网联自动驾驶技术的革新为交叉口控制优化提供了一种截然不同的解决方法，网联自动驾驶车（Connected Autonomous Vehicles，CAV）能够获取信号计划并制定相应的轨迹规划，旨在最大限度地平滑车辆轨迹和减少停车次数。然而，在过去几十年中，包括自适应信号控制、基于车辆轨迹的信号优化控制和无信号多车协同控制在内的交叉口控制方法，都是将信号优化与车辆运动分开进行研究，交通信号与车辆轨迹之间没有联合协作，它们对交叉口安全和效率的提升有限。事实上，这两者是紧密关联、相互影响的，自动驾驶技术的快速发展为上述两者的融合带来新的问题和挑战。此外，当前交叉口管理与控制的相关工作聚焦于全自动驾驶环境下的控制建模，缺少对混驾环境下交叉口优化控制的关注。本研究开发了一种网联混驾环境下车辆编队的信号计划与车辆轨迹耦合控制方法（Signal-Vehicle Coupled Control Based on Mixed Platoon，SVCC-BMP），它根据车辆当前运动状态制定未来的信号计划和车辆运动轨迹，并同时输出最佳的车辆轨迹和信号计划，为交叉口控制问题提供新的解决思路。具体工作展开如下：

首先，在网联混驾环境下提出了“1+n”混合排的概念，并建立了混合排的动力学系统，同时，给出了混合排系统的Lyapunov稳定性条件和可控性条件，再通过数学归纳法和反证法对其成立条件进行了理论证明。在此基础上，提出了网联混驾条件下的车辆编组方法，得到以信号相位和车辆运动分组为单位的车辆排系统。

然后，建立了用于更新车辆轨迹的车辆运动方程和用于更新信号指示的信号变化系统动力方程。通过引入车辆位置状态附加控制变量，将车辆运动系统和信号变化系统联合协作，使模型能够同时输出车辆运动轨迹和信号计划。再引入时间矩变量，将模型中的逻辑约束线性化，将目标优化问题转化为混合整数线性规划（Mixed Integer Linear Programming，MILP）问题。

最后，采用（Simulation of Urban Mobility，SUMO）交通仿真平台辅助开发，通过Python环境下的Gurobi求解器和SUMO-Traci接口搭建SUMO-Gurobi联合仿真平台，包括车辆轨迹处理程序。仿真分别测试了均匀分布流量下各控制方法平滑车辆轨迹的性能、随机分布流量下各控制方法适应车流变化的性能、随机分布流量下考虑排队消散时间的SVCC-BMP控制性能、随机分布流量下不同流量不同渗透率下SVCC-BMP的性能表现和不同信号结构对SVCC-BMP控制方法的性能影响，共5项性能测试。同时，输出各控制方法各项性能测试对应的车辆轨迹，并对其进行分析和讨论。

实验测试表明，在油耗方面SVCC-BMP方法相比无协作信号控制（Non-Control Signal Based Control，NC-SBC）方法节约油耗约76.78%，相比预测巡航控制（Predictive Cruise Control，PCC）方法节约油耗约49.76%；在延误方面SVCC-BMP方法相比NC-SBC方法减少42.65%，相比PCC方法减少22.35%。在流量接近饱和时，SVCC-BMP性能表现最佳并不是在渗透率为1的情形下，而是在渗透率为0.9左右，表明了混合排系统在混驾环境下发挥了积极的控制效益，提高了系统协作程度。综上，在不同的测试条件下SVCC-BMP控制方法都展现了良好的控制性能，验证了SVCC-BMP控制方法的科学性和有效性，它能够进一步提高交叉口车辆运行效率。