把快递柜变成无人机换电站：卡车-无人机联合路径新解法与中国存量设施复用机会

无人机末端配送谈了多年，真正卡住规模化的往往不是飞机本身，而是地面节点。无人机航程有限、载重有限、电池更有限，如果每次飞行都必须从远处配送中心起飞，经济性根本无法成立。业界的共识解法是卡车加无人机的接力模式：卡车负责长途干线运输，无人机负责最后几公里的柔性投送。但接力发生在哪里、如何调度，一直缺少一个贴近真实运行约束的模型。

2026 年 6 月 26 日提交至 arXiv 的论文 Locker-based Truck-Drone Routing with Integrated Considerations of Pickups, Deliveries, and No-Fly Zones（arXiv:2606.30680），把这个问题往现实推进了一大步。论文作者为 Xuanyu Liu、Hui Hu、Jiao Zhao、Ziliang Wang、Zhengbing He，横跨机器人（cs.RO）、人工智能（cs.AI）、机器学习（cs.LG）与社会物理（physics.soc-ph）四个方向。

把快递柜从储物柜升级为空中节点

论文最有想象力的设定，是重新定义了智能快递柜的角色。在传统模型里，快递柜只是包裹的临时存放点；而在这篇论文的设定中，快递柜同时承担三项功能：

• 暂存节点：包裹的临时储存与用户自提。
• 自动化停靠节点：支持无人机起飞、降落与包裹交接。
• 换电节点：支持电池更换，直接突破单次航程限制。

换电这一项是关键。一旦无人机可以在快递柜完成电池更换，整个配送网络的可达半径就不再受限于单块电池的续航，而是取决于快递柜的空间密度。这在数学上把一个受硬约束的短程问题，转化为一个网络覆盖问题。

问题建模：把四类现实约束一次性塞进去

作者提出的 LTDRP-PDNF 问题，目标是最小化搭载无人机的卡车车队的总运营成本，同时整合四类此前多被分开处理的约束：

约束类型	具体内容	为什么难
派件	包裹送达终端客户或快递柜	经典车辆路径问题的基本项
取件	退货与逆向物流件的回收	与派件混合后，车载容量随路径动态变化
电池约束	无人机续航受限，需规划换电时机	时间与空间耦合的资源约束
载重相关能耗	能耗随载重变化，非固定值	航程不再是常数，与装载方案互相影响
禁飞区	受限空域需绕行	飞行距离不等于直线距离，破坏经典几何假设

其中载重相关能耗与禁飞区绕行两项，是把学术模型拉回现实的关键。多数早期研究默认无人机航程固定、飞行走直线，这两个假设一旦放开，问题的组合复杂度会急剧上升。

方法：两阶段深度强化学习神经启发式

作者把路径构建过程建模为马尔可夫决策过程，并设计了两阶段的深度强化学习神经启发式：

第一阶段先解耦，只处理卡车侧的路径问题，将其形式化为带容量约束的车辆路径问题（CVRP），采用基于注意力机制的编码器搭配双向门控循环单元（BiGRU）解码器。注意力编码器负责捕捉节点间的空间关系，双向 GRU 则在解码时兼顾已访问序列与未来待访问节点的信息。

第二阶段引入策略迁移策略，把第一阶段学到的卡车路径知识迁移过来，再结合一个混合派单分配启发式，构建卡车与无人机完整协同的路线。这种先解简化问题、再迁移到复杂问题的做法，在训练效率上有明显优势——直接端到端训练一个同时输出卡车路线与无人机任务分配的策略，搜索空间过大且奖励信号稀疏。

实验在不同规模的算例上进行，作者称所提方法在多数情况下优于元启发式与神经启发式基线，同时保持极短的计算时间。

需要保持清醒的几点

第一，摘要给的是在多数情况下优于基线，而不是具体提升幅度。这个措辞值得注意：它意味着存在打不过传统元启发式的场景，但摘要没有交代是哪些场景。对于要做工程选型的团队，这恰恰是最需要知道的信息——如果劣势场景正好是自己的主力业务形态，那么这套方法的适用性就要打问号。

第二，计算极快是神经启发式的通用卖点，但训练成本没有计入。神经启发式的推理确实是毫秒级，可一旦城市换了、快递柜布局变了、禁飞区拓扑调整了，模型要不要重新训练、重训需要多久、能否在线增量更新，这些才是真实运营中的成本项。论文摘要未涉及泛化性与重训代价。

第三，也是最贴近中国现实的一点：论文把禁飞区处理为静态几何约束，而中国低空的真实管制是动态的。重大活动、临时空域管制、突发管控随时可能改变可飞区域，且往往是小时级甚至分钟级的变化。一个把禁飞区当作固定多边形离线优化的模型，在真实运行中需要额外接一层动态重规划机制。这方面的思路可参考本站解读的FORTUNE 低空三维路径规划框架，它采用了离线规划加在线精化的分层结构来应对突发任务。

对中国末端物流的现实映射

这篇论文对中国的价值，可能比对论文原设想的场景更大，原因只有一个：中国已经建成了世界上密度最高的智能快递柜网络。丰巢、菜鸟驿站、中国邮政智能柜等存量设施数以十万计，且已经完成了选址、供电、通信与物业协调这些最难啃的前置工作。如果把其中一部分改造为无人机停靠与换电节点，边际成本相比新建垂直起降设施要低几个数量级。这是一条被严重低估的基础设施复用路径。

但现实卡点同样明确，必须一并说清：

• 物理位置不匹配：大量快递柜位于小区内部、楼道或地下车库入口，头顶有建筑与树木遮挡，根本不具备无人机垂直进近条件。可改造比例可能远低于总量。
• 噪声与居民接受度：快递柜的位置恰恰是居民活动最密集处，无人机频繁起降的噪声投诉风险极高。相关量化方法可参考噪声烦扰度建图研究。
• 物权与责任归属：柜体归运营商、场地归物业、空域归监管，改造涉及三方谈判，这是商务问题不是技术问题。
• 取件场景的特殊性：论文把退货取件纳入模型是加分项，中国服装类目退货率长期偏高，逆向物流是真痛点。但用户投递退货件到快递柜再由无人机取走，需要柜体具备自动装载能力，这是现有柜体不具备的。

换句话说，这套算法框架给出的是一个上限估计——在快递柜可以自由充当空中节点的理想条件下，卡车与无人机协同能做到什么程度。真实部署的第一道题不是优化算法，而是先把可改造快递柜的比例摸清楚。相关的产业进展可参见无人机物流配送产业分析，网络层面的机队规划思路可参考湾区 UAM 机队与网络规划研究，而末端飞行器的实时执行能力可参见FlowPilot 世界-动作模型研究。

常见问题