摘要：末端物流无人化作为一种新兴技术手段，虽然已初步应用于实践中，但其在实施效果和优化策略方面尚缺乏系统性和定量化的研究。本文通过量化校园末端物流无人化的实际需求，评估不同自动化水平和情景下的社会效益、经济效益、生态效益，为校园无人化物流规划提供科学依据。以清华大学

末端物流无人化作为一种新兴技术手段，虽然已初步应用于实践中，但其在实施效果和优化策略方面尚缺乏系统性和定量化的研究。本文通过量化校园末端物流无人化的实际需求，评估不同自动化水平和情景下的社会效益、经济效益、生态效益，为校园无人化物流规划提供科学依据。以清华大学校园为典型应用场景，结合YOLOv8和ByteTrack算法开发物流需求测度模型，实现对监控数据中骑手的自动识别与计数。在此基础上，结合问卷数据，利用Anylogic平台进行仿真模拟，分析末端物流无人化在多种情景下的影响。结果表明，末端物流无人化在提高配送效率和降低能耗方面具有明显优势，但存在导致顾客等待时间增加的问题，服务水平仍需提升。通过提高机器人或骑手速度、增加机器人数量和增加配送枢纽数量等策略，可以提高配送效率，减少顾客等待时间，并减少能源消耗。基于模拟结果，发现校园内需要部署至少40台机器人以完成配送任务。此外，布局4—5个配送枢纽、每个枢纽15—20个机器人，具有较高的经济性。同时，建议将机器人及骑手速度控制在13—15 km/h以实现安全与效率的平衡。

理论研究与综述

现有关于末端物流无人化的研究集中在自动驾驶机动车、无人机和地面机器人3种主体的应用上。有研究探索了多种主体混合运输模式，发挥各自优势以提高运输效率。

近年来，基于主体的仿真模拟方法（ABS）逐渐开始被应用于物流系统研究。该方法使用自下而上的建模方法模拟多个利益主体之间个体交互现象，有助于评估各种不确定性场景，尤其适用于微观的无人化交通场景。

研究数据主要包括物流需求数据和空间数据。物流需求数据由早期的假设数据、基于概率模型的调查数据，发展为真实的订单数据。空间数据也由抽象的空间转向真实的空间。

既有研究主要关注末端物流无人化对服务水平、生态绩效和经济成本的影响。多数研究认为由于无人化主体使用电力驱动，有助于降低碳排放和减少能源消耗；同时，末端物流无人化可以提高服务水平，减少顾客等待时间并提升物流运输效率等，但可能加剧空间的拥挤。这些影响取决于无人化的运营方式策略。

总体而言，既有研究在创新模式、研究方法和研究数据等方面取得了显著进展，但在真实物流需求的定量测度、综合效益评估及特定场景适用性等方面仍存在不足。因此，基于更准确的配送需求数据并评估其在典型封闭园区中的综合效益，将为其在更广泛应用领域的推广提供支持。

研究对象与数据基础

选定清华大学校园作为研究对象，研究范围如下图所示，总面积约289 hm²。校外物流主体仅能通过图中校门进出校园。

研究范围

相比普通快递，餐食外卖等即时配送服务对时间的敏感性更高，对配送品质的要求更严格，且配送地点更具个性化。因此，研究选择即时配送作为实验对象，以此构建方法，进而推广至其他物流服务。在配送主体上，考虑到清华大学校园实际情况，出于安全性与可行性考虑，排除了空中配送和自动驾驶机动车的可能性，聚焦于小型地面机器人。

研究数据包括空间数据与需求数据。本文结合人工主动感知和线上标注方法，进一步采集和复核了相关数据，以获取更精细的物理空间数据。

研究选取的绩效指标

需求数据方面，由于即时配送涉及的主体较多、较复杂，校园管理端数据仅涵盖总量信息，不涉及园区内的实时分布信息。因此本文利用监控视频数据，从用户侧观察推测覆盖研究范围的时空需求数据。研究向清华大学保卫处申请获得了2022年10月10日至10月16日一周时间范围，外来非机动车申请入校数据以及教学区主要路口的监控视频数据。每个点位涵盖2—3个不同方向的摄像头，共计约60个摄像头。由于数据量过大，且一般情况下每位骑手在1 h内可以配送完成校内订单并离开校园，研究选取了每小时前10 min的数据作为样本。

