链上镖师 / Chain Biaoshi
TRA|城市食品订单末端配送：无人机搭乘出租车的协同调度框架
用实时车辆轨迹延伸无人机服务范围，并改善长距离订单的配送效率与能耗表现
论文提出无人机搭便车末端配送框架，让无人机前往登乘点搭乘运行中的车辆，在合适位置下车后完成末端配送，并通过实时代理式协调改善长距离食品订单的服务表现。
- 01：研究对象：曼哈顿城市交通网络中的食品订单、出租车轨迹与无人机配送协同。
- 02：核心方法：DHLDF多层框架与去中心化代理式启发算法。
- 03：主要结果：相较直接无人机配送，成功率提高20.6%，能耗降低11.9%。
从无人机直飞到车辆搭便车
纯无人机配送受到载荷、续航和服务半径限制，长距离订单需要更长的飞行路径与更高的电量消耗。论文把运行中的出租车视为移动中转资源：无人机先飞往车辆经过的登乘点，随车沿道路移动，在下车点重新起飞，完成客户侧的最后一段配送。
无人机搭便车末端配送流程（来源：Fig. 2）
DHLDF把三类城市系统接入同一条配送链
DHLDF由城市交通网络、无人机配送网络和物流运营层组成。交通网络提供车辆路线与时序信息，无人机网络管理枢纽、待命无人机和荷电状态，物流运营层处理订单、取货时间窗、送达时间窗以及登乘和下车位置。中央协调系统依据当前状态完成无人机与车辆的动态匹配。
无人机搭便车末端配送框架的系统架构（来源：Fig. 3）
11. 接收食品配送订单与无人机搭便车请求
22. 根据取货时间窗筛选可用枢纽与待命无人机
33. 搜索满足时空同步条件的运行车辆
44. 确定登乘点、下车点与后续配送路径
55. 完成配送后依据荷电状态安排返航或充电
订单分配、车辆匹配与荷电状态同步
算法在每个匹配周期内处理订单分配与车辆协同。系统先根据配送距离和决策阈值确定直接配送或搭便车模式，再筛选能够满足取货时间窗、送达时间窗和电量要求的无人机。车辆匹配同时考虑车辆到登乘点和下车点的空间距离，以及无人机与车辆的到达时间差。
配送过程中的活动、时间线、位置与无人机荷电状态（来源：Fig. 4）
DHLDF代理式算法的方法工作流（来源：Fig. 5）
匹配效用由节省能耗、配送效率改善和车辆运营成本共同决定；时空同步阈值用于限制无人机与车辆在登乘位置的到达偏差。
曼哈顿食品配送案例：轨迹数据与十个无人机枢纽
仿真案例覆盖曼哈顿区域，车辆侧使用纽约市出租车轨迹数据，订单侧使用Uber Eats、Grubhub和DoorDash等平台的食品配送记录。研究筛选出12,815个食品订单，并通过GraphHopper根据区域编号、起终点和时间信息生成车辆道路轨迹，再用K-Means聚类形成十个无人机配送枢纽。
曼哈顿区域车辆轨迹与食品配送订单的空间分布（来源：Fig. 6）
K-Means算法生成的无人机枢纽空间分布（来源：Fig. 7）
不同配送距离下的路径与能耗变化
四类案例显示，搭便车路线会增加部分短距离订单的等待与衔接时间，减少无人机独立飞行距离。订单距离分别为849米、1825米、2833米和6735米时，搭便车能耗分别为24%、22%、37%和50%，直接配送能耗分别为28%、32%、54%和95%。长距离订单的时间与能耗改善更加明显。
四类典型场景下的无人机搭便车配送过程（来源：Fig. 8）
6735米订单能耗
95% → 50%
2833米订单配送时间
283秒 → 232秒
系统级表现：成功率、能耗与无人机周转
大规模仿真表明，搭便车框架通过车辆移动和无人机协同降低独立飞行需求，并提高无人机周转率。与直接无人机配送相比，DHLDF成功率提高20.6%，能耗降低11.9%。配送失败分布显示，运行策略对长距离订单的服务覆盖具有重要影响，等待、工作和充电状态的无人机数量也随仿真过程持续变化。
不同运营场景下按配送距离分布的配送失败数量（来源：Fig. 9）
仿真过程中无人机运营状态数量的动态变化（来源：Fig. 10）
不同配送距离下节省电能的分布（来源：Fig. 12）
配送模式阈值决定运营权衡
研究通过配送模式决策阈值区分直接飞行订单与搭便车订单。短距离订单采用搭便车会增加车辆衔接环节，长距离订单更容易获得飞行距离和能耗收益。阈值敏感性分析同时考察配送失败数量、平均能耗和平均配送时间，结果为按订单距离进行模式选择提供定量依据。
不同配送模式决策阈值下相关性能指标的分布（来源：Fig. 13）
配送模式决策阈值对系统性能指标的影响（来源：Table 8）
论文案例采用600米作为基础配送模式判断阈值，敏感性分析进一步考察阈值变化，并将1200米阈值的系统表现作为参数选择的重要参照。
模型适用条件与研究边界
论文的能耗模型针对轻量级多旋翼无人机校准，使用载荷质量、飞行速度、电池容量和功率传输效率等参数。仿真设置包括250千焦电池容量、30分钟充电时间、70%的最低待命电量和30%的最低充电阈值。研究结果依赖曼哈顿车辆轨迹、食品订单时序与空间分布，向固定翼或混合垂直起降平台的推广条件论文未报告。
✓需要存在具有稳定时空轨迹的可搭乘车辆资源。
✓需要满足无人机登乘、下车、取货与送达的时间窗约束。
✓需要依据订单距离、车辆可用性和电量状态配置配送模式。
✓固定翼或混合垂直起降无人机的适用性：论文未报告。
✓不同城市、不同订单密度与不同车辆结构下的外推效果：论文未报告。
论文：Cooperative drone-based hitchhiking vehicle framework for last-mile logistics services: A case study for online food delivery scenarios
作者：Zijian Ding，Fan Zhang，Wei Ma
期刊：Transportation Research Part A
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
