Esquema de alocação de recursos baseado em aprendizado por reforço para comunicação veicular em redes 5G para cidades inteligentes

Por que o tráfego inteligente precisa de potência inteligente

À medida que as cidades se enchem de carros conectados, telefones e sensores à beira da via, toda essa atividade sem fio consome muita eletricidade. As redes que permitem que veículos conversem entre si e com semáforos devem ser rápidas e confiáveis, mas também econômicas em termos energéticos se quisermos um transporte mais limpo e sustentável. Este estudo explora como um tipo simples de software de aprendizado pode ajudar veículos a escolher automaticamente a quantidade certa de potência de rádio, reduzindo desperdício e mantendo o fluxo de mensagens críticas de segurança.

Carros que aprendem quão alto “falar”

O trabalho foca em links Vehicle to Everything, nos quais carros compartilham informações com outros veículos, pedestres, unidades à beira da via e a rede mais ampla via 5G. Em ruas movimentadas, os sinais refletem em prédios, os veículos se movem rapidamente e a qualidade do enlace muda a cada instante. Tradicionalmente, níveis de potência são definidos por regras fixas ou planejadores centralizados que têm dificuldade em acompanhar esse movimento constante. Aqui, cada veículo executa um pequeno agente de aprendizado que observa o entorno, escolhe um nível de potência para seu rádio e, em seguida, aprende com os resultados.

Como o aprendizado orienta o uso de energia

Os autores utilizam um método chamado Q‑learning, escolhido por ser leve o suficiente para rodar na eletrônica a bordo de um carro. O agente monitora medições simples, como a força do sinal frente à interferência, a distância até o receptor e o quanto a via está congestionada. Para cada situação, ele testa diferentes ajustes de potência e recebe uma recompensa numérica que equilibra dois objetivos: enviar dados com rapidez e clareza, mas consumindo o mínimo de energia possível. Ao longo de muitos ensaios, o agente preenche uma pequena tabela que associa cada situação a uma boa escolha de potência, convergindo gradualmente para uma política que funciona bem sem exigir um processador grande ou um modelo detalhado da rede.

Funcionando nas condições desordenadas de uma cidade real

Para testar a ideia, os pesquisadores simulam um cruzamento urbano movimentado com veículos, pedestres, unidades de estrada e estações base 5G. O modelo inclui efeitos do mundo real, como perda de sinal com a distância, reflexões em prédios e deslocamentos Doppler causados por carros em movimento. O agente de aprendizado começa explorando quase aleatoriamente, de modo que sua eficiência energética e qualidade de dados oscilam de uma sessão de treinamento para outra. Com a experiência, no entanto, seu comportamento se estabiliza: tende a escolher níveis de potência moderados que mantêm o sinal forte o suficiente para mensagens de segurança, evitando explodir o espectro com potência desnecessária. As simulações mostram que a eficiência energética alcança picos em certas distâncias e níveis de qualidade de sinal, decaindo quando os enlaces ficam longos demais e exigiriam potência excessiva.

Software simples para controle local robusto

Uma força-chave da abordagem é que cada veículo aprende por conta própria, usando apenas informações locais. Se uma unidade de beira de via falha ou a cobertura enfraquece temporariamente, o carro percebe que a qualidade do enlace caiu e experimenta escolhas alternativas de potência para recuperar o desempenho. Como a tabela de aprendizado é pequena, o método é prático para hardware embarcado e pode reagir rapidamente a mudanças no tráfego e nas condições do canal. O estudo também examina como medições imperfeitas do canal de rádio ainda se suavizam ao longo do tempo, permitindo que o agente encontre estratégias estáveis e sensatas sem uma visão perfeita da rede.

O que isso significa para as ruas do futuro

Para os usuários cotidianos das vias, a mensagem é que a mesma inteligência que torna os carros mais seguros pode também aliviar a demanda sobre a rede elétrica. Permitindo que cada veículo aprenda quão alto deve “falar” pelo ar, este trabalho aponta um caminho para sistemas sem fio que desperdiçam menos energia enquanto ainda entregam enlaces rápidos e confiáveis necessários para avisos de colisão e outros serviços críticos a tempo. Os autores sugerem que extensões futuras com múltiplos veículos cooperando e aprendizado compartilhado poderiam melhorar ainda mais o uso do espectro em ruas urbanas lotadas.

Citação: 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

Palavras-chave: 5G V2X, cidades inteligentes, aprendizado por reforço, eficiência energética, comunicação veicular