中圖分類號(hào)：U463.675 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-8639(2025)07-0054-03

Researchon IntellgentPathPlanning Method for UnmannedDeliveryVehiclesforUrbanLogistics*

Pan Yamei

(Henan Vocational College of Industry and Trade，Zhengzhou ，China)

【Abstract】With the growth of e-commerce and urban logistics demands，unmanned delivery vehicles have become aresearch hotspot.This paperproposesa dynamic path planing framework basedon multi-source data fusion， integrating lidar，visionandV2Xdatatoachievereal-timepathoptimization incomplexurbanenvironments.Thepath planing methodsofdiffrentalgorithmswereanalyzed，andtheintelligentpathplanningstrategiesforurbanareaswere discussed indetail.Experimentsshow thatthis methodcanimprove theeficiencyof path planning，increasetheon-time delivery rate and contribute to the intellgent development of urban logistics distribution in typical urban scenarios.

【Key words】 urban area；unmanned delivery vehicle；intelligent path；planning technology

隨著電子商務(wù)的迅猛發(fā)展，城市物流配送需求激增，傳統(tǒng)人工配送方式已難以滿足需求。而無(wú)人配送車憑借其自動(dòng)化和智能化特點(diǎn)，成為解決這一問(wèn)題的新途徑。學(xué)者對(duì)此進(jìn)行了廣泛研究，汪洋等對(duì)菜鳥車輛路徑規(guī)劃算法進(jìn)行了實(shí)證研究。王強(qiáng)暉等綜述了短途無(wú)人配送車自動(dòng)駕駛技術(shù)。陳榮軍等提出了一種改進(jìn)的A*算法。劉珂等4基于改進(jìn)的人工勢(shì)場(chǎng)法，解決了多障礙環(huán)境下的路徑規(guī)劃問(wèn)題。這些研究為無(wú)人配送車的路徑規(guī)劃提供了重要的理論支持和技術(shù)指導(dǎo)。然而，現(xiàn)有研究在動(dòng)態(tài)環(huán)境下的實(shí)時(shí)路徑調(diào)整和多任務(wù)協(xié)同路徑規(guī)劃方面仍存在不足。本文基于現(xiàn)有研究，提出一種面向城市復(fù)雜環(huán)境的智能路徑規(guī)劃方法，重點(diǎn)解決動(dòng)態(tài)路徑調(diào)整和多任務(wù)協(xié)同路徑規(guī)劃問(wèn)題。

1基于不同算法的智能路徑規(guī)劃方法

1.1傳統(tǒng)路徑規(guī)劃算法的應(yīng)用與改進(jìn)

傳統(tǒng)的Dijkstra和A算法在無(wú)人配送車路徑規(guī)劃中意義重大。Dijkstra算法適合小型網(wǎng)絡(luò)簡(jiǎn)單路徑查找，但在復(fù)雜城市環(huán)境下效率低，地圖規(guī)模增大時(shí)計(jì)算時(shí)間劇增。A算法引入啟發(fā)式估計(jì)，提升了效率。不過(guò)，面對(duì)動(dòng)態(tài)道路條件，二者均存在不足。而改進(jìn)后的分層A*算法效果顯著，在 100km² 城市路網(wǎng)試驗(yàn)中，平均規(guī)劃時(shí)間從原始的 500ms 降至 200ms 。此外，將歷史交通模式融入算法，可更精準(zhǔn)預(yù)測(cè)路況，進(jìn)一步優(yōu)化路徑規(guī)劃，增強(qiáng)傳統(tǒng)算法在城市區(qū)域無(wú)人配送車路徑規(guī)劃中的適應(yīng)性。

