在货运调度中，一个常见的悖论始终存在：早上6点制定的路线计划很少能经受住上午9点交通拥堵、司机生病或承运商失联等现实情况的考验。HERE Technologies正在应对这一挑战，其方法不是构建更好的静态计划，而是开发一套能够从计划离开调度室后发生的实际情况中持续学习的系统。

HERE Technologies的Bart Coppelmans在Home Delivery World展会上接受FreightWaves采访时，概述了公司的产品路线图。讨论涵盖了HERE路线规划引擎的升级、新推出的驾驶员反馈工具Last Meter Guidance（最后百米导航），以及一个原型AI路线优化推理层——该层旨在解释其决策，而非仅仅下达指令。这一重心反映了物流团队面临的更广泛运营问题：只有当调度员和司机能够在现场条件偏离计划时做出调整，路线优化才能真正创造价值。

规划与执行之间的差距

路线规划是HERE最成熟的服务之一，拥有长达十年的开发历史。据Coppelmans介绍，近期新增的功能正在推动市场采用率的提升。

"我们十年前就开始开发这个产品，但直到现在才真正在市场上获得强劲增长，成为性能最佳的求解器之一，特别是得益于我们去年新增的功能，"Coppelmans说。

其中最重要的新增功能是时间相关优化，它考虑了全天交通状况波动对配送能力的影响。

"早上九点钟你能交付的订单比下午一点钟要少，因为交通拥堵，"Coppelmans说。

HERE还引入了对驾驶员友好的重叠路线功能，减少了让司机在路线上感到困扰的区域冲突。此外，步行聚类功能可以识别出司机何时应该停车一次并步行完成多个配送，而不是反复进出车辆。

"从一个停车位出发，你可以步行完成某一区域内多个不同的配送，这可能比反复上下车辆更高效，"Coppelmans说。

Last Meter Guidance闭环

这些规划改进并未解决Coppelmans认为的核心挑战：调度部门早晨制定的计划与司机在现场实际面临情况之间的脱节。

"如果早上六点你有一个完美的计划，到了九点它可能已经不同了，因为有各种意外事件——司机生病、承运商失联或最后一刻的订单变更，"Coppelmans说。"你需要非常动态和灵活，将这些因素纳入考虑。"

HERE的解决方案是Last Meter Guidance，这是一项运行在手持设备或驾驶员应用上的客户端服务，从现场收集传感器和定位数据。在密集的配送环境中，到达一个配送点的最后一段路程可能与简单地导航到街道地址截然不同，尤其是当停车、建筑入口和步行路径决定了配送实际所需时间时。

"我们自动收集传感器和探测定位点，我们拥有自己的定位技术栈，"Coppelmans说。"这项服务在此基础上构建，确保我们真正从现场中学习。我们收集车辆停车位置的轨迹数据、走向建筑物的步行路径，标记建筑入口和最终配送终点位置。"

数据双向流动。调度员获得更精确的配送时间窗口，而司机则获得基于以往司机实际成功完成配送位置的停车和入口指引，而非仅仅依赖地图上标注的建筑物入口位置。

"不再有脱节了，"Coppelmans说。"司机更愿意信任所规划的内容，可以说，'好的，这很合理。'"

AI路线优化学会自我解释

在这两项服务之上是HERE所说的路线优化认知层——一项原型智能体能力，公司预计将于2026年下半年进入封闭测试。底层的路线规划API告诉调度员该做什么，而推理层则旨在解释为什么做出这些决策。这一区别在调度运营中至关重要，因为看似低效的建议可能与用户无法立即看到的约束条件相关。

"为什么这些订单未分配？为什么这两辆卡车在同一天走同一条街？"Coppelmans说。"这可能是因为实际的约束条件、驾驶技能或某些优先事项。"

该层的功能不止于解释。它还被设计为能够提出纠正建议——就像经验丰富的调度员凭直觉做出的那种调整。

"也许可以放宽某些约束条件，将一些订单移到明天，或者在运力中增加两辆车，"Coppelmans说。"这就是特定领域的推理层。"

Coppelmans将这一转变与远程信息处理领域已经发生的发展进行了类比——车队使用生成式AI来调查轮胎为何失压或资产为何失踪。将同样的方法应用于调度运营，意味着管理者不再需要独立推断每一次服务失败的每一个下游原因。

"它为你提供主动建议，告诉你如何进一步改进你的计划，使其更加完善，"Coppelmans说。

在AI产生幻觉之前为其建立基础

除了推理层，HERE还发布了另一个独立的位置推理层，旨在防止大语言模型在被问及地理信息时编造内容。

当要求通用LLM在卡车路线的中途找到一家餐厅时，Coppelmans指出结果往往不可靠。

"如果你现在问通用LLM某个地理位置，你会得到非常随机的结果，完全偏离，几何形状或位置错误，"Coppelmans说。"你得到一个错误的POI，不在河边而是在其他地方。你很容易被误导，这些LLM在地理定位查询方面会产生幻觉。"

HERE Location Reasoning旨在为AI智能体提供准确回答此类问题所需的空间基础——无论是理解车辆在道路上的位置、围绕中点划定边界，还是筛选真正位于给定路线上的兴趣点。对于交通运输应用而言，这种空间基础至关重要，因为地理错误可能影响路线规划、站点选择以及传递给司机的指令。

"这就是我们正在进行的旅程，进一步支持市场上构建的不同智能体，"Coppelmans说。"我们正在为它们提供一个相应的层，使它们能够真正理解位置的语境并建立基础。"

智能体间通信的未来

Coppelmans并不认为推理层会取代公司自身的运营判断。他指出，每家承运商的KPI和服务水平协议差异太大，无法由一个共享模型独立处理。

"你需要运行自己的智能体运营代理，但将其他方的经验教训输入其中至关重要，否则你就会形成信息孤岛，"Coppelmans说。

他建议，更长远的图景与其说是一家公司拥有一个AI模型，不如说更像是一个智能体互相查询的网络——承运商的调度智能体向路线智能体咨询，就像一个人向同事征求第二意见一样。目前值得关注的是，封闭测试能否证明，可解释的路线建议有助于调度员在管理异常情况时保持对运营规则的掌控。

"你可能会更多地从智能体间通信的角度来思考连接某些事物，"Coppelmans说。"它不一定非要完全集成到你自己的系统中，你可以调用不同的智能体来获取其他数据集进行验证和确认。但这还不是我们目前所处的阶段，还有一段路要走。"