校园数据

校园末端物流潜力空间和现状需求识别

研究重点采集了清华大学校园内的各类建筑、出入口、人行道、绿地、水系、停车区等关键空间要素。通过视频回溯与在线标注平台“PinSurvey”和“两步路”的协同，进一步提升了数据的精度和可靠性。最终，收集并整理了1 851个建筑物要素，1 821个出入口要素，其中1 067个为有障碍的出入口。

在即时配送需求测度时，研究对外卖骑手进行图像标注，通过对监控视频的抽帧操作，获取了可用于标注的图像，并使用Roboflow平台的矩形标注工具进行标注，获得了1 749个外卖骑手样本。为了提升模型的性能，研究在模型训练和识别过程中进行了训练集的滚动优化。最终，数据集扩增至4 730个样本，并按照8:1:1的比例划分为训练集、测试集和验证集。

研究使用了YOLOv8模型进行训练，训练参数设置如下：学习率为0.001，训练周期（epoch）定为200，批量大小（batch size）为8，以确保在识别和追踪外卖骑手方面达到高准确率的同时，也能满足实时处理的需求。通过优化训练轮次和调整置信度阈值（检测阈值τ设定为0.6），以达到更好的综合检测性能。最终模型在测试集上取得了良好的性能表现，F1值为0.76，平均精度均值（mAP）为79.2%。

使用训练完毕的模型对监控视频进行实时帧分析，运用ByteTrack算法对骑手在视频序列中进行连续追踪。同时在计数过程中，利用supervision linecounter工具，在视频中设定虚拟线以标识不同的方向或区域，实时统计多个方向穿过的骑手数量。自动化识别后进行了人工校核。

使用YOLOv8、ByteTrack和Supervision进行骑手检测、跟踪和计数

最终校核得到全天校门汇总计数观测结果，图中每小时对应的数字为前10 min的观测值。使用样条插值方法对每小时开始的前10 min观测值进行插值，从而预测全天各时段的交通量。

典型一日的骑手数量观测值时变图

用同样的方法对所有路口进行识别计数、人工校核得到每小时前10 min的全部流量观测值，插值后得到每10 min的全部流量预测值。

典型时段骑手数量观测值道路分布图

基于还原得到一天中关键点位和出入口的骑手流量预测值，研究采用问卷调查和实地访谈等方式，将骑手数量进一步细分到每个小时和每个建筑。设定每位骑手每次配送2单，通过问卷调查收集每小时每个建筑之间的需求比例。据此分配订单，模拟得到各关键路口的车流量，并与监控视频记录的各点位的实际骑手流量进行比对。若模拟值高于观测值，则降低对应建筑群的需求量；若低于观测值，则增加对应建筑的需求量。通过多轮迭代，调整不同区域建筑的总需求量，最终获得既符合问卷调查结果又与实际观测值相吻合的订单数据。

推算建筑尺度订单数据方法

通过预调研发现，不同建筑的即时配送需求与其功能和使用人群有密切的联系。因此，研究确认了所有不同建筑的使用人群特征和人数。向全校师生发放问卷，设计问题关注受访者在不同时间段的即时配送服务使用频率及偏好建筑。问卷回收结果涵盖了47个系所、55个宿舍楼及80个科研院系楼，各群体样本量在10%以上。调查结果如下图显示，宿舍区是即时配送服务的主要需求场所，特别是在午餐和晚餐时段需求显著增加，宿舍楼在中午和晚上时段需求最高，教学楼则在下午时段使用较多，而学生活动中心在20:00后成为即时配送的主要需求场所。

问卷结果统计

通过结合深度学习识别结果和问卷调查数据，研究最终构建了覆盖350个点位、96个时间段（每10 min）的校园即时配送需求数据，统计得到全天订单总量约为11 000单。

校园即时配送需求分布

基于AnyLogic的校园末端物流无人化仿真模拟与结果分析

4.1 模型建立与形式化

结合监控录制时间的实际情况，对末端配送过程进行如下抽象：在没有机器人时，物品由外卖骑手配送。在研究范围内，配送始于某个校门，每个骑手接受4—5个校内订单，并且从靠近任一订单目的地的校门进入校园。按照最短路径寻路并配送完成所有订单。物品交付时，骑手需在目的地等待，进行卸货并联系顾客，最后骑手从距离此时位置最近的校门离开校园。

自动化配送流程

而机器人配送时，每个机器人隶属于一个配送枢纽，该配送枢纽整合了某个配送区域的一组包裹。机器人接受这一组包裹中的任意4—5个，并从配送枢纽出发，按照最短路径寻路并配送完成所有订单，最后回到自己的配送枢纽。

