Schema di allocazione delle risorse basato sull’apprendimento per rinforzo per la comunicazione veicolare nelle reti 5G per le città intelligenti

Perché il traffico intelligente ha bisogno di una potenza intelligente

Man mano che le città si riempiono di auto connesse, telefoni e sensori stradali, tutto questo traffico wireless consuma silenziosamente molta elettricità. Le reti che permettono ai veicoli di comunicare tra loro e con i semafori devono essere veloci e affidabili, ma anche parsimoniose nel consumo se vogliamo trasporti più puliti e sostenibili. Questo studio esplora come una forma semplice di software di apprendimento possa aiutare le auto a scegliere automaticamente la quantità di potenza radio giusta, riducendo gli sprechi e mantenendo il flusso dei messaggi critici per la sicurezza.

Auto che imparano a “parlare” a voce più o meno alta

Il lavoro si concentra sui collegamenti Vehicle to Everything, in cui le auto condividono informazioni con altri veicoli, persone, unità stradali e la rete più ampia tramite il 5G. In strade affollate, i segnali rimbalzano sugli edifici, i veicoli si muovono velocemente e la qualità del collegamento wireless cambia di continuo. Tradizionalmente i livelli di potenza sono impostati con regole fisse o pianificatori centralizzati che faticano a tenere il passo con questo movimento costante. Qui, invece, ogni veicolo esegue un piccolo agente di apprendimento che osserva l’ambiente, sceglie un livello di potenza per la radio e poi apprende dai risultati.

Come l’apprendimento guida l’uso della potenza

Gli autori si basano su un metodo chiamato Q learning, scelto perché abbastanza leggero da funzionare sull’elettronica di bordo di un’auto. L’agente osserva misure semplici come quanto è forte il proprio segnale rispetto alle interferenze, la distanza dal ricevitore e quanto è congestionata la strada. Per ogni situazione prova diversi settaggi di potenza e riceve una ricompensa numerica che bilancia due obiettivi: trasmettere dati rapidamente e con chiarezza, ma usando la minore potenza possibile. Dopo molte prove l’agente riempie una piccola tabella che associa ogni situazione a una buona scelta di potenza, convergendo gradualmente verso una policy efficace senza necessitare di un processore potente o di un modello di rete dettagliato.

Funzionare in condizioni urbane complesse

Per testare l’idea i ricercatori simulano un incrocio urbano trafficato con veicoli, pedoni, unità stradali e stazioni base 5G. Il modello include effetti reali come l’attenuazione del segnale con la distanza, le riflessioni dagli edifici e gli shift Doppler creati dai veicoli in movimento. L’agente di apprendimento inizia esplorando quasi a caso, quindi la sua efficienza energetica e la qualità dei dati oscillano tra una sessione di addestramento e l’altra. Con l’esperienza però il comportamento si stabilizza: tende a scegliere livelli di potenza moderati che mantengono il segnale sufficientemente forte per i messaggi di sicurezza evitando di sovrairradiare. Le simulazioni mostrano che l’efficienza energetica raggiunge il picco a certe distanze e livelli di qualità del segnale, per poi diminuire quando i collegamenti diventano troppo lunghi e richiederebbero potenze eccessive.

Software semplice per un controllo locale robusto

Un punto di forza dell’approccio è che ogni veicolo apprende autonomamente usando solo informazioni locali. Se un’unità stradale dovesse guastarsi o la copertura dovesse indebolirsi temporaneamente, l’auto nota che la qualità del collegamento è peggiorata e sperimenta scelte di potenza alternative per recuperare le prestazioni. Poiché la tabella d’apprendimento è piccola, il metodo è pratico per l’hardware embedded e può reagire rapidamente alle condizioni di traffico e canale in cambiamento. Lo studio esamina anche come misurazioni imperfette del canale radio si mediino nel tempo, permettendo all’agente di trovare strategie stabili e sensate senza una visione perfetta della rete.

Cosa significa per le strade del futuro

Per gli utenti di tutti i giorni il messaggio è che la stessa intelligenza che rende le auto più sicure può anche aiutarle a essere più rispettose della rete elettrica. Permettendo a ogni veicolo di apprendere quanto “alto” parlare via etere, questo lavoro mostra una via verso sistemi wireless che sprecano meno energia pur offrendo i collegamenti rapidi e affidabili necessari per gli avvisi di collisione e altri servizi sensibili al tempo. Gli autori suggeriscono che future estensioni con più veicoli cooperanti e apprendimento condiviso potrebbero migliorare ulteriormente l’uso dello spettro radio nelle strade cittadine affollate.

Citazione: Brindha, S., Nasreen, P.P.S., Sagar, P. et al. Reinforcement learning based resource allocation scheme for vehicular communication in 5G networks for smart cities. Sci Rep 16, 15807 (2026). https://doi.org/10.1038/s41598-026-45209-6

Parole chiave: 5G V2X, città intelligenti, apprendimento per rinforzo, efficienza energetica, comunicazione veicolare