0 引言
随着物流行业的快速发展和配送服务标准的不断提升，快递物品交付的“最后一公里”问题日益显现，末端配送面临配送量大、时效性要求高、成本压力大以及劳动力短缺等多重挑战[1-2]。无人配送车作为提升末端配送效率的重要手段，通过自动化或智能化技术，能有效缓解上述问题[3]。然而，无人配送车在执行自主导航、路径规划和避障决策等关键任务时，其稳定高效运行离不开车载单元（On-Board Unit, OBU）与路侧单元（Roadside Unit, RSU）之间的通信支持，基于车载通信（Vehicle-to-Vehicle, V2V）和车路协同通信（Vehicle-to-Infrastructure, V2I）构建的车联网系统（VANETs）为其提供了关键的信息交互基础。在此环境中，信息包的大小对通信性能具有重要影响，合理优化RSU和OBU信息包大小，实现传输效率与信息完整性之间的平衡，是提升无人配送车通信性能的关键。
关于信息包大小对车联网通信性能的影响，学者们从多个角度展开了研究。过大的信息包在传输过程中占用信道时间较长，会增加碰撞和丢包概率，降低数据传输可靠性[4-5]。相反，过小的信息包可能导致频繁的包交换，增加网络开销，影响整体通信效率[6]。因此，合理设计信息包大小对于提升车联网的通信性能至关重要。在编码方式与信息包大小的关系方面，不同的编码策略在处理不同大小的数据包时表现各异[7]。例如，RaptorQ编码在小文件传输中表现优异，而网络编码在大文件传输中更具优势[5]。这表明，在设计车联网通信系统时，应根据具体的通信需求和数据特性，选择合适的编码方式和信息包大小，以优化系统性能。另外，对于无人配送车的仿真测试，目前主要依托虚拟平台构建模型和场景，重点评估车辆运行对交通参与者和道路设施的影响[8-9]。研究表明，通过增强型模拟器和平台（如ROS、Unity和V-REP），能模拟包括导航、环境感知、通信和强化学习在内的多种应用场景，有效降低测试成本并提高安全性[10-11]。这些仿真方法为无人配送车的实际部署提供了重要依据。
综上，当前研究主要关注一般性车联网环境，但无人配送车信息交互需求具有独特性。虽然部分文献已采用虚拟平台展开无人配送车场景建模与路径分析[12]，但基于其通信特性的微观通信机制研究仍显薄弱[13-14]。特别是在不同网络渗透率条件下，尚缺乏对RSU与OBU信息包大小对无人配送车通信稳定性的影响及适配策略的系统分析，亟需明确不同参数组合下通信性能的变化趋势，以实现稳定性与效率的协同提升。鉴于此，本文将采用基于OMNeT++网络仿真器、SUMO交通仿真器及Veins框架并集成SimuLTE协议的联合仿真法构建车联网仿真环境，量化分析不同网络渗透率下RSU与OBU信息包大小对无人配送车通信性能的影响，揭示其对时延与丢包率的协同影响规律，以期为后续参数配置提供理论支撑，并为无人配送车通信系统在复杂交通环境下的部署与优化提供实践参考。
1 仿真环境搭建及实验设计
1.1 仿真环境搭建
在理论层面，VANETs作为一种特殊的移动自组织网络，其通信性能受到多种因素的影响，包括车辆密度、移动速度、通信协议以及信息包大小等。其中，信息包大小对数据传输的时延和丢包率有着直接的影响。较大的信息包由于占用信道时间较长，增加了碰撞和丢包的概率；而过小的信息包则可能导致频繁的包交换，增加网络开销。因此，合理设计信息包大小对于提升通信效率和可靠性至关重要。为模拟无人配送车在不同信息包大小和网络渗透率条件下的通信行为，系统评估不同信息包配置对通信性能的影响机制，本文搭建了如图1所示的面向无人配送车的联合仿真架构，以构建综合的车联网仿真环境。该架构集成状态输入模块、Veins双向耦合机制与C-V2X（Cellular Vehicle-to-Everything）通信协议栈，支持多种网络配置参数下的精确调控与性能指标提取。具体为：采用OMNeT++作为主要的网络仿真平台，模拟无人配送车的网络通信；采用SUMO作为交通仿真工具，用以生成无人配送车及其他车辆的行驶轨迹，并模拟交通流的动态变化；通过Veins框架实现SUMO与OMNeT++之间的双向耦合，确保交通行为与网络通信的同步进行；并集成SimuLTE协议，用于模拟LTE网络的关键组件和协议，从而实现车联网的全面仿真。
