Використання машинного навчання для оптимізації V2X комунікації в контексті розвитку автономного транспорту

Размещено на http://www.allbest.ru

Використання машинного навчання для оптимізації V2X комунікації в контексті розвитку автономного транспорту

Лещишин Максим Мирославович аспірант кафедри комп'ютеризованих систем автоматики, Інституту комп'ютерних технологій, автоматики та метрології, Національний університет «Львівська політехніка», м. Львів

Шпак Оксана Іванівна кандидат технічних наук, старший науковий співробітник кафедри комп'ютеризованих систем автоматики, Інституту комп'ютерних технологій, автоматики та метрології, Національний університет «Львівська політехніка», м. Львів,

Анотація

Лещишин М.М., Шпак О.І. Використання машинного навчання для оптимізації V2X комунікації в контексті розвитку автономного транспорту.

Ця стаття спрямована на розгляд використання машинного навчання для оптимізації V2X комунікації з метою сприяння розвитку автономного транспорту. Описуючи поточні виклики та обмеження у використанні V2X комунікації, в статті описується, як машинне навчання може вирішити ці проблеми та підвищити ефективність, безпеку та надійність автономних транспортних систем.

В статті на основі останніх досліджень описується поточний стан технологій V2X комунікації та викликів, що стоять перед ними. На основі цього будуть розглянуті можливості використання машинного навчання для оптимізації передачі даних, управління трафіком та прогнозування, які можуть покращити функціональність автономних транспортних систем.

Метою даного дослідження є вивчення питань з використання V2X комунікації для розвитку автономних транспортних засобів в поєднанні з нейронними мережами глибокого навчання на основі комбінованої моделі АТЗ. Для досягнення поставленої було проаналізовано застосування V2X комунікації та основні комунікаційні технології, такі як автомобіль - автомобіль, транспортний засіб-інфраструктура, транспортний засіб-пішохід, транспортний засіб-мережа. На основі V2X комунікації використовувався алгоритм оптимізації моделі для автономних транспортних засобів, за допомогою якого проаналізовано зв'язок між V2X комунікаціями АТЗ й можливості адаптивної моделі.

В результаті проведеного дослідження проаналізовано можливості використання комбінованої моделі АТЗ в поєднанні з методами машинного навчання на основі нейронної мережі глибокого навчання для покращення оптимізації та енергоефективності V2X комунікації для розвитку автономних систем. Описано комбіновану модель на основі глибоко навчання для оптимізації V2X, де важливим для оптимізації є функція втрат середньої абсолютної похибки і середньоквадратичної похибки.

Ключові слова: алгоритм, автономний транспортний засіб, машинне навчання, оптимізація, комунікації, комбінована модель, Vehicle -to- Everything. машинне навчання транспортний нейронний

Leshchyshyn Maksym Myroslavovych Postgraduate Student of the Department of Computerized Automatic Systems, Institute of Computer Technologies, Automation and Metrology, Lviv Polytechnic National University, Lviv

Shpak Oksana Ivanivna Candidate of Technical Sciences, Associate Professor at the Department of Computerized Automatic Systems, Institute of Computer Technologies, Automation and Metrology, Lviv Polytechnic National University, Lviv

USING MACHINE LEARNING TO OPTIMIZE V2X COMMUNICATION IN THE CONTEXT OF THE DEVELOPMENT OF AUTONOMOUS TRANSPORT

Abstract

Leshchyshyn M.M, Shpak O.I. Using machine learning to optimize V2X communication in the context of the development of autonomous transport.

This article aims to consider the use of machine learning to optimize V2X communication in order to promote the development of autonomous transport. Describing the current challenges and limitations in using V2X communication, the article describes how machine learning can solve these problems and improve the efficiency, safety and reliability of autonomous transport systems.

The article, based on the latest research, describes the current state of V2X communication technologies and the challenges they face. Based on this, the possibilities of using machine learning to optimize data transmission, traffic management and forecasting will be considered, which can improve the functionality of autonomous transport systems.

The aim of this study is to explore questions on the use of V2X communication for the development of autonomous vehicles in combination with deep learning neural networks based on a combined ATZ model. To achieve this, the application of V2X communication and basic communication technologies such as car-car, vehicle-infrastructure, vehicle-pedestrian, vehicle-network were analyzed. Based on V2X communication, the model optimization algorithm for autonomous vehicles was used, with the help of which the connection between V2X ATZ communications and the possibilities of an adaptive model were analyzed.

