互联网技术的发展推动了电子商务与物流业的发展。随着业务量的迅速增长,物流行业产生了巨大的变革。近几年国内的物流公司在不断扩大规模,加大基础设备与人力的投入。随着业务量的激增,物流过程中存在的一些问题也显现出来。特别是对于小区域比如社区以及封闭式园区的配送,由于客户位置分散需要配送员依次去指定位置送货或取货,不仅配送效率低下也浪费人力资源。随着无人驾驶技术的发展,国内外已经有许多公司开始将无人驾驶设备用于物流配送,虽已初见成效,但相关技术还需要进一步提高。使用无人驾驶设备代替配送员进行收取货服务不仅能够提高配送效率,同时也可以节省物流成本。本文主要研究无人物流中的车辆路径规划问题。路径规划作为无人物流中的核心技术是解决物流运输效率问题的主要方法。有效的路径规划策略,能够充分发挥无人车智能化和高效率的特性。本文主要工作包括:(1)对现有路径规划算法进行研究,目前常用于路径规划的启发式算法难以实时解决大规模路径优化问题。该类算法需要对每一个问题实例进行求解,当场景变化时需要对算法进行重新设计。考虑到无人物流路径规划的实时性与高效性,对深度学习方法进行研究。(2)采用深度学习模型进行车辆路径规划,本文通过基于注意力机制的编码器-解码器网络模型对问题实例进行求解。对编码器-解码器网络模型结构进行了改进,相比传统的启发式算法只能解决单独的实例且用时较长的问题,训练好的网络模型能够快速给出路径规划方案。(3)构建了小区域物流场景,基于本文模型进行了仿真实验。通过不同训练方法以及不同参数对模型进行测试,并将本模型与常用的路径规划算法的实验效果进行对比。通过对比发现本文的路径规划算法可以快速的给出较优的解决方案,能够提高路径规划的实时性并减少物流消耗。本文提出的方法能够提高路径规划的实时性与高效性,对于无人物流中的车辆路径规划与调度来说具有现实意义与实际价值。