Os sistemas de entrega de última milha operam em um mundo que raramente fica parado. Pedidos chegam enquanto os caminhões já estão em movimento, as condições de tráfego mudam e as janelas de entrega são frequentemente apertadas. Neste ambiente, um plano estático — uma rota calculada uma única vez no início do dia — raramente é suficiente. Em vez disso, os despachantes devem atualizar constantemente seus planos, inserindo novas paradas em rotas existentes ou rearranjando-as quando um cliente cancela ou um veículo quebra. Essa necessidade constante de reotimização cria um desafio computacional difícil: o sistema deve encontrar um novo arranjo válido de paradas em questão de segundos. Se o computador demorar muito para pensar, a janela de entrega se fecha ou o motorista fica parado esperando. Se o computador adivinhar uma nova rota que viole as regras — como um caminhão carregando peso excessivo ou chegando atrasado — todo o plano colapsa e o sistema precisa recomeçar. O objetivo não é apenas encontrar o caminho mais curto, mas encontrar um caminho viável, instantaneamente.

Pesquisadores da Universidade de Tecnologia Automotiva de Hubei desenvolveram uma nova abordagem para este problema, uma que toma emprestada uma estratégia do mundo da inteligência artificial para tornar essas decisões de milésimos de segundo mais confiáveis. Eles chamam seu sistema de SRI-ECR-balanced. Em vez de tentar calcular a rota perfeita do zero toda vez que um novo pedido chega, o sistema trabalha como um editor habilidoso que redige algumas frases, verifica erros, mantém as partes boas e corrige imediatamente as partes ruins. Este método, conhecido como execução especulativa, permite que o sistema proponha várias paradas futuras de uma só vez, verifique quais são seguras e descarte o restante antes que causem um problema. Ao fazer isso, o sistema pode se recuperar de conflitos muito mais rápido do que os métodos tradicionais, garantindo que um plano de entrega permaneça viável mesmo quando a situação no terreno muda rapidamente.

O núcleo deste novo framework é um ciclo de redação, verificação e reparo. Quando um novo pedido chega, um "gerador de rascunhos" propõe uma sequência curta de clientes para adicionar à rota de um caminhão. No passado, os sistemas poderiam tentar inserir apenas um cliente por vez, o que é lento, ou poderiam tentar inserir uma longa lista de clientes de uma só vez, o que frequentemente leva a erros. Este novo sistema estabelece um equilíbrio: ele propõe um pequeno grupo de paradas, talvez cinco por vez. Um "verificador" separado então checa este grupo contra as regras da estrada, como o limite de peso do caminhão e a janela de tempo do cliente. O sistema aceita o trecho mais longo do grupo proposto que se ajuste às regras e descarta imediatamente o restante. Se as três primeiras paradas do grupo proposto estiverem bem, mas a quarta for pesada demais para o caminhão, o sistema mantém as três primeiras e faz o rollback da quarta. Ele não joga fora o plano inteiro; ele apenas remove a parte que quebrou as regras.

Uma vez que as paradas inválidas são revertidas, um "especialista em reparo" especializado entra em cena para corrigir o problema. Este não é um consertador genérico; o sistema diagnostica exatamente o que deu errado. Se o problema é que o caminhão está muito cheio, o especialista prioriza encontrar um caminhão diferente com mais espaço. Se o problema é que um cliente será perdido devido a uma janela de tempo apertada, o especialista procura uma rota que possa chegar mais cedo. Essa abordagem direcionada é crucial. Os pesquisadores descobriram que, sem este passo de reparo específico e consciente do conflito, o sistema falhava em encontrar qualquer rota válida em situações estressantes. Quando o sistema era forçado a usar um método de reparo aleatório em vez de um método especialista, conseguia consertar apenas cerca de um terço dos problemas, deixando muitos pedidos sem atendimento. Com o roteador especialista, o sistema reparou com sucesso todos os conflitos em seus testes, mantendo um registro perfeito de planos viáveis.

Para tornar este processo rápido o suficiente para uso em tempo real, o sistema também utiliza uma forma de memória chamada cache de prefixo de rota. Em um ambiente dinâmico, a maior parte da rota de um caminhão permanece a mesma de um momento para o outro; apenas o final da rota muda. Sistemas tradicionais costem recalcular toda a jornada cada vez que fazem uma pequena alteração, desperdiçando tempo em partes da viagem que não mudaram. Este novo sistema lembra os cálculos das partes da rota que já estão confirmadas. Quando precisa verificar uma nova parada, ele calcula apenas a nova parte, reutilizando os dados armazenados para o restante. Este truque simples tornou o sistema mais de três vezes mais rápido na avaliação de rotas potenciais. Em testes com um conjunto padrão de 100 clientes, este cache permitiu que o sistema avaliasse rotas 3,12 vezes mais rápido do que se tivesse que começar do zero. Em um teste maior com 200 clientes, a aceleração foi de 3,08 vezes.

