RADAR：基于非对称感知距离表示的智能路径规划新框架
突破对称性限制：RADAR如何解决现实世界路径规划难题
在物流配送、网约车调度等现实场景中，车辆路径规划问题（VRP）的核心挑战之一在于距离的非对称性——从A点到B点的耗时或成本，往往与从B点返回A点不同。这种非对称性源于交通拥堵、单行道、地形差异等多种因素，而传统的神经求解器大多基于对称的欧几里得距离假设，限制了其在真实业务中的适用性。
近期，一篇题为《RADAR: Learning to Route with Asymmetry-aware DistAnce Representations》的论文被ICLR 2026接收，提出了一种名为RADAR的可扩展神经框架，专门为解决非对称VRP而设计。
非对称VRP的编码难题
早期尝试直接编码非对称距离矩阵，但往往面临两大瓶颈：
- 嵌入表示不够紧凑，导致模型参数量大、计算效率低。
- 泛化能力弱，尤其是在处理大规模或分布外实例时性能下降明显。
RADAR的创新之处在于，它从静态和动态两个维度系统性地建模非对称性。
静态非对称：基于SVD的紧凑嵌入初始化
RADAR利用**奇异值分解（SVD）**对非对称距离矩阵进行处理，生成紧凑且可泛化的嵌入表示。这种方法能够自然地编码每个节点的“入度成本”和“出度成本”，从而在模型初始化阶段就捕捉到图结构中的固有非对称特征。
动态非对称：Sinkhorn归一化增强注意力机制
在编码过程中，节点嵌入之间的交互也会产生动态的非对称性。为此，RADAR用Sinkhorn归一化替代了标准softmax，在注意力权重中同时施加行和列的距离感知约束。这使得模型在计算节点间关联度时，能够更精细地权衡双向路径的成本差异。
实验验证：泛化性能显著提升
论文在合成数据集和真实世界基准上进行了广泛实验，覆盖多种VRP变体。结果显示：
- 在分布内实例上，RADAR超越了现有强基线模型。
- 在分布外实例上，RADAR表现出更强的鲁棒性和泛化能力，验证了其对于未知场景的适应力。
对AI行业的启示
RADAR的提出，标志着神经求解器在走向实际落地的过程中，开始更深入地处理现实世界的复杂性。它不仅为物流、交通等领域的优化问题提供了更实用的工具，也为图神经网络、注意力机制等基础技术如何建模非对称关系提供了新思路。
随着自动驾驶、智慧城市等应用的深入，对非对称、动态变化环境的建模能力将成为AI系统能否真正“走出实验室”的关键。RADAR在这一方向上的探索，值得业界持续关注。