研究人员提出了一种用于自动驾驶汽车通信的人工智能方法

自动驾驶汽车(AV)将需要更新驾驶条件。过去的研究设想，路边的基础设施通过集中的毫米波束传输这种更新。然而，挑战仍然存在，例如准确确定快速移动的自动驾驶汽车的位置，以便用波束跟踪它，并在短时间内形成最 佳波束，从而以高速率和低延迟可靠地传输数据。

为了帮助解决这两个挑战，NIST的研究人员分析了这些路边基础设施的研究，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，可以奖励系统的预期性能。该方法发表在《IEEE智能交通系统学报》上的《5G V2X(车到一切)网络的深度强化学习辅助光束跟踪和数据传输》中。

该方法的强化学习可以帮助路边基础设施根据其下行链路优化快速移动的自动驾驶汽车位置的预测。它还有助于路边基础设施形成和调整向自动驾驶汽车传输数据的最 佳波束模式。

该方法基于NIST研究人员使用的强化学习框架，在该框架中，他们将影响车辆与基础设施通信性能的参数映射为状态、行动和奖励形式。他们还发现，通过修改该框架可以提高波束跟踪精度和波束优化。

NIST的研究人员使用模拟来评估这种方法。结果表明，该方法在跟踪精度、数据速率和时间效率方面都有较好的表现。仿真还表明，所选框架的性能优于所考虑的其他框架。