车联网是实现未来智能交通的关键技术之一,通过V2X通信技术结合边缘云架构形成一个车辆运行管理生态链。利用增强车辆现实(AVR)实现的辅助驾驶技术可实时显示当前交通情况,协助驾驶员及时作出合理的驾驶决策,保障驾驶安全。由于AVR对时延和计算要求极为苛刻,在高密度的城区路口环境下,车辆本身的计算能力有限,车联网融合多接入边缘计算技术是解决这类时延敏感型、计算密集型应用问题的一个有效方案。基于上述问题,针对城区路口通信场景,本文提出了一种吞吐量最大化的任务卸载与资源分配(ToRaT)算法,在保证任务完成的前提下,能够实现最大化系统吞吐量的目标。首先建立问题模型,包括车辆的通信模型、具有数据量、计算量和时延三个特征的任务模型以及计算模型,并详细分析了计算模型中本地计算、V2V卸载和V2I卸载的总时延;然后根据问题模型总结出系统吞吐量最大化的优化目标及其约束条件。由于原始问题被证明是NP-hard问题,难以得到最优解,本文提出一种分步求解的解决思路,首先计算任务可容忍时延内的最小速率限制,在此基础上根据凸优化理论得到最佳功率分配,并分别比较V2V卸载与V2I卸载情况下的吞吐量增益,基于增益大小给出任务卸载决策;然后利用二分图最大匹配算法对信道分配问题进行求解,并根据卸载决策与无线资源分配结果求出满足任务可容忍时延条件下的最小计算资源分配。最后通过仿真实验,比较了ToRaT算法、V2V first算法和V2I first算法在任务数、车速以及最大功率限制等因素下的系统吞吐量大小,并分析了三种算法对计算资源的分配情况,得出ToRaT算法的性能优于另外两种的结论,进一步证实了本文所提算法的有效性。