近年来,随着5G的发展应用,车联网和自动驾驶受到广泛关注,车辆雾计算也因可充分利用车辆闲置的通信和计算资源而被提出。作为车联网典型应用场景和自动驾驶车辆必备应用之一,实时情景感知地图可帮助车辆实现精准定位、路径规划等功能。实时情景感知地图构建主要分两部分:从云端获取地图数据和完成本地传感器数据处理。对于车辆雾计算环境而言,这两部分分别需要借助数据卸载和计算卸载技术实现更加高效的地图构建。但是,目前大多数据卸载研究大都没有结合实时情景感知地图的数据特点针对性展开,导致传输的数据量过多,能耗过大。而计算卸载研究也较少真正联合通信、计算资源分配,导致资源利用率低。针对上述问题,本论文面向实时情景感知地图构建,分别从云端数据获取的数据卸载和本地传感器数据处理的计算卸载两方面展开研究,主要研究内容包括:(1)对于实时情景感知地图中的云端地图数据获取,本文提出一种基于簇的数据卸载方法。该方案首先基于分布式多目标加权聚类(Distributed Multi-Objective Weighted Clustering,DMOWC)算法构建簇,然后结合地图数据与地理位置密切相关、基础数据量大、更新快等特点设计数据卸载策略,通过采取基础子图数据只发送一次、结合车辆运动方向针对性卸载等方式,有效减少了数据的传输量和冗余量。仿真实验证明,DMOWC算法适用于该数据卸载场景,本论文所提出的数据卸载方案能有效降低系统能耗和数据卸载时延。(2)对于实时情景感知地图中的本地传感器数据处理,本文提出一种基于通信、计算资源联合分配的计算卸载决策策略。该策略以DMOWC组建的簇为基础,首先基于图着色法确定最佳通信资源集(Resource Set,RS)的数量,然后再采用基于时间约束剪枝的回溯法来求解联合两种资源分配的最优计算卸载决策。仿真实验证明,提出的资源联合分配的卸载策略可在有限的资源条件下完成更多通过V2V(Vehicleto Vehicle)卸载的计算任务,实现资源的最大化利用。