Este artículo propone un método de búsqueda de árbol de Monte Carlo (MCTS) con actualizaciones paralelas para un juego de Markov multiagente con horizonte limitado y descuento temporal, con el fin de resolver problemas de toma de decisiones colaborativa lateral y longitudinal en la conducción cooperativa multivehicular de vehículos conectados y automatizados (CAV). Mediante el análisis de comportamientos paralelos en el espacio de acción colaborativa multivehicular bajo un flujo de tráfico parcialmente estable, el método de actualización paralela aumenta la profundidad de búsqueda sin sacrificar la amplitud, excluyendo rápidamente acciones potencialmente riesgosas. El método propuesto se prueba en múltiples flujos de tráfico generados aleatoriamente, y los resultados experimentales demuestran una excelente robustez y superan a los algoritmos de aprendizaje por refuerzo y métodos heurísticos de última generación. La estrategia de conducción del vehículo que utiliza el algoritmo propuesto demuestra una racionalidad superior a la de los conductores humanos y mejora la eficiencia y la seguridad del tráfico en zonas de coordinación.