在仿真过程中，首先由Veins框架从OMNeT++配置文件中加载参数并完成初始化，随后启动SUMO以生成交通仿真场景，并通过TraCI接口将无人配送车、网联机动车以及非网联机动车的移动模块添加至仿真环境中。在每个仿真时间步内，Veins框架从SUMO中提取车辆轨迹数据（如位置、速度、方向角等），并实时更新网络仿真器中各车辆节点的状态信息。同时，车辆在仿真网络中的行为（如变道和停车等）通过TraCI反馈至SUMO，后者根据指令调整车辆在下一时间步的行驶状态，从而实现了Veins与SUMO之间的闭环耦合。此外，仿真平台集成支持WINNER+B1信道损耗模型和Nakagami阴影遮挡模型的SimuLTE协议，实现了从物理层到媒体访问控制层的全面仿真。
为进一步提升仿真环境的可视化效果和实用性，在Veins框架中加入了道路网络及车辆类型的实时可视化展示功能。在OMNeT++环境下，不同类型车辆（如无人配送车、网联机动车和非网联机动车）的实时位置及状态均能直观呈现。借助显著的图标和醒目的红色道路网络线条，仿真平台不仅能准确展示车辆的具体位置，还能清晰呈现RSU的布局。
1.2 实验场景设计
为确保仿真模型具备现实基础与代表性，首先进行无人配送车物理参数调研。基于美团、京东两大平台的配送运营实践，选取了一款已实际投入城市道路运行的典型无人配送车型作为建模对象，重点提取其车身尺寸、载重能力与加速性能等关键指标参数，详见表1。这些实车参数为实验场景构建、仿真参数选取和建模提供了重要依据。据此，本研究将无人配送车视为一种低速自动化运输工具，主要运行于城市道路的非机动车道。考虑到无人配送车具有较小的车身尺寸、较低的最高车速（20 km/h）以及较强的载货能力，实验设计中对相应的道路和车辆参数进行了调整，确保模型既能贴近实车性能，又具备通用适应性。
表1 无人配送车物理参数调研结果 |
| 指标类型 | 属性 | 设计参数 |
|---|---|---|
| 车身尺寸 | 长度/mm | 2 500 |
| 宽度/mm | 1 000 | |
| 高度/mm | 1 700 | |
| 轴距/mm | 1 730 | |
| 前轮距/mm | 880 | |
| 后轮距/mm | 880 | |
| 最小离地间隙/mm | 120 | |
| 前悬/mm | 490 | |
| 后悬/mm | 490 | |
| 载重能力 | 空载质量/kg | 300 |
| 满载质量/kg | 800 | |
| 最大载货质量/kg | 500 | |
| 加速性能 | 最高车速/（km/h） | 20 |
| 0~10 km/h加速时间/s | ≤4 | |
| 0~20 km/h加速时间/s | ≤7.6 | |
| 满载接近角/° | 20 | |
| 满载离去角/° | 22 | |
| 最大涉水深度/mm | 140 | |
| 最小转弯直径/m | 6.9 | |
| 最大爬坡度（%） | ≥20 |
为模拟无人配送车及网联机动车（Connected and Autonomous Vehicles, CAV）在实际交通环境中的运行情况，构建了典型的城市道路模型。该模型包含机动车道（双向6车道）和非机动车道（双向2车道），其中每条机动车道宽度为3.5 m，限速50 km/h；每条非机动车道宽度为2 m，限速20 km/h。道路整体宽度为25 m（3.5 m×6+2 m×2），总长度为100 m。以上道路尺寸和限速均符合城市道路设计规范要求。
如图2所示，为深入研究无人配送车在不同道路类型和交通条件下的通信性能，仿真场景中配置了RSU和装载OBU的无人配送车，并通过PC5接口实现广播通信；车辆类型包括非网联机动车（Human-driven Vehicle, HV）、网联机动车（CAV）和无人配送车。为确保实验结果的可比性和数据的可靠性，将车辆数量设为固定值，并规定无人配送车双向行驶，即车辆到达终点后调头反向行驶，需完成10次往返以积累足够的通信与行为数据。HV和CAV按一定比例进行混合部署，而无人配送车辆作为研究核心，通过与周围车辆及RSU共享信息以实现模拟场景中的通信需求。为确保实验结果的科学性和可靠性，仿真场景严格遵循道路交通规则和车辆行驶规范，还原真实城市交通环境下的运行状态。
