Автоматизированным транспортным средствам (АВ) потребуется обновленная информация об условиях вождения. Прошлые исследования предполагают, что придорожная инфраструктура будет передавать такие обновления посредством лучей концентрированных радиоволн миллиметрового диапазона. Однако остаются проблемы, такие как точное определение местоположения быстро движущегося AV, чтобы отслеживать его с помощью луча, и формирование оптимального луча в течение короткого временного интервала, который будет надежно передавать данные с высокими скоростями и малой задержкой.
Чтобы помочь решить обе проблемы , исследователи NIST проанализировали эти исследования придорожной инфраструктуры и разработали метод, использующий «обучение с подкреплением», форму искусственного интеллекта, которая вознаграждает систему за запланированную производительность. Этот метод был описан в статье «Отслеживание лучей и передача данных с помощью глубокого обучения с подкреплением для сетей 5G V2X (автомобиль-все)», опубликованной в журнале IEEE Transactions on Intelligent Transportation Systems.
Обучение с подкреплением этого метода помогает придорожной инфраструктуре оптимизировать прогнозирование быстро перемещающихся местоположений AV на основе их нисходящих каналов. Это также помогает придорожной инфраструктуре формировать и настраивать оптимальные диаграммы направленности для передачи данных на AV-системы.
Этот метод был основан на том, что исследователи NIST использовали структуру обучения с подкреплением, в которой они сопоставили параметры, влияющие на производительность связи между транспортными средствами и инфраструктурой, в формах состояния, действия и вознаграждения. Они также обнаружили, что точность отслеживания луча и его оптимизацию можно повысить, пересмотрев эту структуру.
Исследователи NIST использовали моделирование для оценки метода. Результаты показали, что этот метод хорошо работает с точки зрения точности отслеживания, скорости передачи данных и временной эффективности. Моделирование также показывает, что выбранная платформа превзошла другие рассмотренные платформы.
