由于现阶段石油能源的不断的消耗以及汽车尾气造成的大气环境的污染,人们的所处的生态环境状态呈恶化趋势,所以汽车燃油造成的能源消耗问题以及污染问题亟需解决。因此减少油耗和拥堵问题以及提高行车效率的路径规划问题是具有理论价值与实际意义的课题。本文针对如何减少燃油以及提高行车效率方面展开了研究,主要做了如下工作:首先,本文研究了基于Platooning技术的燃油优化方法,该方法利用Platooning技术将车辆排成车队,车队的形成依赖于现代的车对车和车对基础设施的智能通信,其中云和车载计算机提供算法支持。本文利用Platooning方法控制车间距离以及跟车速度,系统将同一路线的车辆协同组成一个队列,车辆通过电子对接做到车队中车间短距离连接,该队列通过车辆排队集群的方式减小空气阻力来实现减少燃料的消耗。目前国内外关于排队方面的研究的主要是卡车排队方向,多数用于解决高速道路上货运方面的能源节约问题。由于我国人口数量庞大,私家车占大部分市场份额,所以本文主要针对于私家车的行车过程中节能减排问题展开了研究。本文研究适应多种行车场景,包括城市道路和高速道路,由于道路中存在交叉口,所以本文也提出了车辆合并策略,可以让车辆合并时最小化车组波动,尽量维护车队的稳定性。本文通过仿真验证了基于Platooning技术的能源优化方法使得车辆在相同环境下能够更少的使用燃料,并且车组中车辆越多路程越长,节约的能源越多,但是当车辆数到达一定数目时,车组节约能源比例趋于稳定。其次,在车队的基础上,本文研究了基于强化学习算法的一个新的路线规划决策方法,车辆根据路线规划的路径列队行驶,本文使用Q-learning算法进行规划路径,将状态收益函数和状态-动作收益函数作为评价的标准,利用反馈模型提出路线选择。该方法能够为车辆驾驶员提供高质量的旅行计划服务,让车辆可以在已知行车起止点选择最优行车方式,车辆使用路径规划状态权重由时间,距离,角度组合归一的模式来设计,合理组合出一个符合实际场景的权重值,车辆根据权重计算的反馈值来选择耗油最小的路径。通过使用本方法可以提高行车效率,减少能源与网络资源的浪费,减少判断出最省燃料路径计算所需时间,提高了反应速率。仿真结果证明该方法能够更加快速准确地选取用户所需的最佳路径,保证了算法的可靠性。综上本文研究提出了基于一种用车队协调控制燃油消耗的方法,并根据影响燃油的多种参数设计基于Q强化学习的路径规划方法。车队协调旨在减少燃料消耗,车辆列队行驶,并通过机器学习中强化学习的方式训练车辆寻找车辆计划行驶路线,快速形成计划路线,并通过使用Platooning技术结合强化学习路径的规划来降低总的燃油消耗。该方法的有效性在仿真结果中得到证明。