As a result of the study, the possibilities of using the combined ATZ model in combination with machine learning methods based on the deep learning neural network to improve the optimization and energy efficiency of V2X communication for the development of autonomous systems are analyzed. A combined deep learning model for V2X optimization is described, where the loss function of the mean absolute error and the mean square error are important for optimization.

Keywords: algorithm, autonomous vehicle, machine learning, optimization, communications, combined model, Vehicle-to-Everything.

Постановка проблеми. Автомобільна промисловість протягом останніх 10 років зазнала значної цифрової трансформації, що пояснюється розвитком інформаційних технологій та систем для створення автономних транспортних засобів (АТЗ). В свою чергу, автономні транспортні системи постійно потребують ефективного та безпечного зв'язку для транспортних засобів, що значною мірою може впливати на зменшення заторів на дорогах, попередження про наближення інших транспортних засобів, а також сприятиме вирішенню проблем поганої видимості через непередбачені погодні умови [1].

В контексті розвитку автономного транспорту використання Vehicle -to- Everything (V2X) комунікації відіграє важливе значення для підтримки безпеки, ефективності та надійності дорожнього руху. Проте існує проблема неефективності, що пояснюється недостатньою оптимізацією V2X комунікації, що в свою чергу може призвести до затримок та непередбачуваних ситуацій на автодорожньому шляху й може становити загрозу безпеці для всіх можливих учасників руху [2].

До основних проблем оптимізації V2X в поєднанні з машинним навчанням можна віднести наступні аспекти [1, 3]:

обмежена пропускна здатність мережі, де під час пікових навантажень на дорогах велика кількість автономних автомобілів може спричинити перенавантаження мережі V2X комунікації, що в свою чергу може призвести до затримок передачі даних, погіршення зв'язку між автотранспортними засобами, а також призводить до зниження швидкості реагування для вирішення потенційно небезпечних ситуацій;

недостатня точність та надійність передачі даних, де в деяких випадках даними V2X можуть передаватися або інтерпретуватися неточно, що в свою чергу може призвести до помилок в рішеннях автономних систем, таких як автоматичне гальмування чи зміна траєкторії шляху тощо;

відсутність оптимізаци протоколів передачі даних, де поточні протоколи передачі даних можуть бути недостатньо оптимізовані згідно з потребами автономного транспорту, що в результаті може призвести до великої затримки в обробці та передачі даних;

неоптимальне керування ресурсами мережі, де існуючі методи керування ресурсами мережі V2X можуть бути недостатньо ефективними для врахування змінних умов автодорожнього руху та потреб автономного транспорту;

непередбачені сценарії взаємодії, де деякі сценарії взаємодії між автономними автомобілями та іншими учасниками руху можуть бути непередбачувані, що може створювати ризик небезпеки та конфліктів на автодорожньому шляху;

недостатній рівень точності та надійності передачі даних, де в окремих випадках дані мережі V2X комунікації можуть бути втрачені або спотворені, що може призвести до помилкових рішень автономних систем.

конфіденційність та безпека даних, де збирання та обробка великої кількості даних в контексті V2X комунікації може викликати проблеми щодо питань конфіденційності даних, а в поєднанні з машинним навчання це дасть змогу забезпечити безпеку даних.

Тому для вирішення вищезазначених проблем необхідно розробляти та впроваджувати такі системи, які можуть базуватися на машинному навчання для оптимізації V2X комунікації з метою підвищення ефективності, безпеки та надійності автономного транспорту. Окрім того, для вирішення вищезазначених проблем використовуються алгоритми оптимізації, які відіграють важливе значення для обробки та експлуатації АТЗ, що дозволяє їм працювати ефективніше, безпечніше та надійніше за різних умов. Майбутній прогрес та широке впровадження АТЗ можуть сприяти покращенню та вдосконаленню методів оптимізації для V2X оптимізації в поєднанні з методами машинного навчання.

Аналіз останніх досліджень і публікацій.

