自动驾驶车辆(AV)将需要针对行驶条件进行更新。过去的研究设想通过集中、毫米波无线电波束,道路基础设施向AV传达这些更新。然而,依然存在挑战,例如准确确定快速移动的AV的位置,以便用波束跟踪它,并在短时间内形成最佳波束,可靠地以高速率和低延迟传输数据。
为了帮助解决这两个挑战,美国国家标准与技术研究院(NIST)的研究人员分析了这些道路基础设施研究,并开发了一种使用“强化学习”的方法,这是一种人工智能形式,通过对系统的预期性能给予奖励。这种方法在IEEE Transactions on Intelligent Transportation Systems上的论文《5G V2X(车辆对一切)网络中基于深度强化学习的波束跟踪和数据传输》中进行了描述。
该方法的强化学习帮助道路基础设施根据AV的下行链路优化快速移动AV位置的预测。它还帮助道路基础设施形成和调整最佳波束模式,以向AV传输数据。
该方法基于NIST研究人员使用强化学习框架,将影响车辆对基础设施通信性能的参数映射为状态、动作和奖励的形式。他们还发现通过修订该框架可以提高波束跟踪精度和波束优化。
NIST研究人员使用模拟评估了该方法。结果显示,该方法在跟踪精度、数据传输速率和时间效率方面表现良好。模拟还显示,所选框架优于考虑的其他框架。