2025年12月10日，TOPS第173期组会于通达馆A102线下举行。本次组会由24级博士刘埮和25级博士陈宇航进行《机场电动地勤车辆服务与部分充电联合调度：一种两阶段自适应大邻域搜索方法》和《基于知识蒸馏的自动驾驶场景泛化生成》主题的学术报告分享。课题组全体老师同学出席了本次组会。

汇报时刻

刘埮同学从研究背景与现状、研究内容、实验分析和总结展望四个方面展开介绍。在研究背景方面，刘埮同学指出随着机场地勤车辆的电动化转型加速推进，电动车辆调度问题正面临前所未有的复杂挑战。电动车辆受限于续航里程，需在工作周期内进行间歇性充电，而多类型地勤车辆之间还存在服务优先级与时间窗的相互依赖，导致车辆服务任务与充电需求在时间与资源上形成竞争关系，构成了机场运行中的新型“移动调度瓶颈”。然而，现有的机场车辆调度方法大多仍基于传统燃油车辆或单一类型电动车辆的场景设计，忽略了部分充电行为的灵活性以及充电桩资源受限的现实条件。

研究背景

为此，刘埮提出了一种面向电动地勤车辆的服务与部分充电联合调度模型（EVRP-PCRC），并设计了一种两阶段自适应大邻域搜索算法。

研究目标

在研究内容方面，刘埮同学综合考虑多类型车辆的服务优先级、时间窗、部分充电行为与充电桩资源约束。针对精确求解难问题，提出了两阶段自适应大邻域搜索算法：第一阶段通过航班分配扰动，优化任务与车辆的匹配关系；第二阶段引入充电策略扰动，实现对充电时机与电量的灵活调整。两阶段间通过协同反馈机制循环迭代，并嵌入线性规划子问题快速优化时间决策。在此基础上，算法采用多算子破坏-修复策略与自适应权重更新机制，结合模拟退火接受准则，引导搜索过程向全局优化方向发展，最终实现服务与充电在时间和资源上的协同消解，从而有效诊断并缓解调度瓶颈。

研究内容

在实验结果方面，刘埮同学构建了基于求解质量与计算效率的综合评价体系，并对比了商用求解器与多种启发式算法。结果表明，所提出的两阶段自适应大邻域搜索算法在多数算例上均能取得更优的总成本，且求解速度显著快于传统优化器。特别是在大规模场景下，算法依然能够稳定获得高质量可行解。消融实验进一步证实，引入部分充电策略相比完全充电可有效降低总运营成本。

研究结果

汇报结束后，课题组成员针对上述研究展开讨论。秦国阳老师指出研究需进一步阐明两阶段框架与已有方法的本质创新，而不仅是算子的差异。石皓天老师从研究的实际意义出发，建议补充扎实的行业调研与数据分析，以论证服务时间与充电时间联合调度的现实必要性与合理性。孙剑老师重点强调了学术研究与工程实际耦合的重要性，同时对优化算法求解过程中“无法求得可行解”与“需长时间求优解”的划分作出具体要求。

接着陈宇航同学从研究背景、研究内容、实验结果、总结与展望四个方面对《基于知识蒸馏的自动驾驶场景泛化生成》研究展开介绍。

汇报时刻

研究背景部分陈宇航同学指出在自动驾驶技术快速发展的背景下，全面且可靠的仿真测试成为确保系统安全落地的关键环节。端到端交通仿真模型依赖大规模、多样化的真实场景数据进行训练，而基于虚拟仿真的测试方法因其场景可定制、效率高且成本可控，已成为自动驾驶系统验证的重要手段。然而，当前仿真模型普遍面临跨场景泛化能力不足的问题，不同数据集之间存在显著的道路结构、交通行为与交互模式差异，导致模型在“未见”场景中性能显著下降。然而现有方法多侧重于对轨迹的模仿与复现，缺乏对驾驶行为背后因果机制的可迁移建模，限制了仿真系统在真实复杂环境中的适应性与可靠性。如何从数据中提取具有泛化能力的因果驾驶模式，并实现其在跨域场景中的有效迁移，成为提升自动驾驶仿真真实性与可扩展性的关键挑战。

研究背景

为解决上述问题，陈宇航同学构建了基于知识蒸馏的因果驾驶模式迁移框架CDPT。该框架设计为两阶段蒸馏机制：第一阶段在源域内采用混合自蒸馏，融合场景特征对齐、交互对比学习和行为响应蒸馏，实现对可迁移因果驾驶模式的提取与内化；第二阶段面向目标域引入持续蒸馏策略，借助教师模型在少量真实数据引导下合成符合因果与安全约束的多样化场景，并通过闭环仿真迭代优化学生模型的跨域适应能力。两阶段间通过动态损失调度与因果表征共享进行协同，算法结合多尺度注意力建模与扩散去噪生成机制，在提升仿真真实性的同时显著增强模型对未知场景的泛化性能，最终实现从数据拟合到因果推理的仿真范式跨越。

研究内容

实验结果方面，在开环轨迹生成任务中，CDPT将开环性能指标minADE降低至0.683，minFDE降低至2.444，下降幅度为30.69%及25.10%，同时保持更高的轨迹多样性与行为合理性。在闭环仿真中，模型在源域数据集测试中的碰撞率、脱轨、逆行等指标平均改善15%并在跨数据测试中表现均优于基线，展现出优异的场景适应与安全泛化能力。此外研究进一步在Onsite测试平台中加以验证，CDPT在场景真实性及测试有效性方面均优于对比模型。

实验验证

未来陈宇航同学将针对扩散模型计算效率开展优化，探索多模态数据融合与三维场景生成能力，并推动该蒸馏框架向更广泛交通生成模型拓展，逐步实现高效、可控、可解释的仿真闭环。

研究展望

汇报结束后，与会师生围绕研究内容展开了深入讨论。孙剑老师建议，在问题陈述部分应加强对研究问题的形式化建模与直观阐释，便于理解核心问题。田野老师站在未来端到端发展角度，提出越过二维到三维的渐进路径，直接实现端到端的三维交通场景生成的研究方向。秦国阳老师则从融合传统机理与数据驱动建模的角度出发，探讨了将交通流理论中经典的驾驶模态进行显式化、结构化表征，并嵌入数据驱动框架的可能性，以增强模型的可解释性与因果鲁棒性。整场研讨在积极而富有浓厚的学术氛围中顺利结束。