摘要：无人驾驶电动集卡(AECT)在港口内部物流中展现出优异的经济和环保效益,但其在港口外部集疏运环节的应用仍面临道路环境复杂多变和能源供给不稳定等挑战。为将AECT扩展至港口邻近半开放区域,本文提出利用多属性复杂度学习驱动AECT集疏运路径优化。首先,针对港口集疏运场景的动态不确定特征,设计融合多属性决策和机器学习的大规模路网复杂度评估方法;其次,在集疏运路径优化模型中引入自动驾驶系统设计工况(ODD)约束和续航里程限制,综合考虑AECT自动驾驶能力、能耗特性和运输时效。实例分析表明:不同等级道路在复杂度水平和空间分布上具有显著差异,低等级道路的复杂度普遍高于高等级道路;当ODD边界复杂度达到0.55及以上时,复杂度学习驱动的路径优化模型可使AECT人工接管率降低5.04%~16.83%,在半开放场景下实现“完全自动驾驶”;随着ODD边界复杂度提高,AECT的自动驾驶性能和节能效果逐步提升,当ODD边界复杂度达到0.55和0.70时,AECT分别在限定路线和任意路线实现自动驾驶,运输成本相比传统集卡节省24.03%和29.26%。