Schemat przydziału zasobów oparty na uczeniu przez wzmacnianie dla komunikacji pojazdowej w sieciach 5G dla inteligentnych miast

Dlaczego inteligentny ruch potrzebuje inteligentnej mocy

Gdy miasta wypełniają się połączonymi samochodami, telefonami i czujnikami przy drogach, cały ten bezprzewodowy szum cicho zużywa dużo energii. Sieci umożliwiające pojazdom komunikowanie się między sobą i ze światłami ulicznymi muszą być szybkie i niezawodne, ale też oszczędne energetycznie, jeśli chcemy czystszej, bardziej zielonej komunikacji. To badanie analizuje, jak prosty rodzaj oprogramowania uczącego się może pomóc samochodom automatycznie wybierać odpowiedni poziom mocy radiowej, ograniczając straty przy jednoczesnym zachowaniu przepływu krytycznych komunikatów bezpieczeństwa.

Samochody, które uczą się, jak głośno „mówić”

Praca koncentruje się na łączach Vehicle to Everything, gdzie samochody wymieniają informacje z innymi pojazdami, ludźmi, jednostkami przydrożnymi i szerszą siecią przez 5G. Na zatłoczonych ulicach sygnały odbijają się od budynków, pojazdy poruszają się szybko, a jakość łącza bezprzewodowego zmienia się z chwili na chwilę. Tradycyjnie poziomy mocy są ustawiane za pomocą stałych reguł lub scentralizowanych planistów, którzy mają problem, by nadążyć za tym ciągłym ruchem. Tutaj zaś każdy pojazd uruchamia małego agenta uczącego się, który obserwuje otoczenie, wybiera poziom mocy dla radia i uczy się na podstawie uzyskanych rezultatów.

Jak uczenie steruje zużyciem mocy

Autorzy opierają się na metodzie zwanej Q learning, wybranej dlatego, że jest na tyle lekka, by działać na elektronice zamontowanej w samochodzie. Agent obserwuje proste pomiary, takie jak siła własnego sygnału w porównaniu z zakłóceniami, odległość od odbiornika oraz stopień zaludnienia drogi. Dla każdej sytuacji próbuje różnych ustawień mocy i otrzymuje liczbową nagrodę, która równoważy dwa cele: wysyłać dane szybko i czytelnie, ale zużywać jak najmniej energii. W toku licznych prób agent wypełnia małą tabelę łączącą każdą sytuację z dobrym wyborem mocy, stopniowo zbliżając się do polityki, która działa dobrze bez potrzeby dużego procesora czy szczegółowego modelu sieci.

Praca w złożonych warunkach miejskich

Aby przetestować pomysł, badacze symulują ruchliwe miejskie skrzyżowanie z pojazdami, pieszymi, jednostkami przydrożnymi i stacjami bazowymi 5G. Model uwzględnia rzeczywiste efekty, takie jak tłumienie sygnału wraz z odległością, odbicia od budynków oraz przesunięcia Dopplera wywołane przez poruszające się samochody. Agent uczący się zaczyna niemal od losowego eksplorowania, więc jego efektywność energetyczna i jakość danych skaczą z jednego przebiegu treningowego na drugi. Z czasem jednak jego zachowanie się stabilizuje: zwykle wybiera umiarkowane poziomy mocy, które utrzymują sygnał wystarczająco silny dla komunikatów bezpieczeństwa, ale unikają nadmiernego „nadawania” w eter. Symulacje pokazują, że efektywność energetyczna osiąga szczyty przy określonych odległościach i poziomach jakości sygnału, a potem spada, gdy łącza stają się zbyt długie i wymagałyby marnotrawnego wysokiego poziomu mocy.

Proste oprogramowanie dla odpornej, lokalnej kontroli

Kluczową zaletą podejścia jest to, że każdy pojazd uczy się samodzielnie, używając jedynie informacji lokalnych. Jeśli jednostka przydrożna ulegnie awarii lub zasięg tymczasowo osłabnie, samochód zauważa, że jakość łącza spadła i eksperymentuje z alternatywnymi ustawieniami mocy, aby odzyskać wydajność. Ponieważ tabela ucząca jest niewielka, metoda jest praktyczna dla wbudowanego sprzętu i może szybko reagować na zmieniające się warunki ruchu i kanału. Badanie analizuje także, jak niedokładne pomiary kanału radiowego uśredniają się w czasie, pozwalając agentowi znaleźć stabilne, rozsądne strategie bez idealnego obrazu sieci.

Co to oznacza dla przyszłych ulic

Dla codziennych użytkowników dróg przekaz jest taki, że ta sama inteligencja, która czyni samochody bezpieczniejszymi, może też pomóc im być bardziej przyjaznymi dla sieci energetycznej. Pozwalając każdemu pojazdowi uczyć się, jak głośno „mówić” przez powietrze, praca ta pokazuje drogę do systemów bezprzewodowych, które marnują mniej energii, a jednocześnie dostarczają szybkie, niezawodne łącza potrzebne do ostrzeżeń przed kolizjami i innych usług krytycznych czasowo. Autorzy sugerują, że przyszłe rozszerzenia z wieloma współpracującymi pojazdami i wspólnym uczeniem mogą jeszcze bardziej poprawić wykorzystanie widma radiowego na zatłoczonych miejskich ulicach.

Cytowanie: 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

Słowa kluczowe: 5G V2X, inteligentne miasta, uczenie przez wzmacnianie, efektywność energetyczna, komunikacja pojazdowa