一篇论文拆穿自动驾驶车队的"公平"假象：少数乘客正在为全局最优买单

做自动驾驶车队调度的团队，几乎所有人都在优化同一个指标：全局平均出行时间。听起来很合理——让整个城市的车跑得更快，乘客等得更短，谁不同意？

一篇 arXiv 新论文把这个结论翻了个底朝天。作者 Nicole Hu 和合作者在曼哈顿、芝加哥、旧金山三个真实城市的道路网络和出租车需求数据上做了分布审计，结果挺扎心：盯着全局平均的时候，某些区域的乘客正在被系统性地晾在路边。

论文给了这个现象两个名字。一个是行程长度不公平（trip-length inequity）：短途乘客比长途乘客等得更久，或者反过来，取决于调度算法。另一个是空间不公平（spatial inequity）：住在哪、从哪出发，直接决定了等车时间，而且这种不公平会随着需求增长越来越严重。有意思的是，按出发地分组的不公平比按目的地分组更明显——问题更多出在"从哪叫车"，而不是"要去哪"。

这事值得单独拎出来说，因为绝大多数车队调度系统的设计逻辑就是"让整体效率最大"，模型跑出来均摊到每辆车每个乘客头上看着挺好。一旦按 trip 拆开、按区域拆开，会发现平均值底下藏着一套隐蔽的优先级系统——有些地方的请求，系统天然就不爱搭理。

论文提出的方法叫 SPARE（SPatially Aware RErouting），全称空间感知重路由。它不搞全车队重新规划那一套——太贵，算力扛不住，延迟也受不了。SPARE 的做法更像打补丁：维持现有的调度策略，但划出一笔有限的重规划预算，专门分配给那些被"亏待"的延迟车辆，然后根据实时观察到的"等待压力"调一调路线。

SPARE 提供了每轮决策保证，并且明确限制在线路由更新的次数——不是无限重试，是有边界地调。实验结果显示，在三个城市的数据集上对比六种基线方法，SPARE 在效率-公平性的联合指标上最强，同时保持了城市级别的可扩展性。

说人话就是：不改骨架，只动局部，见效。

这篇论文的工程直觉其实挺朴素的——不可能让每个路口都满意，但至少可以识别出那些总在"等更久"的人，有限度地拉他们一把。它不搞道德宣言，也没重新发明调度理论，而是给现有的 fleet coordinator 加了一层诊断+纠偏层。

对正在做车队调度的团队来说，这篇工作的提醒很具体：翻一翻日志，把所有行程按出发地和等待时间拉一张表。很可能发现，系统一直在偏袒某条线路、某个区域。这不一定是谁的代码写错了，更像是 "minimize average travel time" 这个目标函数天然就有偏心倾向。

全文在 arXiv 上公开，编号 2607.24336。如果团队里还没把公平性纳入调度评估指标，这篇值得拉个会读一下。