Des chercheurs proposent une méthode d'IA pour les communications automatisées des véhicules

Des chercheurs proposent une méthode d’IA pour les communications automatisées des véhicules

Crédit : Institut national des normes et de la technologie

Les véhicules automatisés (AV) auront besoin de mises à jour sur les conditions de conduite. Des études antérieures envisagent que les infrastructures routières transmettent ces mises à jour via des faisceaux d’ondes radio millimétriques concentrées. Cependant, des défis subsistent, comme déterminer avec précision l’emplacement d’un AV se déplaçant rapidement afin de le suivre avec un faisceau, et former le faisceau optimal dans un intervalle de temps court qui transmettra de manière fiable les données à des débits élevés et à une faible latence.

Pour aider à relever ces deux défis, les chercheurs du NIST ont analysé ces études sur les infrastructures routières et développé une méthode qui utilise « l’apprentissage par renforcement », une forme d’intelligence artificielle qui récompense un système pour une performance souhaitée. La méthode a été décrite dans « Deep Reinforcement Learning Assisted Beam Tracking and Data Transmission for 5G V2X (Vehicle-to-Everything) Networks », publié dans Transactions IEEE sur les systèmes de transport intelligents.

L’apprentissage par renforcement de la méthode aide l’infrastructure routière à optimiser les prévisions des emplacements AV à déplacement rapide en fonction de leurs liaisons descendantes. Il aide également l’infrastructure routière à former et à ajuster les modèles de faisceaux optimaux pour la transmission des données aux véhicules utilitaires.

Cette méthode était basée sur l’utilisation par les chercheurs du NIST d’un cadre d’apprentissage par renforcement, dans lequel ils ont cartographié les paramètres qui influencent les performances des communications véhicule-infrastructure sous forme d’état, d’action et de récompense. Ils ont également constaté que la précision du suivi du faisceau et l’optimisation du faisceau pourraient être améliorées en révisant ce cadre.

Les chercheurs du NIST ont utilisé des simulations pour évaluer la méthode. Les résultats ont montré que cette méthode fonctionne bien en termes de précision de suivi, de débit de données et d’efficacité temporelle. Les simulations montrent également que le cadre sélectionné a surpassé les autres cadres pris en compte.