结合文献基础和校园实际情况构建了绩效指标，并结合文献基础、管控可行性选取了情景变量。

研究选取的情景变量

4.2 仿真建模与程序设计

本文采用AnyLogic 8.3.4平台构建仿真模型。模型由多种智能体（Agent）组成。

具体计算方法上，以骑手为例，在订单生成时记录时刻为Tstart-wait在其进入逐单配送即“gotobuild”状态时，记录开始配送此单的时刻为Tstart-delivery；在其完成此单配送，处于“arrivebuild”状态时，记录此刻与该订单生成时刻的时间差为等待时间Twait，记录此刻与Tstart-delivery的配送时间差为配送时长Ttotal。

在对距离的统计中，记录当前的位置和配送中心或拟出校门的位置，计算基于路网的路程记为计算路程Drider-unloaded或Drobot-unloaded，并将该结果记录于Drider数据库中。总配送距离通过对所有路程进行累加得出，而平均配送距离则通过负载状态下的总距离除以订单数量计算得到。

最终各绩效指标计算公式如下：

（1）

（2）

（3）

（4）

（5）

（6）

式中：n为配送的总订单数量。

关于反映生态环境的绩效指标耗电量，一般认为耗电量与行驶速度、行驶里程、重量均有关。本文将其简化为仅与行驶里程有关，并参照公开资料拟定相关参数。计算公式如下：

4.3 仿真模拟结果及多情景变化分析

本文对每个场景进行了多次模拟，采用平均值作为最终结果，并进一步依据现实条件和相关规定设定了各个情景的参数变化范围。

各参数变化范围

在模拟骑手速度变化的情景下，所有订单均由骑手配送，即骑手配送订单占比为100%。当模拟机器人速度变化时，所有订单则由机器人配送，骑手配送订单占比为0%。

对骑手速度变化情景模拟的结果表明，骑手速度的变化对总配送距离、每单配送距离及耗电量的影响不显著。然而，速度的提升能够明显减少平均配送时间和顾客等待时间，且降低的幅度逐渐减小。因此在优化配送速率的同时，需要考虑速度增加带来的边际效益递减。

骑手速度变化绩效

为确定最经济的速度点，研究计算了不同速度下等待时间和配送时间的效益变化，并将变化转化为累积百分比，目标是找到能够实现预定累计百分比效益增长的最优速度点。目标百分比的选择往往取决于具体的应用场景和成本效益分析（本文拟定为75%）。可以看到在骑手速度为13.5 km/h左右时，即可达到75%的顾客平均等待时间降幅以及每单平均配送时间降幅，此后的效益增加显著放缓，同时可能伴随交通危险的增加。因此设定13.5 km/h作为最经济的骑手速度点。

对机器人速度变化情景模拟的结果表明，机器人速度的变化对总配送距离、每单配送距离及耗电量的影响不显著。然而，速度的提升能够减少平均配送时间和顾客等待时间，降低的幅度逐渐减小。

机器人速度变化绩效

机器人速度为13 km/h左右时，即可达到75%的顾客平均等待时间降幅（顾客平均等待时间降至8.56 min）以及每单平均配送时间降幅，此后的效益增加显著放缓，同时可能伴随交通危险的增加。因此选择13 km/h作为最经济的机器人速度点。

研究进一步对两个主体的速度参数变化的情景进行了横向比较。

机器人和骑手配送绩效对比

机器人在总配送距离上表现出明显的优势，相比骑手降低了约25%。机器人也在每单平均配送时间上显示出优势，每单的配送时间比骑手低10%。在能耗方面，机器人的表现同样更佳，耗电量比骑手低35%。

尽管机器人在多数性能指标上优于骑手，顾客的平均等待时间却略有上升，增加了1—2 min。此外，随着配送速度的提升，每单配送时间的差距在逐渐减小，而顾客等待时间的差距却逐渐增大，这表明骑手在速度提升时对减少顾客等待时间更为有效。

4.3.2 自动化水平变化的多情景分析

进一步探讨校园物流在向全面自动化过渡期间，机器人与骑手共同配送的效果。这一过渡期是由不同的自动化水平来定义，即骑手承担的配送比例的变化。其余模拟条件设置为：机器人和骑手配送速度均为最高限制速度15 km/h，8个配送枢纽，每个枢纽配备35个机器人。

