道路结构变化或障碍物引起车辆被动换道,车间互相协调才能保证安全高效的汇流。本文基于无人车提出了交通瓶颈处车辆汇流的协作算法,并搭建了基于缩微车的半物理仿真平台用于多车协作算法的验证。本文依据交通流中车辆的组织方式,将研究问题分为随机交通流中的汇流问题和车队交通流中的汇流问题。针对车间约束少的随机交通流,本文以通行量为优化目标,提出一种基于分类回归树的汇流决策方法。依据交通流参数,选择大量具有代表性的车辆汇流场景。对场景中车辆进行汇流决策序列编码,采用遗传算法求解使得通行量最大的决策方案。将寻优获得的大量汇流决策序列作为样本,训练分类回归树。样本中选取车辆自身信息及与周围车辆的关系等以描述环境特征,运用分类回归树描述环境特征与决策结果的映射关系,获得一种通行量最优的汇流决策方法。在软件中进行仿真实验,对比既有方法,基于分类回归树的汇流方法能够有效减少汇流行为对车流的扰动,在大流量情形下依旧能保持较高的通行效率。此外,该方法对实际实施中可能存在的环境感知误差,如定位误差,有一定的鲁棒性。针对车间约束较强的车队交通流,本文选择车队内的集中式控制,对车队的汇流路径的评估指标进行函数建模。采用模型预测控制法,规划出汇流时间短且驾乘感舒适的汇流路径。该控制方法对优化时域内的性能指标不断滚动优化,同时基于反馈校正预测状态,能够实时响应前方交通流状况的变化,动态的优化路径。最后,本文设计了一套基于缩微车和运动捕捉系统的半物理仿真平台,用于算法验证。该系统的控制闭环如下:车辆被红外摄像头捕捉并解析其位姿数据后传输给主控电脑。主控电脑依据编写的车辆调度程序计算控制指令,并通过Xbee Pro广播至所有缩微车辆,缩微车解析控制协议并执行操作。本文还采用基于交互多模型的滤波算法提高运动捕捉系统地位结果的稳定性。