1.2啟發(fā)式搜索算法在路徑優(yōu)化中的應(yīng)用

遺傳算法和蟻群算法等啟發(fā)式搜索算法，在無(wú)人配送車路徑優(yōu)化方面優(yōu)勢(shì)獨(dú)特。遺傳算法模擬自然選擇，通過(guò)交叉、變異操作，能在大規(guī)模搜索空間找到較優(yōu)解，有助于處理多目標(biāo)優(yōu)化問(wèn)題（如兼顧行駛距離和貨物優(yōu)先級(jí)）。蟻群算法依據(jù)螞蟻覓食原理，利用信息素濃度選擇路徑，適合解決帶約束條件的路徑規(guī)劃。然而，這類算法存在收斂慢、參數(shù)調(diào)整復(fù)雜的問(wèn)題。為解決這些問(wèn)題，可引入自適應(yīng)機(jī)制動(dòng)態(tài)調(diào)整參數(shù)，還能結(jié)合機(jī)器學(xué)習(xí)技術(shù)從歷史數(shù)據(jù)提取有用模式，從而提升算法性能，讓啟發(fā)式搜索算法在動(dòng)態(tài)環(huán)境下更好地發(fā)揮作用，提高路徑規(guī)劃的靈活性和應(yīng)對(duì)突發(fā)情況的能力。

1.3機(jī)器學(xué)習(xí)與深度學(xué)習(xí)驅(qū)動(dòng)的路徑規(guī)劃方法探索

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)為無(wú)人配送車路徑規(guī)劃帶來(lái)了新契機(jī)。通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，可學(xué)習(xí)歷史數(shù)據(jù)來(lái)預(yù)測(cè)交通狀況、優(yōu)化路徑。例如，以ResNet-18為基礎(chǔ)網(wǎng)絡(luò)，輸入 256×256 的RGB圖像，設(shè)置學(xué)習(xí)率0.001、樣本數(shù)量BatchSize為32，經(jīng)大量數(shù)據(jù)訓(xùn)練后，模型在復(fù)雜城市環(huán)境下路徑規(guī)劃準(zhǔn)確率超 95% 。但這些方法在實(shí)際應(yīng)用中面臨數(shù)據(jù)獲取難、訓(xùn)練成本高、實(shí)時(shí)性要求高等挑戰(zhàn)。為克服這些問(wèn)題，可利用邊緣計(jì)算技術(shù)將部分計(jì)算任務(wù)分配到車輛，減輕云端負(fù)載，提高響應(yīng)速度，還能聯(lián)合多車數(shù)據(jù)構(gòu)建更大訓(xùn)練集，提升模型泛化能力，推動(dòng)該技術(shù)在無(wú)人配送車路徑規(guī)劃中的實(shí)際應(yīng)用。

2無(wú)人配送車智能路徑規(guī)劃方法

2.1基于多源數(shù)據(jù)融合的動(dòng)態(tài)路徑規(guī)劃

為應(yīng)對(duì)城市區(qū)域復(fù)雜多變的交通環(huán)境，無(wú)人配送車需采用基于多源數(shù)據(jù)融合的動(dòng)態(tài)路徑規(guī)劃方法。一是要搭建多源數(shù)據(jù)采集體系，通過(guò)給無(wú)人配送車配備激光雷達(dá)、攝像頭等傳感器，持續(xù)收集車輛周邊環(huán)境信息，如障礙物位置、道路標(biāo)識(shí)等。二是要通過(guò)通信模塊與交通管理系統(tǒng)、地圖服務(wù)平臺(tái)建立連接，實(shí)時(shí)獲取路況數(shù)據(jù)與地圖更新數(shù)據(jù)，并構(gòu)建數(shù)據(jù)融合模型，將傳感器采集的原始數(shù)據(jù)、交通路況數(shù)據(jù)、地圖數(shù)據(jù)進(jìn)行預(yù)處理，統(tǒng)一數(shù)據(jù)格式與坐標(biāo)系統(tǒng)。三是運(yùn)用卡爾曼濾波等算法，對(duì)多源數(shù)據(jù)進(jìn)行融合計(jì)算，消除數(shù)據(jù)噪聲與誤差，得到精準(zhǔn)的環(huán)境感知結(jié)果，同時(shí)開發(fā)動(dòng)態(tài)路徑規(guī)劃算法，以融合后的多源數(shù)據(jù)為基礎(chǔ)，算法依據(jù)實(shí)時(shí)路況，快速評(píng)估各條可行路徑的通行時(shí)間、擁堵風(fēng)險(xiǎn)等指標(biāo)。四是采用A*算法或Dijkstra算法的改進(jìn)版本，結(jié)合實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)調(diào)整搜索策略，優(yōu)先選擇通行效率高的路徑，并建立反饋機(jī)制，在配送車行駛過(guò)程中，不斷對(duì)比實(shí)際路況與規(guī)劃路徑，若出現(xiàn)偏差，重新采集數(shù)據(jù)、融合分析并再次規(guī)劃路徑，確保配送車始終行駛在最優(yōu)路線上。多源數(shù)據(jù)采集體系技術(shù)參數(shù)見表1。