自动化水平变化绩效

随着骑手在配送中的比例增加，可以发现总配送距离、每单平均配送距离和每单平均配送时间均出现了小幅上升（约5%）。特别是当骑手承担的订单比例在75%—100%之间时，这些增长趋于平稳。同时，耗电量的上升呈现出明显的线性趋势，增加了23%。相较之下，顾客的平均等待时间则从8.19 min降低至6.41 min，下降了22%，但下降速度有所放缓。因此，选择75%作为较理想的骑手配送比例，即自动化水平为25%。

4.3.3 机器人规模变化的多情景分析

机器人规模由“每个配送枢纽的机器人数量”和“配送枢纽的数量”这两个参数共同决定。本文以多个配送枢纽为基础改变机器人的数量进行多次模拟。其他参数设置为：机器人速度15 km/h，自动化水平100%，即全部由机器人配送订单。

对不同数量的枢纽模拟结果对比可以发现，较小规模的机器人无法完成全天订单的配送。当布局8个枢纽时，每个枢纽需要配置5—6个机器人可完成全天配送任务；若布局4个枢纽，则每个枢纽需要约12个机器人；而1个枢纽的情况下则需要配置44个机器人。但总计大约40个机器人时，即使枢纽数量不同仍可实现基本的全日配送要求。

机器人规模变化与配送完成订单量的关系

配送枢纽数量和机器人数量变化的模拟结果显示，各枢纽机器人数量增加将会降低顾客等待时间，但会增加总配送距离、每单平均配送距离、配送时间及耗电量。配送枢纽数量增加整体会降低各绩效指标，且4个及以上变化幅度逐渐减小。

机器人规模变化与顾客等待时间的关系

机器人规模变化与总耗电量的关系

4.3.4 枢纽空间布局变化的多情景分析

在保持配送枢纽数量不变的情况下，研究进一步探讨了枢纽位置对绩效结果的影响。模拟了两种不同的空间布局，其中第一种布局中4个配送枢纽位于校门附近，为边缘型布局；第二种布局中，4个配送枢纽设置在片区的中心位置。

配送枢纽位置变化

模拟结果显示，各绩效指标之间的差异非常小。然而，枢纽位置从边缘向片区中心移动后，总行驶公里数和耗电量有小幅下降，但其他绩效指标基本未发生显著变化。这一结果表明，尽管枢纽的具体空间布局对绩效结果有一定的影响，但在较小尺度的校园空间内，枢纽位置的布局对整体配送效率的影响并不显著。

不同配送枢纽位置的平均绩效指标

结论与讨论

本文以清华大学校园空间为研究对象，通过融合深度学习算法、问卷访谈与实地调研方法，系统测度了校园即时配送需求特征，并构建了包含关键情景变量的末端物流无人化多情景分析框架及绩效评估体系。基于模拟结果得出各参数的关键取值，为校园末端物流无人化配送系统的规划和优化提供了重要的指导。研究证实，通过提高机器人/骑手速度、增加机器人规模、增设配送枢纽数量和优化配送枢纽空间布局，可以提高配送效率、减少顾客等待时间，并减少能源消耗和环境影响。

未来的研究应在数据扩展以及模型优化方面做出更深入的探索，以推动末端物流无人化技术的实际应用和发展。

注释：

①根据两轮电动车通用电池容量对应续航里程计算得出：48 V/12 Ah电池续航25—30 km。

② 国家市场监督管理总局，中国国家标准化管理委员会. GB 17761-2018电动自行车安全技术规范[S]．北京：中国标准出版社，2018。

③ 中华人民共和国道路交通安全法.https://www.gov.cn/banshi/2005-08/23/content_25575.htm。

④ 中国智能交通产业联盟发布团体标准《T/ITS0202—2021低速无人配送车运行安全要求》。

⑤ 菜鸟G3、小蛮驴、美团魔袋20等配送车产品的最高行驶速度为20 km/h。

⑥Starship Technologies. https://www.starship.xyz/the-starship-robot/。

详情请关注《上海城市规划》2025年第2期《校园末端物流无人化的需求测度与模拟优化研究》，作者：梁佳宁、黄子沐、龙瀛（通信作者），清华大学建筑学院。本文内容仅代表作者观点。

我国建筑科学领域高质量科技期刊分级目录、中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊、中国人文社会科学A刊引文数据库扩展期刊、《中国学术期刊影响因子年报》统计源期刊、《中国学术期刊网络出版总库》全文收录、《中国核心期刊（遴选）数据库》全文收录、美国《乌利希期刊指南》（Ulrich's Periodicals Directory）和JST日本科学技术振兴机构数据库收录期刊

官方网站（在线投稿）：

来源：上海城市规划杂志