值得说明的是，尽管无人配送车主要运行于非机动车道，与HV和CAV在物理空间上实现了车道隔离，在交通行为方面不存在直接干扰；但在通信层面，其性能仍受整体车联网环境的影响，尤其体现在RSU链路调度压力和信道资源占用情况上，对其信息交互的稳定性与效率有重要影响。
1.3 实验方案
在城市道路交通环境下，由于移动运营商布设的基站较为密集，无人配送车的通信资源分配采用集中式网络资源分配模式，亦称为调度模式，如图3所示。在这种模式下，网联车在进行V2X通信前，首先需向基站请求资源，然后由基站分配V2X直通链路上的控制和数据资源，以实现V2V、V2I和V2N等多种通信方式。由于基站资源分配方式并非完全可控，因此，在无人配送车运行过程中，其通信性能受到多方面因素的影响，包括无人配送车运行特性、路侧RSU布设位置、其他网络用户数量以及周围环境[15-17]。本文主要研究不同网络渗透率下，路侧RSU与车载OBU信息包大小对无人配送车通信性能的影响机制，以进一步揭示其在极端通信环境中的表现差异与配置效应。
网络渗透率定义为在特定时段内，具备自动驾驶功能的车辆在所有上路机动车中所占的比例，是衡量自动驾驶发展水平的重要指标之一。在智能网联环境中，网络渗透率能反映通信环境的复杂程度，还会影响RSU调度负载与链路拥塞程度，是评估无人配送车通信性能的重要外部变量。本文重点对比2种背景车渗透率情况，即高网络渗透率（100%）和低网络渗透率（20%）。在高网络渗透率场景下，所有机动车均为具备V2X通信能力的CAV；而在低网络渗透率场景中，仅有20%的机动车具备通信能力，其余为不具备通信能力的HV。将无人配送车和普通机动车的平均速度分别设置为10 km/h和40 km/h，以贴近典型的城市交通特征，从而更真实地模拟复杂交通条件下的运行状态。
在计算机网络和通信领域，信息包大小指在网络中传输的数据单元的大小。每个信息包由头部（Header）和数据（Payload）部分组成，头部包含了控制信息，如发送和接收地址、错误检测和纠正码等，而数据部分则包含了实际要传输的信息。本文选择25字节和50字节作为代表性信息包大小，以模拟轻量级和中等量级负载的通信场景。此外，设计1个基础场景及4个对照实验场景，以进一步分析不同RSU和无人配送车OBU信息包大小对通信性能的影响。具体场景设置如表2所示。
表2 不同场景下RSU和无人配送车OBU信息包大小及网络渗透率设置 |
| 场景 类型 | RSU信息包 大小 | 无人配送车 OBU信息包大小 | 网络 渗透率 |
|---|---|---|---|
| 基础场景 | 50字节 | 50字节 | 100% |
| 场景一 | 50字节 | 25字节 | 20% |
| 场景二 | 50字节 | 25字节 | 100% |
| 场景三 | 25字节 | 50字节 | 20% |
| 场景四 | 25字节 | 50字节 | 100% |
2 实验结果与分析
选取时延（Delay）、丢包率（Packet Loss Rate）作为衡量无线通信性能的核心指标。其中，时延为数据包从源节点到目标节点所需的传输时间，体现了网络的响应速度和系统的安全流畅性。较低的时延有助于快速决策和实时反应，确保车辆在复杂环境中的安全操作。丢包率是目标节点接收失败的数据包与源节点应用层发送的数据包数量的比值，主要用于衡量网络的可靠性和稳定性。较高的丢包率通常表明网络存在拥堵或信道质量差，可能导致信息传输中断，进而影响网联车辆的协同和安全行驶。
在该环境中，车辆分为网联车辆（标识为“Car[n]”）和非网联车辆（标识为“Car_no[n]”），分别模拟具有网络通信能力的智能网联车辆和不具备通信能力的传统车辆。同时，无人配送车以“wuren[n]”的形式行驶在非机动车道上，模拟其在城市交通环境中的运行场景。此外，仿真环境中包含RSU和eNodeB基站，用于支持V2I、V2V通信。在仿真系统底层架构中，服务器（Server）、路由器（Router）和PGW网关等通信基础设施被集成以支撑整个仿真过程中的数据处理与信息传输，确保仿真结果的稳定性和可靠性。
2.1 OBU信息包大小对通信性能的影响
表3总结了基础场景、场景一与场景二中，在高、低2种网络渗透率下，当RSU信息包大小保持不变时，不同无人配送车OBU信息包大小（轻量级和中等量级负载）对通信性能的影响。
表3 RSU信息包大小不变时3种场景下无人配送车的通信指标值 |