2.2考慮時(shí)空約束的路徑優(yōu)化算法

無(wú)人配送車在城市區(qū)域路徑規(guī)劃要考慮時(shí)空約束。一方面，要梳理約束條件，明確道路限行、貨車禁行等空間約束，以及訂單送達(dá)時(shí)間窗口等時(shí)間約束，建立數(shù)學(xué)模型將其轉(zhuǎn)化為路徑選擇和任務(wù)時(shí)間限制條件，并用線性、整數(shù)規(guī)劃方法融入目標(biāo)函數(shù)。另一方面，要設(shè)計(jì)優(yōu)化算法，以滿足約束為前提，用分支定界法、動(dòng)態(tài)規(guī)劃法在解空間找最優(yōu)路徑，計(jì)算時(shí)綜合考慮路徑長(zhǎng)度、速度、紅綠燈等待時(shí)間等。同時(shí)，還要定期更新約束信息，與交通部門同步，根據(jù)訂單調(diào)整時(shí)間約束，保證路徑規(guī)劃基于最新條件，讓配送既按時(shí)又合規(guī)。無(wú)人配送車路徑規(guī)劃的時(shí)空約束條件見表2。

2.3 面向多任務(wù)分配的協(xié)同路徑規(guī)劃

多輛無(wú)人配送車協(xié)同作業(yè)時(shí)，要采用協(xié)同路徑規(guī)劃策略。一是要構(gòu)建任務(wù)分配模型，收集訂單和車輛參數(shù)信息，用匈牙利算法、遺傳算法合理分配任務(wù)，讓各車任務(wù)均衡且配送范圍集中。二是建立V2V通信網(wǎng)絡(luò)，讓車輛共享位置、速度和任務(wù)進(jìn)度等信息，并開發(fā)協(xié)同算法，根據(jù)車輛位置和任務(wù)緊急程度規(guī)劃行駛順序和路線，避免多車沖突。三是實(shí)施動(dòng)態(tài)調(diào)整機(jī)制，配送中若有車故障或遇突發(fā)路況，系統(tǒng)重新分配任務(wù)，周邊車輛接收并調(diào)整路徑，保障配送順利進(jìn)行。

2.4基于強(qiáng)化學(xué)習(xí)的自適應(yīng)路徑規(guī)劃

為提升無(wú)人配送車在動(dòng)態(tài)環(huán)境適應(yīng)能力，可采用基于強(qiáng)化學(xué)習(xí)的方法。第一，先設(shè)計(jì)學(xué)習(xí)環(huán)境，把車輛行駛環(huán)境抽象為狀態(tài)空間，行動(dòng)設(shè)為動(dòng)作空間，按配送效率和是否違規(guī)設(shè)置獎(jiǎng)勵(lì)函數(shù)。第二，構(gòu)建智能體模型，用深度Q網(wǎng)絡(luò)等算法，讓智能體在模擬城市環(huán)境大量試驗(yàn)中，根據(jù)狀態(tài)選動(dòng)作，依據(jù)獎(jiǎng)勵(lì)反饋更新策略，學(xué)會(huì)最優(yōu)行動(dòng)。第三，將訓(xùn)練好的模型部署到實(shí)際車輛，在真實(shí)環(huán)境中，智能體持續(xù)交互，根據(jù)新路況和任務(wù)優(yōu)化策略，實(shí)現(xiàn)自適應(yīng)路徑規(guī)劃。

2.5面向城市復(fù)雜環(huán)境的魯棒性路徑規(guī)劃

確保無(wú)人配送車在復(fù)雜城市環(huán)境穩(wěn)定運(yùn)行，需采用魯棒性路徑規(guī)劃。其一，收集城市歷史交通、天氣和道路施工等數(shù)據(jù)，分析不同區(qū)域復(fù)雜情況的概率和影響范圍。其二，構(gòu)建規(guī)劃模型，用隨機(jī)規(guī)劃、魯棒優(yōu)化等方法將復(fù)雜因素納入考量，設(shè)計(jì)備用路徑生成算法，為主路徑生成多條備用路徑。其三，在配送車行駛時(shí)，利用傳感器和通信設(shè)備監(jiān)測(cè)環(huán)境，一旦主路徑出現(xiàn)問(wèn)題，如施工或惡劣天氣，系統(tǒng)按備用路徑優(yōu)先級(jí)快速切換，保障配送任務(wù)不受影響。算法流程圖和系統(tǒng)架構(gòu)圖見圖1、圖2。

