网联化的智能汽车具有超距感知、信息共享的特点,相比于孤立的智能汽车,可以进一步提升交通性能。基于信息共享的协同控制是发挥智能网联汽车优势的关键,依托云控平台的集中式控制是一种协同控制的技术方案。然而由于多车之间求解空间互相耦合,随着车群规模增长,计算量急剧增加。现有优化算法求解时间多为多项式复杂度,实时性无法保证。针对该问题,本文提出了一种基于车群系统约束解耦,适用于大规模智能网联汽车协同控制的同步并行计算方法;针对计算节点无法同步更新的并行计算网络,构建了无需协同更新的异步并行算法,同时证明了算法的收敛性。首先,构建了智能网联汽车协同控制的集中式优化问题。基于图论建立了智能网联汽车空间交互拓扑及云平台并行计算网络结构。以此为基础,构造车群系统冲突约束,并从个体全局路径规划与群体局部路径跟踪两个层面入手建立目标函数,将问题构建为集中式有限时域最优控制问题。其次,基于交替方向乘子法(ADMM)提出了求解集中式最优控制问题的同步并行计算方法。利用泰勒展开对集中式优化问题中的非凸约束进行处理,将问题近似为标准凸优化问题;通过引入一致性约束,将问题构建为一致性优化问题;最后基于ADMM框架对问题进行分解,使得优化求解并行进行,提升了大规模协同控制问题求解的计算效率。然后,对同步并行算法进行改进,提出了无需节点协同更新的异步并行计算方法。根据计算网络中节点拓扑关系,利用信息保留方案构建了异步更新机制。为了证明所提出异步算法的收敛性,首先证明同步并行算法为Douglas-Rachford分解法的一种特例,之后从该分解法角度分析异步算法,并利用随机变量收敛性质证明了所提出的异步算法具有收敛性及线性收敛速度。该异步算法使得并行计算方法可以应用于无法同步更新的网络。最后,通过三种典型多车协同场景对提出的协同控制并行算法进行验证,在4–900的车辆规模下,证明了相比于集中式计算方法,同步并行算法可以将计算复杂度从多项式级别降低到常数级,同时证明了异步算法在非协同更新网络下仍有相同的计算复杂度及线性收敛速度。