Akıllı şehirlerde 5G ağlarında taşıt iletişimi için takviyeli öğrenmeye dayalı kaynak tahsis şeması

Akıllı trafik neden akıllı güce ihtiyaç duyar

Şehirler bağlı otomobiller, telefonlar ve yol kenarı sensörleriyle doldukça, bu kablosuz iletişim sessizce çok fazla elektrik tüketiyor. Araçların birbirleriyle ve trafik ışıklarıyla iletişim kurmasını sağlayan ağların hızlı ve güvenilir olması gerekiyor; aynı zamanda daha temiz, daha çevreci ulaşım için enerji kullanımında da nazik olmaları şart. Bu çalışma, basit bir tür öğrenme yazılımının araçların radyo gücünü otomatik olarak tam uygun seviyede seçmesine nasıl yardımcı olabileceğini, israfı keserken kritik güvenlik mesajlarının akışını nasıl koruduğunu araştırıyor.

Ne kadar yüksek “konuşacaklarını” öğrenen otomobiller

Çalışma, araçların diğer araçlar, yayalar, yol kenarı birimleri ve daha geniş ağa 5G üzerinden bilgi paylaştığı Vehicle to Everything bağlantılarına odaklanıyor. Yoğun sokaklarda sinyaller binalardan yansıyor, araçlar hızlı hareket ediyor ve kablosuz bağlantının kalitesi anlık olarak değişiyor. Geleneksel olarak, güç seviyeleri sabit kurallar veya bu sürekli hareketle başa çıkmakta zorlanan merkezi planlayıcılar tarafından belirleniyor. Burada ise her araç, çevresini gözleyen, radyosu için bir güç seviyesi seçen ve sonuçlardan öğrenen küçük bir öğrenme ajanı çalıştırıyor.

Öğrenmenin güç kullanımını yönlendirmesi

Yazarlar, arabadaki elektroniğe çalıştırılabilecek kadar hafif olduğu için Q öğrenme adı verilen bir yöntemin üzerine kuruyorlar. Ajan, sinyal gücünün girişime göre ne kadar güçlü olduğu, alıcıya ne kadar uzak olduğu ve yolun ne kadar kalabalık olduğu gibi basit ölçümleri izliyor. Her durum için farklı güç ayarlarını dener ve iki amacı dengeleyen sayısal bir ödül alır: veriyi hızlı ve net iletmek ama mümkün olduğunca az güç kullanmak. Birçok deneme boyunca ajan, her durumu iyi bir güç seçeneğiyle ilişkilendiren küçük bir tablo doldurur ve büyük bir işlemciye veya ayrıntılı bir ağ modeline ihtiyaç duymadan iyi çalışan bir politikaya kademeli olarak yakınsar.

Gerçek şehir koşullarında çalışmak

Fikri test etmek için araştırmacılar, araçlar, yayalar, yol kenarı birimleri ve 5G baz istasyonları içeren yoğun bir kentsel kavşağı simüle ediyor. Model, mesafe ile sinyal kaybı, binalardan yansımalar ve hareket halinde araçların yarattığı Doppler kaymaları gibi gerçek dünya etkilerini içeriyor. Öğrenme ajanı başlangıçta neredeyse rastgele keşif yaptığından, enerji verimliliği ve veri kalitesi eğitim çalışmaları arasında dalgalanıyor. Ancak deneyimle birlikte davranışı istikrara kavuşuyor: güvenlik mesajları için sinyali yeterince güçlü tutarken havayı gereksiz yere doldurmaktan kaçınan orta düzey güçleri seçme eğiliminde oluyor. Simülasyonlar, enerji verimliliğinin belirli mesafelerde ve sinyal kalitesi seviyelerinde zirveye çıktığını ve bağlantılar çok uzadığında gereksiz yere yüksek güç gerektireceğinden verimliliğin düştüğünü gösteriyor.

Güçlü, yerel kontrol için basit yazılım

Yöntemin temel gücü, her aracın yalnızca yerel bilgiyi kullanarak kendi başına öğrenmesi. Bir yol kenarı birimi arızalanır veya kapsama geçici olarak zayıflarsa, araç bağlantı kalitesinin düştüğünü fark eder ve performansı geri kazanmak için alternatif güç seçimlerini dener. Öğrenme tablosu küçük olduğundan, yöntem gömülü donanım için uygulanabilir ve değişen trafik ile kanal koşullarına çabuk tepki verebilir. Çalışma ayrıca radyo kanalının kusurlu ölçümlerinin zamanla ortalandığını, ajanın ağın mükemmel görünümüne sahip olmadan da istikrarlı ve makul stratejiler bulmasına izin verdiğini inceliyor.

Geleceğin sokakları için anlamı

Günlük yol kullanıcıları için mesaj şu: arabaları daha güvenli yapan aynı zekâ, aynı zamanda güç şebekesine daha nazik davranmalarına da yardımcı olabilir. Her araca havada ne kadar yüksek sesle konuşacağını öğrenme imkânı vererek, bu çalışma zaman kritik hizmetler ve çarpışma uyarıları için gereken hızlı, güvenilir bağlantıları sağlarken daha az enerji israf eden kablosuz sistemlere giden bir yol gösteriyor. Yazarlar, birden çok işbirlikçi araç ve paylaşılan öğrenme ile yapılacak gelecekteki genişletmelerin sıkışık şehir sokaklarında radyo spektrumunun kullanımını daha da iyileştirebileceğini öne sürüyorlar.

Atıf: 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

Anahtar kelimeler: 5G V2X, akıllı şehirler, takviyeli öğrenme, enerji verimliliği, taşıt iletişimi