| 网络 渗透率（%） | RSU 信息包 大小 /字节 | OBU 信息包 大小 /字节 | 无人配送车通信指标 | |||
|---|---|---|---|---|---|---|
| 时延/ms | 丢包率（%） | |||||
| 最大值 | 平均值 | 最大值 | 平均值 | |||
| 100 | 50 | 50 （基础场景） | 14.168 | 14.014 | 0.840 | 0.013 |
| 100 | 50 | 25 （场景二） | 14.145 | 14.008 | 3.137 | 0.022 |
| 20 | 50 | 25 （场景一） | 14.198 | 14.014 | 7.231 | 0.030 |
在网络渗透率为100%的基础场景和场景二中，最大时延和平均时延分别为14.168 ms、14.014 ms（基础场景）以及14.145 ms、14.008 ms（场景二），二者差异较小，表明在高渗透率条件下，OBU信息包大小从50字节减至25字节对时延影响不显著。然而，在丢包率方面，基础场景的最大丢包率和平均丢包率为0.840%和0.013%，但在场景二中，两者显著上升至3.137%和0.022%，表明OBU信息包减小会导致丢包率的上升。在网络渗透率为20%的场景一中，虽然时延相较于其余2个场景变化不大，但最大丢包率和平均丢包率分别达到7.231%和0.030%，明显高于高渗透率条件下的数值。这表明，在低渗透率环境下，OBU信息包的减小对通信质量的影响更加显著。综上，高渗透率能有效缓解由于信息包减小带来的通信质量下降，而低渗透率会显著放大丢包率的影响。因此，在低渗透率环境下，信息包大小的优化策略应更加谨慎，以避免对通信稳定性产生不利影响。
从图5和图6可以看出，无人配送车在不同场景下的通信性能存在显著差异。在基础场景中，平均时延为14.014 ms，最大时延为14.168 ms；平均丢包率为0.013%，最大丢包率为0.840%（见图5）。相比之下，场景一中的平均时延保持为14.014 ms，但最大时延略增至14.198 ms，且最大丢包率显著上升至7.231%，平均丢包率增至0.030%（见图6）。在场景二中，平均时延略降至14.008 ms，最大时延降低至14.145 ms，但最大丢包率和平均丢包率分别上升至3.137%和0.022%，仍高于基础场景。从时延角度分析，3种场景的平均时延变化幅度较小，最大时延在场景一略有增加，而在场景二则有所下降，表明OBU信息包大小变化和网络渗透率对时延的整体影响较为有限。从丢包率角度分析，场景一的最大丢包率和平均丢包率明显高于基础场景，表明在低网络渗透率条件下，资源分配效率低且信息包处理能力受限，导致通信性能下降。相比之下，场景二的丢包率虽有所上升，但增幅相对较小，表明高网络渗透率有助于提升信息包传输的稳定性和成功率。
以上分析表明，在高网络渗透率条件下，减小OBU信息包大小对通信性能的影响较小，时延和丢包率均保持平稳。而在低网络渗透率条件下，OBU信息包的减小对丢包率的影响更加显著，尤其是在最大丢包率方面差异较大。结果表明，网络渗透率是影响无人配送车通信性能的关键因素，在低渗透率环境下，需优化信息包大小配置，以减少丢包率上升带来的通信不稳定问题。
2.2 RSU信息包大小对通信性能的影响
表4总结了基础场景、场景三和场景四中，在高、低2种网络渗透下，当OBU信息包大小保持不变时，不同RSU信息包大小（轻量级和中等量级负载）对无人配送车通信性能的影响。
表4 OBU信息包大小不变时3种场景下无人配送车的通信指标值 |
| 网络渗透率 （%） | RSU 信息包 大小 /字节 | OBU 信息包 大小 /字节 | 无人配送车通信指标 | |||
|---|---|---|---|---|---|---|
| 时延/ms | 丢包率（%） | |||||
| 最大值 | 平均值 | 最大值 | 平均值 | |||
| 100 | 50 （基础场景） | 50 | 14.168 | 14.014 | 0.840 | 0.013 |
| 100 | 25 （场景四） | 50 | 14.100 | 14.010 | 0.784 | 0.012 |
| 20 | 25 （场景三） | 50 | 14.129 | 14.012 | 14.747 | 0.055 |
