Автоматизированным транспортным средствам (АТС) потребуется обновленная информация об условиях вождения.

Предыдущие исследования предполагали, что придорожная инфраструктура передает такие обновления с помощью пучков концентрированных миллиметровых радиоволн. Однако остаются проблемы, такие как точное определение местоположения быстро движущегося транспортного объекта, чтобы отслеживать его с помощью луча, и формирование оптимального луча в течение короткого временного интервала, который обеспечит надежную передачу данных с высокой скоростью и низкой задержкой.

Чтобы помочь решить обе проблемы, исследователи NIST проанализировали эти исследования придорожной инфраструктуры и разработали метод, который использует «Обучение с подкреплением», форму искусственного интеллекта, которая вознаграждает систему за предполагаемую производительность. Метод был описан в статье «Отслеживание луча с помощью глубокого обучения с подкреплением и передача данных для сетей 5G V2X (Vehicle-to-Everything)», опубликованной в IEEE Transactions on Intelligent Transportation Systems.

Обучение с подкреплением метода помогает придорожной инфраструктуре оптимизировать прогнозы местоположения быстро движущихся транспортного средства на основе их нисходящих каналов. Это также помогает придорожной инфраструктуре формировать и настраивать оптимальные схемы луча для передачи данных в АТС.

Этот метод был основан на том, что исследователи NIST использовали систему обучения с подкреплением, в которой они сопоставили параметры, влияющие на производительность связи между транспортным средством и инфраструктурой, с состоянием, действиями и формами вознаграждения. Они также обнаружили, что точность отслеживания луча и оптимизация луча могут быть увеличены путем пересмотра этой структуры.

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.