卡车与无人机协同配送是近年来兴起的一种末端物流模式，其核心思路是让卡车承担长距离运输能力，而无人机负责灵活、快速的末端服务。在基于储物柜的运营模式中，智能储物柜不再只是临时的包裹存放设施，它还充当无人机的自动化停靠与服务节点。这类节点可以支持无人机起飞、降落、包裹交接以及电池更换，从而显著扩大无人机辅助配送网络的服务半径和运行灵活性。
不过，真正落地时，储物柜配送系统面临的问题远不止“卡车放无人机”这么简单。论文指出，实际运营需要同时协调多个相互耦合的任务：既有正向的包裹配送，也有退货或逆向的取件需求；无人机飞行会受到电池电量和载荷的双重约束；同时，配送路径还必须绕开受限空域或禁飞区，产生必要的绕行成本。这些约束叠加在一起，使路径规划成为一个复杂的组合优化问题。
为刻画这一现实挑战，作者提出了“基于储物柜的卡车-无人机路径规划问题”，并综合考虑取件、配送与禁飞区，简称为 LTDRP-PDNF。该问题的优化目标是最小化一支配备无人机的卡车车队的总运营成本。与只考虑单向配送或忽略空域限制的模型相比，这一形式化更贴近真实物流场景中对成本、时效与合规性的综合要求。
在求解方法上，研究团队将路径构建过程建模为马尔可夫决策过程，并设计了一种两阶段、基于深度强化学习的神经启发式算法。第一阶段聚焦于纯卡车的路径规划，将其视为带容量约束的车辆路径问题，使用基于注意力的编码器配合双向门控循环单元解码器来生成卡车路线。第二阶段则引入策略迁移策略和混合调度分配启发式，在第一阶段结果的基础上构建卡车与无人机完全协同的联合路线，从而求解完整的 LTDRP-PDNF。
实验部分覆盖了不同规模的算例。结果表明，所提方法在大多数情况下优于元启发式算法和神经启发式基线，同时保持了极短的计算时间。这意味着该方法在满足实际运营约束的前提下，提供了一个有效且可扩展的求解框架，为储物柜支撑的卡车-无人机协同配送提供了可落地的算法思路。该论文于 2026 年 6 月 26 日提交至 arXiv，属于机器人学、人工智能、机器学习以及物理与社会等交叉领域。