从表4可看出，在网络渗透率为100%的基础场景和场景四中，当RSU信息包大小从50字节减至25字节时，最大时延从14.168 ms减至14.100 ms；平均时延则从14.014 ms减至14.010 ms，最大丢包率从0.840%降至0.784%，平均丢包率从0.0135%降至0.012%。上述结果表明，在高渗透率条件下，减小RSU信息包大小可小幅优化通信性能，即降低时延和丢包率，但整体变化幅度较小。然而，在低网络渗透率（20%）的场景三中，即使最大时延和平均时延相较于高渗透率环境下变化不大（分别为14.129 ms和14.012 ms），但丢包率大幅上升，其中最大丢包率增至14.747%，平均丢包率增至0.055%。这表明，在低渗透率环境下，减小RSU信息包大小会对丢包率产生显著的负面影响，降低通信可靠性。综合来看，RSU信息包大小的调整对时延的影响较小，无论是在高渗透率还是低渗透率环境下，时延指标都能保持相对稳定。然而，丢包率对网络渗透率的变化较为敏感。在高渗透率条件下，适当减小RSU信息包大小有助于进一步降低丢包率；但在低渗透率条件下，这种做法可能会加剧丢包现象，影响通信稳定性。因此，网络渗透率是影响RSU信息包大小优化效果的关键因素。
为深入分析RSU信息包大小在不同网络渗透率条件下对无人配送车通信性能的影响，图7展示了场景三和场景四下无人配送车的通信时延和丢包率的对比情况。
相比基础场景的14.014 ms分别减少了0.014%和0.029%。在最大时延方面，场景三为14.129 ms，场景四为14.100 ms，均低于基础场景的14.168 ms。时延指标的变化表明，在高网络渗透率（100%）和低网络渗透率（20%）条件下，减小RSU信息包大小对时延有轻微优化作用，但改善幅度较为有限。
在丢包率方面，场景三的平均丢包率为0.055%，显著高于基础场景的0.013%；最大丢包率则大幅增至14.747%，相比基础场景的0.840%显著上升。相比之下，场景四的平均丢包率降至0.012%，最大丢包率降至0.784%，均低于基础场景。上述数据表明，在高网络渗透率条件下，减小RSU信息包大小能有效降低丢包率，提升通信可靠性。然而，在低网络渗透率条件下，丢包率的显著增加反映了网络资源分配和数据处理能力不足对通信性能的负面影响。
以上分析表明，减小RSU信息包大小在高网络渗透率（100%）条件下能同时降低时延和丢包率，而在低网络渗透率（20%）条件下，尽管时延略有改善，但丢包率显著增加。研究结果进一步验证了RSU信息包大小的优化效果与网络渗透率密切相关：在高渗透率条件下，网络环境更能支撑信息包调整带来的通信性能优化；而在低渗透率条件下，需谨慎调整RSU信息包大小，以避免通信稳定性下降。
3 结束语
本文面向无人配送车在智能交通系统中的通信性能优化需求，构建了基于OMNeT++、SUMO与Veins框架并集成SimuLTE协议的联合仿真环境，量化分析了不同网络渗透率条件下RSU与OBU信息包大小对通信时延和丢包率的影响。研究结果表明：在高渗透率（100%）条件下，减小RSU信息包大小有助于提升通信性能，主要表现为通信时延和丢包率的同步改善；而OBU信息包大小的变化对高渗透率下的通信性能影响较为有限。在低渗透率（20%）条件下，减小RSU信息包大小会显著增加丢包率，而减小OBU信息包大小虽可略微优化时延，但也会加剧丢包率的上升。研究进一步证明了，信息包大小的优化应结合网络渗透率的具体条件，综合考虑其对通信时延与丢包率的双重影响，确保整体通信性能的稳健性与有效性。本研究所得结论不仅能为相关通信机制的理论建模提供基础，也可为实际无人配送系统中的RSU部署策略、通信资源配置及终端设备设计提供参考，具有一定的工程指导价值。
需指出的是，本文仿真环境设定为理想化交通条件，未引入有人配送车与其他非机动车模型。该设定有助于在控制变量的条件下揭示通信参数与性能指标间的直接关联，但在一定程度上简化了实际交通环境。后续研究将拓展仿真对象类型，提升模型现实性，系统评估多种交通参与者下通信性能的变化。此外，本文仅选取了高（100%）、低（20%）两种渗透率场景，虽可反映极端条件下的性能差异，但对中等渗透率下的通信表现尚缺乏系统评估。未来将扩展渗透率范围，评估0~100%区间内多档渗透率条件对通信性能的影响，以增强结论的适用性与完整性。