在智能网联技术的支持下,自动驾驶车辆不再是孤立的个体,而将通过车联网组建多车系统,实现协同决策与控制。然而,无信控路口中多车系统的协同难度极大,现有的集中式决策模式无法在较短的计算时间内给出优质解、分布式决策模式在没有专家经验引导的情况下无法取得良好的训练效果。针对上述问题,本文聚焦于无信控自治路口场景,以多车系统为研究对象,提出基于协同进化算法的多车轨迹规划方法、基于混合整数规划的多车系统集中式控制方法和基于深度强化学习的多车系统分布式控制方法,为多车系统协同控制提供了理论基础与方法支撑。具体内容如下:首先,提出了基于协同进化算法的多车轨迹规划方法。在完全自动驾驶条件和集中式控制的分层决策框架下,定义车辆编队构造过程的多车轨迹协同优化问题,构建该问题的混合整数规划模型,设计基于协同进化思想的混合进化算法。该方法能够在亚秒级的计算时间内求得大规模多车轨迹优化问题的近优解,具有优质性和高效性。其次,提出了基于混合整数规划的多车系统集中式控制方法。基于前文的轨迹优化方法,定义无信控自治路口中的车辆通行调度问题,基于批量调度理论构建该问题的混合整数规划模型,设计基于约束规划的求解算法。该方法能够在亚秒级的计算时间内求得效率最优的编队方案及通行方案,有效保障交通安全并提升通行效率。再次,提出了基于深度强化学习的多车系统分布式控制方法。定义自动-人工混合驾驶条件下的分布式协同问题,构建基于单智能体强化学习的自动驾驶模型,设计具有策略熵自适应调节机制的Soft Actor-Critic深度强化学习算法。该方法能够摆脱对于全局决策者的依赖,仅凭自身观测的邻域信息实现自主决策及分布式控制,在中低流量的测试场景中任务完成率达到99%且在陌生环境中性能依然稳健。最后,针对完全自动驾驶和自动-人工混合驾驶环境分别搭建了基于MATLAB和Meta Drive的仿真平台,进行无信控路口的协同仿真验证。结果表明,所提出的方法可控制多车系统在无信控路口实现协同通行,能够保障交通安全并提升通行效率。