Os pesquisadores testaram seu sistema contra ferramentas existentes usadas por empresas de logística, incluindo OR-Tools e PyVRP, que são solvers poderosos projetados para encontrar as rotas absolutamente mais curtas. Eles realizaram simulações onde novos pedidos chegavam constantemente e onde as janelas de tempo eram artificialmente apertadas para criar estresse. Nessas condições difíceis, os solvers tradicionais levavam quase os três segundos inteiros permitidos para cada decisão para encontrar uma solução e, mesmo assim, às vezes produziam rotas que eram ligeiramente mais curtas, mas levavam mais tempo para computar. O novo sistema, por outro lado, encontrou uma solução válida em menos de meio segundo em média. Embora as rotas que produziu fossem cerca de 7,8% mais longas em distância total do que as encontradas pelos solvers poderosos, a troca foi deliberada. Em um cenário de entrega do mundo real, uma rota ligeiramente mais longa que está pronta instantaneamente é frequentemente mais valiosa do que uma rota perfeita que chega tarde demais. O sistema priorizou entregar um plano viável em vez de espremer cada última milha de eficiência.

O estudo também explorou como o sistema se comporta sob diferentes níveis de risco. Eles compararam uma abordagem "equilibrada", que pesa cuidadosamente o risco de adicionar uma nova parada, contra uma abordagem "agressiva" que tenta adicionar o máximo de paradas possível antes de verificar. O método agressivo fez com que o sistema cometesse muitos erros que precisavam ser revertidos, retardando-o significamente. A abordagem equilibrada, que penaliza movimentos arriscados antes mesmo de serem propostos, reduziu o número de erros e manteve o sistema movendo-se suavemente. Isso confirmou que o sistema funciona melhor quando especula com cautela, propondo alguns passos à frente, mas verificando-os rigorosamente antes de se comprometer.

Os pesquisadores não alegaram que seu sistema seja o melhor em encontrar a rota mais curta possível em um mundo estático onde o tempo não é um fator. Eles afirmaram explicitamente que, para problemas onde o único objetivo é minimizar a distância e o computador tem vários segundos para pensar, os solvers tradicionais ainda vencem. O valor deste novo framework reside especificamente no mundo caótico e sob pressão de tempo do despacho dinâmico. Nesses cenários, a capacidade de se recuperar de um conflito instantaneamente e manter um plano válido é mais importante do que uma melhoria marginal na distância. O sistema provou seu valor ao atender 100% dos clientes nos cenários de teste mais estressantes, com zero pedidos rejeitados, mantendo o tempo de resposta baixo o suficiente para ser útil para um centro de despacho ao vivo.

Mesmo quando os pesquisadores introduziram ruído aleatório para simular atrasos imprevisíveis no tráfego, o sistema resistiu. Ele continuou a atender todos os clientes e a reparar conflitos com sucesso, mostrando que o método é robusto o suficiente para lidar com a incerteza do mundo real. Eles também testaram o sistema em um recorte de dados reais de uma grande empresa de logística, usando coordenadas de entrega reais. O sistema rodou com sucesso nesses dados do mundo real, atendendo todos os 80 pontos de parada no conjunto de teste. No entanto, os pesquisadores foram cuidadosos ao notar os limites de seu design atual. Quando testaram um cenário muito maior com 400 clientes, o sistema não conseguiu encontrar uma solução perfeita dentro do limite de tempo, atendendo apenas cerca de três quartos dos pedidos. Isso indica que, embora o método funcione bem para frotas de médio porte, operações maiores exigiriam estratégias adicionais para dividir o problema em partes menores.

Em última análise, este trabalho demonstra uma mudança na forma como pensamos em resolver problemas de roteamento. Em vez de ver o computador como uma calculadora que deve encontrar a única melhor resposta, os pesquisadores trataram-no como um tomador de decisões que deve encontrar uma boa resposta rapidamente. Ao adotar os padrões especulativos usados na inteligência artificial moderna — redação, verificação e cache — o sistema pode navegar pela incerteza da entrega dinâmica com velocidade e confiabilidade. As descobertas sugerem que, para muitos desafios logísticos do mundo real, a capacidade de se adaptar instantaneamente é a verdadeira medida de um sistema bem-sucedido, mesmo que isso signifique que as rotas não sejam matematicamente perfeitas. O sistema não promete eliminar todos os atrasos ou encontrar o caminho mais curto todas as vezes, mas promete que, quando um novo pedido chegar, um plano estará pronto quase imediatamente, mantendo as rodas da rede de entrega girando.