1.一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，包括根据车路协同系统框架建立通信模型和ML任务模型，其中所述通信模型用于计算车辆上行通信速率；

根据所述通信模型和所述ML任务模型建立计算模型，该计算模型为分别计算车辆、RSU、MEC服务器和云服务器处理ML任务的相关参数，具体包括有如下：对于每辆车上的ML任务，让其一部分在本地处理，另一部分卸载至RSU；假设在时隙t车辆k将ML任务 卸载至RSU的比例为 ；则车辆本地处理的计算延迟为：， 为第k辆车的CPU周期频率， 表示处理任务需要的计算量大

小；此时，车辆所产生的处理能耗为： ， 为车辆芯片的能

耗系数；

此外，从车辆k卸载至RSU的ML任务为 ，由此产生的传输延迟为：

， 表示第k辆车的ML任务数据量大小， 表示车辆k与RSU在时隙t

的上行链路传输速率；还有产生的能耗为： ， 为车辆k的上行链路发

射功率；由于RSU上也会产生相对应的ML任务 ，RSU上待处理的总任务为 +；RSU上的总任务也可部分卸载至云服务器，假设卸载比例为 ；则在RSU上的MEC服务器进行处理的任务为总任务的 ，假设此时MEC服务器分配给车辆k任务的计算频率为 ，则在MEC服务器上任务的处理时延表示为：；

基于计算模型将计算卸载和资源分配问题建模成马尔可夫决策模型，包括将计算卸载和资源分配问题的各项参数和指标建模成对应典型的马尔可夫决策过程的四元组，其中所述四元组包括系统的状态空间、动作空间、奖励函数以及状态转换概率；根据马尔可夫决策模型将一种多动作输出的策略网络引入SAC算法中；

SAC算法的最优策略表示为：

；

其中 是折扣因子，表示当前奖励和未来奖励之间的关系； 是温度系

数，代表熵和奖励之间的相对重要性； 是熵项，由 表示，表示策略概率分布的随机程度，策略越随机，熵越大；

让智能体不断地和环境进行交互并获得奖励，最终收敛到一个可获得最大总奖励的计算卸载和资源分配策略作为最优计算卸载和资源分配策略；

根据所述最优计算卸载和资源分配策略执行ML任务，并将处理结果传到MEC服务器，在MEC服务器上构建起数字孪生车辆，进而数字孪生车辆对车辆的行为进行预测，以辅助车辆的自动驾驶。

2.如权利要求1所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述车路协同系统框架包括：多辆带有传感器的自动驾驶汽车、配备了MEC服务器和传感器的RSU、以及与RSU通过光纤网络连接的云服务器。

3.如权利要求2所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述MEC服务器作为所述SAC算法中的智能体，用于控制计算卸载和资源分配决策，所述MEC服务器接收到车辆和RSU上的ML任务请求时，会搜索在当前状态下的最佳动作，在做出决策和处理ML任务后，所述MEC服务器会构建出数字孪生车辆，从而辅助车辆的自动驾驶。

4.如权利要求1所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述通信模型采用马尔可夫信道模型计算车辆的信号噪声干扰比，所述ML任务模型包括车辆侧的传感数据和RSU侧的传感数据模型。

5.如权利要求1所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述动作空间包括任务卸载至MEC服务器和云服务器的比例、车辆通信带宽分配比例和MEC服务器分配给车辆的计算资源。

6.如权利要求1所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述SAC算法是一种基于最大熵框架的随机策略算法，包括策略网络、评估网络和目标评估网络，其中策略网络输出连续动作，评估网络用于指导策略网络的更新, 目标评估网络用来保证评估网络的训练学习过程更加平稳。

7.如权利要求1所述的一种面向车路协同系统的计算卸载和资源分配方法，其特征在于，所述数字孪生车辆的辅助车辆的自动驾驶包括数字孪生车辆通过增强现实技术和AI预测分析为自动驾驶车辆做出相应的行驶决策，增强车辆的智能。