为应对人类驾驶行为的随机性、交通组成的异质性以及由联网自动驾驶车辆（CAVs）和人工驾驶车辆（HVs）共同构成的复杂混合交通环境的部分可观测性所带来的挑战，从系统性的交通流角度对CAV驾驶行为进行优化控制仍然极为困难。针对上述问题，我们开展了大量关于混合交通环境下CAV决策控制方法的研究。通过将物理模型、控制理论和交通流理论的核心原理与深度强化学习（DRL）框架进行融合，我开发了基于物理信息的深度强化学习（Physics-informed Deep Reinforcement Learning, PIDRL）方法，专门用于混合交通场景中CAV以及其他智能交通系统（ITS）主体的智能控制。这种通用方法在CAV控制与智能公交运营等多种应用场景中展现出优异的通用性与有效性，并已被验证能够有效提升系统层面的安全性、效率、稳定性及能源利用等关键性能指标。