recuperare da un conflitto istantaneamente e mantenere un piano valido è più importante di un marginale miglioramento nella distanza. Il sistema ha dimostrato il suo valore servendo il 100% dei clienti negli scenari di test più stressanti, con zero ordini rifiutati, mantenendo il tempo di risposta sufficientemente basso da essere utile per un centro di dispatch in tempo reale.

Anche quando i ricercatori hanno introdotto del rumore casuale per simulare ritardi imprevedibili del traffico, il sistema ha retto. Ha continuato a servire tutti i clienti e a riparare i conflitti con successo, dimostrando che il metodo è abbastanza robusto da gestire l'incertezza del mondo reale. Hanno anche testato il sistema su una porzione di dati di consegna reali di una grande azienda logistica, utilizzando coordinate di consegna effettive. Il sistema è funzionato con successo su questi dati reali, servendo tutti gli 8otti del set di test. Tuttavia, i ricercatori sono stati attenti a sottolineare i limiti del loro attuale design. Quando hanno testato uno scenario molto più grande con 400 clienti, il sistema non è riuscito a trovare una soluzione perfetta entro il limite di tempo, servendo solo circa tre quarti degli ordini. Ciò indica che, sebbene il metodo funzioni bene per flotte di medie dimensioni, operazioni più grandi richiederebbero strategie aggiuntive per suddividere il problema in parti più piccole.

In definitiva, questo lavoro dimostra un cambiamento nel modo in cui pensiamo a risolvere i problemi di instradamento. Inveve di vedere il computer come una calcolatrice che deve trovare l'unica risposta migliore, i ricercatori lo hanno trattato come un decisore che deve trovare una buona risposta rapidamente. Adottando i modelli speculativi utilizzati nella moderna intelligenza artificiale — bozza, verifica e caching — il sistema può navigare l'incertezza della consegna dinamica con velocità e affidabilità. I risultati suggeriscono che per molte sfide logistiche del mondo reale, la capacità di adattarsi istantaneamente è la vera misura di un sistema di successo, anche se ciò significa che i percorsi non sono matematicamente perfetti. Il sistema non promette di eliminare tutti i ritardi o di trovare il percorso più breve ogni volta, ma promette che quando arriva un nuovo ordine, un piano sarà pronto quasi immediatamente, mantenendo in movimento le ruote della rete di consegna.