Розвиток інтелектуальних транспортних систем містить багатообіцяючий характер, що обумовлюється широким потенціалом транспортних засобів для створення стійких та ефективних рішень мобільності. Деякі з останніх досліджень вказують на те, що проблеми з оптимізації можна розглядати з різних аспектів. Наприклад, в роботі [4] проводилося порівняння між класичними та сучасними стратегіями на основі нейронної мережі. Авторами запропоновані централізовані класичні підходи шляхом програмування різних двох опуклих функцій, де зроблено припущення, що базова станція має повні знання про посилення каналу V2V, а в другій стратегії розроблені централізовані підходи для розподілу ресурсів за допомогою нейронних мереж на основі мультиагентного навчання з підкріпленням. Це дасть змогу забезпечити спостереження щодо надійності, чутливості та ефективності роботи, які вивчаються за допомогою алгоритмів розподілу ресурсів на основі навчання з підкріпленням.

Не менш важливе значення також відіграє стільниковий зв'язок між транспортними засобами, який завдяки сучасним технологіям є економічно ефективним рішенням для підтримки в керуванні транспортних засобів, виявлення сліпих зон, допомога при паркуванні тощо. Для підтримки цих функцій вздовж дороги розміщується все більше датчиків в формі придорожніх знаків, але практична стільникових мереж V2X все ще перешкоджає недостатньо розробленим рішенням фізичної безпеки. З цією метою в дослідженні [5] авторами пропонується глибока стратегія на основі машинного навчання для захисту з'єднання V2X. Так як одним з головних обов'язків базової станції є керування перешкодами в мережі, безпека зв'язку забезпечується без шкоди для рівня перешкод мережі.

Окрім того, вимоги V2X від кооперативного автономного водіння характеризуються високою надійністю, низькою затримкою, великим трафіком та високою мобільністю. Ці вимоги в свою чергу створюють серйозні проблеми в розробці радіоінтерфейсу від стеку протоколів, розподілу ресурсів, розгортання мережі до мобільних периферійних обчислень, хмари та прикладного рівня. З цією метою в роботі [6] авторами надається проєкт прототипу системи 5G-V2X, який орієнтований на кооперативне автономне водіння з підтримкою мобільних периферійних пристроїв. Приймаючи до уваги проблеми розгортання мереж 5G-V2X авторами запропоновано два інструменти оптимізації на основі штучного інтелекту, де перший - інструмент на основі глибокого навчання, а другий - інструмент оптимізації на основі ройового інтелекту (самоадаптований пошук), який застосовується для вирішення складних задач оптимізації.

Очікується, що системи зв'язку шостого покоління (6G) відповідатимуть вимогам наступного покоління V2X. Реалізація 6G потребує значно вдосконаленої комунікаційної мережі, яка має бути надзвичайно інтелектуальною та здатною одночасно підтримувати надшвидкий, наднадійний і з низькою затримкою масивний обмін інформацією. Для цього в роботі [7] описуються ключові передові технології з різних областей, таких як нові матеріали, алгоритми та архітектури систем, де авторами проводиться огляд останніх досягнень в галузі машинного навчання для автомобільних мереж з підтримкою 6G. Автори спрямували вектор досліджень на розгляд інтелектуальних транспортних систем в поєднанні з машинним навчанням, що в свою чергу може сприяти вдосконаленню транспортного зв'язку та мережі.

Водночас з цим підключені АТЗ є критично важливою програмою для 6G, яка містить значний потенціал для підвищення безпеки дорожнього руху та енергоефективності. Проте, суворі вимоги до обслуговування додатків АТЗ щодо надійності, затримки та високошвидкісного зв'язку створять великі проблеми для мереж 6G. Для АТЗ з підтримкою 6G необхідні нові, досконаліші та сучасні алгоритми доступу до каналу, а також інтелектуальні схеми керування для підключених АТЗ. Тому з цією метою в роботі [8] проводилося дослідження з кооперативним водінням та підтримкою 6G, де авторами проводилося визначення верхньої межі затримки зв'язку 6G між транспортним засобом (V2V) за допомогою технологій гібридного зв'язку та доступу до каналів. Окрім того, запропонована модель з навчанням нейронної мережі сприяє швидкому обчисленню меж затримки в операціях в реальному часу.

