研究人員提出了一種用於自動化車輛通訊的人工智慧方法
簡介
自動化車輛(AV)需要即時的行駛狀況更新。過去的研究設想,路邊基礎設施可以透過聚焦的毫米波無線電波向 AV 傳送這些更新。然而仍然存在著一些挑戰,比如準確確保快速移動的 AV 的位置以便用波束追蹤它以及在短時間內形成可靠高速傳輸資料的最佳波束。
為理解決這些挑戰,美國國家標準與技術研究所(NIST)的研究人員分析了這些路邊基礎設施研究並開發了一種方法,該方法使用了“強化學習”,這是一種為系統的預期表現獎勵的人工智慧形式。這種方法在《IEEE 智慧交通系統交易》上的論文《5G V2X(車輛到一切)網路的深度強化學習輔助波束追蹤和資料傳輸》中進行了描述。
方法及模擬結果
該方法使用強化學習來幫助路邊基礎設施最佳化根據它們的下行存取點對快速移動 AV 位置的預測。它還幫助路邊基礎設施形成和調整最佳波束模式,以將資料傳輸給 AV。
NIST 的研究人員使用強化學習框架,將影響車輛對基礎設施通訊效能的引數對映為狀態、動作和獎勵形式。他們還發現透過修訂該框架可以提高波束追蹤的準確性和波束最佳化。
該方法的有效性透過模擬評估。結果顯示,該方法在追蹤準確性、資料傳輸速率和時間效率方面表現良好。模擬還顯示,所選框架優於其他考慮的框架。
評論與建議
研究人員提出的這種基於人工智慧的方法為自動化車輛通訊帶來了新的解決方案。強化學習的應用使得路邊基礎設施能夠更準確地預測 AV 的位置並調整最佳波束,從而實現高效的資料傳輸。
然而這種方法在面對現實環境時可能面臨挑戰。例如,強化學習需要大量的資料和訓練時間才能達到良好的表現,這可能在實際應用中導致困難。此外該方法的可擴充套件性和可靠性還需要進一步的研究和取證。
儘管如此這項研究為自動化車輛通訊領域開闢了新的研究方向。未來的研究可以進一步改進強化學習方法,以應對更複雜的環境和挑戰。同時研究人員和相關利益者應試圖減少這種技術的依賴度,並同時探索其他替代方案,以確保自動化車輛通訊的可靠性和安全性。
關鍵詞:自動化車輛通訊、人工智慧方法、研究、通訊技術、自動化車輛、人工智慧
延伸閱讀
- 蘋果 AI 計劃揭祕:從財報中學到的三件事
- 美國 NASA 向私人太空公司訂購研究,探討火星任務支援角色
- 微軟選擇與 Sanctuary AI 合作進行通用機器人研究
- 前 Snap 研究人員正在利用人工智慧打造下一代 Bitmoji - 輕鬆創作個人化貼圖
- OpenAI 組建新團隊研究兒童安全
- 香港央行表示零售數位貨幣可能增添獨特價值,但仍需進一步調查研究
- 戰時「深偽影片」首次研究揭示其對新聞媒體的影響
- OpenAI 成立團隊研究「災難性」人工智慧風險,包括核威脅
- 研究顯示:不同生物使用相同運動模式,對認知和機器人技術有重大影響
- AI 工具包括 ChatGPT,研究人員證實可以操控並生成惡意程式碼