2.6無(wú)人配送車智能路徑規(guī)劃試驗(yàn)驗(yàn)證

為驗(yàn)證智能路徑規(guī)劃方法的有效性，本文設(shè)計(jì)了仿真試驗(yàn)，采用Carla和Prescan平臺(tái)，分別適用于復(fù)雜城市環(huán)境和大規(guī)模交通場(chǎng)景仿真。對(duì)比了傳統(tǒng)A*算法、多源數(shù)據(jù)融合方法、時(shí)空約束優(yōu)化算法、協(xié)同路徑規(guī)劃方法、強(qiáng)化學(xué)習(xí)自適應(yīng)方法和魯棒性路徑規(guī)劃方法。試驗(yàn)記錄了路徑長(zhǎng)度、規(guī)劃時(shí)間和能耗等指標(biāo)。結(jié)果顯示，多源數(shù)據(jù)融合方法使路徑長(zhǎng)度縮短 15% ，規(guī)劃時(shí)間減少 20% ，能耗降低 10% 時(shí)空約束優(yōu)化算法使路徑長(zhǎng)度縮短 10% ，規(guī)劃時(shí)間減少 15% ，任務(wù)完成率提高 20% ；協(xié)同路徑規(guī)劃方法使路徑長(zhǎng)度縮短 12% ，規(guī)劃時(shí)間減少 18% ，任務(wù)完成率提高 25% ；強(qiáng)化學(xué)習(xí)自適應(yīng)方法使路徑長(zhǎng)度縮短18% ，規(guī)劃時(shí)間減少 22% ，能耗降低 12% ；魯棒性路徑規(guī)劃方法使路徑長(zhǎng)度縮短 13% ，規(guī)劃時(shí)間減少25% ，能耗降低 15% ，且能快速切換備用路徑應(yīng)對(duì)突發(fā)情況。這些結(jié)果證明了所提方法在提升無(wú)人配送車效率、降低能耗和提高任務(wù)完成率方面的優(yōu)勢(shì)，為城市區(qū)域無(wú)人配送車的廣泛應(yīng)用提供了技術(shù)支持。

3結(jié)語(yǔ)

無(wú)人配送車以其靈活性、高效性和環(huán)保性，在城市物流中展現(xiàn)出獨(dú)特優(yōu)勢(shì)。智能路徑規(guī)劃技術(shù)則進(jìn)一步提升了其適應(yīng)復(fù)雜城市環(huán)境的能力。本文提出的基于多源數(shù)據(jù)融合的動(dòng)態(tài)路徑規(guī)劃框架，通過(guò)融合激光雷達(dá)、視覺(jué)和V2X數(shù)據(jù)，實(shí)現(xiàn)了城市復(fù)雜環(huán)境下的實(shí)時(shí)路徑優(yōu)化。

參考文獻(xiàn)

[1]汪洋，孫劍.菜鳥驛站無(wú)人配送車物流路徑規(guī)劃算法實(shí)證研究[J].物流科技，2022，45（16)：24-26，30.

[2]王強(qiáng)暉，邵忠瑛.短途無(wú)人配送車自動(dòng)駕駛技術(shù)研究綜述[J].專用汽車，2023（6)：10-12.

[3]陳榮軍，謝永平，于永興，等.基于改進(jìn) A^* 算法的無(wú)人配送車避障最優(yōu)路徑規(guī)劃[J].廣東技術(shù)師范大學(xué)學(xué)報(bào)，2020，41 (3):1-8.

[4]劉珂，董洪昭，張麗梅，等.基于改進(jìn)人工勢(shì)場(chǎng)法的物流無(wú)人配送車路徑規(guī)劃[J]計(jì)算機(jī)應(yīng)用研究，2022，39(11):3287-3291.

（編輯楊凱麟）