随着世界范围内城镇化的发展,城市交通拥堵现象越来越严重。而造成城市交通拥堵的原因,一方面是滞后的道路基础设施的建设无法满足日益增长的交通需求,更重要的是路网交通流分布不均匀,路网资源的整体利用率较低。因此,高效的车辆路径规划方法是解决交通拥堵的首要措施。车辆协同路径规划可以有效避免大量车辆涌入相同道路,缓解交通拥堵,提高路网资源利用率。然而,车辆协同路径规划依然存在一些挑战。一方面,如果对车辆协同路径规划进行集中计算和控制,计算复杂度会随着路网的扩展呈指数级增加,无法应用于实时交通。另一方面,如果协同路径规划在每辆车上进行分布式计算,那么多个局部最优解很可能会偏离全局最优解。针对上述问题,本文提出了双层车辆协同路径规划框架,通过路网分层的思想,分层次的对路网流量进行分布式调度,在较低计算复杂度情况下,很好的均衡路网流量。本文提出算法主要包括两部分内容。第一,局部路网车辆路径规划与信号灯控制联合优化算法。我们将车辆路径规划模型建模成种群博弈模型,并通过将其转化为演化动态模型进行纳什均衡求解。同时将信号灯控制过程建模成马尔科夫决策过程,并通过Q-learning算法进行求解。通过统计信号灯各相位平均等待时间并应用于种群策略收益计算,使车辆路径规划算法适应交通信号控制算法。交通信号控制算法通过交通流量变化改变自身相位从而适应车辆路径规划算法。第二,双层车辆协同路径规划算法。我们将路网划分区域,在区域间引入虚拟交通和概率路由概念,应用改进背压路由算法调度虚拟车辆队列并更新区域间概率路由表,进行区域间分布式流量调度。在区域内各交叉口处应用车辆路径规划与信号灯控制联合优化算法。从而解决单纯在各交叉口分布式应用联合优化算法存在的问题。最后通过仿真实验,证明了本文提出算法的优越性。