自动驾驶车辆的感知能力,计算能力和通信能力是有限的,它无法获得更大范围的交通态势信息,无法部署计算复杂度高的多车协同算法。随着边缘计算,车联网和5G通信技术的发展,道路交通网络的计算,通信和感知能力大大提升,车辆利用道路交通网络的这些能力可以获得更加丰富的交通态势信息,完成一些复杂的任务。因此本文提出了一个基于群体智能的多车协同框架,在边缘云构建群体智能的计算模式,并基于此框架提出了两个算法分别从宏观和微观两个角度来提升道路交通网络的效率和安全。多车路径规划决定了整个道路网络的车流分布,因此从宏观上提升了道路交通网络的效率。当前利用全局交通态势信息为单一车辆规划行驶路径的方法没有考虑多车之间的相互影响,导致道路上出现车辆扎堆现象。采用集中式控制器的多车规划路径算法由于计算复杂度高,并且可能损害车辆自身的利益而不能应用于实际的道路网络中。本文提出了基于最优回应动态的种群博弈来建模多车协同路径规划问题,保证了车辆的自主决策性,也保证了车辆自身利益的最大化。仿真实验表明,本文提出的路径规划算法能够极大地提高道路网络的吞吐量,缩小车辆到达目的地的通行时间,并且使得道路上的车流处于均匀的状态。路口多车协同控制规划了车辆在路口的驾驶行为,保证车辆无碰撞快速的通过路口,因此从微观上提升了道路网络的运转效率和安全性。当前基于无信号灯的路口控制将车辆作为指令执行节点,执行边缘下发的指令。这种方式损害了车辆的自主性,并且无法应对复杂多变的交通态势,存在安全隐患。本文提出了基于多代理强化学习的路口多车协同控制的神经网络模型,并且利用全局的交通态势信息来协调每个代理训练过程,最终达到协同通过路口的结果。仿真实验表明,本文使用的多代理强化学习算法让车辆学会了良好的协同通过路口的策略,达到了极低的车辆碰撞概率。