Не менш важливим є також те, що за останні роки підвищення безпеки руху на перехрестях стало головним напрямком для досліджень, так як це викликає серйозне занепокоєння через збільшення кількості транспортних засобів, а також через впровадження автономного та кооперативного водіння. Вдосконалення технологій штучного інтелекту та транспортних засобів (V2X) пропонують безліч рішень щодо зменшення зіткнень між транспортними засобами, оскільки технології V2X повільно інтегруються в системи безпеки руху, що в свою чергу впливає на ефективність безпеки й впливає на виконання задач оптимізації. В роботі [9] представлено систему безпеки руху на перехрестях, яка орієнтована на систему безпеки й розроблена з метою пом'якшення та уникнення зіткнень на перехрестях доріг. Ця структура досягає цього завдяки реалізації механізму запобігання зіткненням, який використовує зв'язок транспортного засобу з інфраструктурою (V2I).

Метою статті є вивчення питань з використання V2X комунікації для розвитку автономних транспортних засобів в поєднанні з нейронними мережами глибокого навчання на основі комбінованої моделі АТЗ.

Для досягнення поставленої мети необхідно звернути увагу на вирішення наступних задач: на основі літературного огляду проаналізувати та охарактеризувати застосування V2X комунікації та основні комунікаційні технології (автомобіль-автомобіль, транспортний засіб-інфраструктура, транспортний засіб-пішохід, транспортний засіб-мережа); на основі V2X комунікації побудувати алгоритм оптимізації моделі для автономних транспортних засобів; на основі проаналізованої літератури встановити зв'язок між V2X комунікаціями АТЗ й проаналізувати можливості адаптивної моделі; за допомогою методів машинного навчання проаналізувати та дослідити комбіновану модель автономного транспортного засобу для вирішення задач з оптимізації V2X комунікації на основі нейронної мережі глибокого навчання.

Виклад основного матеріалу. Застосування V2X комунікації.

Застосування АТЗ є важливим з точки зору безпеки та захисту життя пішоходів та водіїв, що лежить в основі автомобільних інновацій. Більшість

сучасних автомобільних систем можуть використовувати численні датчики (радари, лідари та камери), які інтегровані з блоками обробки, встановленими всередині автотранспортного засобу з метою забезпечення сприйняття та реагування на зовнішні фактори. Однак ефективність таких систем може знижуватися через обмежений радіус дії сприйняття транспортного засобу та різні перешкоди, наприклад, перекриваючі об'єкти або погодні умови тощо.

Водночас з цим V2X охоплює різноманітні комунікації між різними елементами, як показано на рис. 1, наприклад, між автодорожньою інфраструктурою, пішоходами, пристроями, що в свою чергу забезпечує створення нових методів для підвищення безпеки та безпеки водіння.

V2X є ідеєю з'єднання та обміну інформацією між декількома пристроями, які можуть приймати безпосередню участь в перевезенні, що підвищує безпеку та покращує транспортний потік. Розглянемо декілька комунікаційних технологій, які містяться в V2X:

Рис. 1 Приклади застосування V2X комунікації Джерело: сформовано автором на основі [1 -3]

Автомобіль-автомобіль комунікація (V2V), метою якої є запобігання аваріям та покращення транспортного потоку. V2V відноситься до прямого зв'язку між транспортними засобами, що дозволяє їм обмінюватися відповідною інформацією, наприклад, місцезнаходження та швидкість, а також можливі небезпечні ситуації, які можуть бути виявлені та ідентифіковані за допомогою датчиків транспортного засобу. Метою V2V є запобігання аваріям та покращення транспортного потоку.

Транспортний засіб-інфраструктура комунікація (V2I), метою якої є інформування транспортних засобів про потенційну небезпеку на дорозі, а також для надання додаткової інформації, наприклад, орієнтовний час очікування зміни показань світлофора тощо. V2I відноситься до зв'язку між транспортними засобами та придорожньою інфраструктурою, наприклад,

світлофори, автодорожні знаки, погодні датчики та інші елементи транспорт - ної інфраструктури.

Транспортний засіб-пішохід комунікація (V2P) , яка дозволяє

транспортним засобам зв'язуватися з особистими пристроями пішоходів, такими як мобільні пристрої та інформувати їх. Наприклад, пішоходи можуть отримувати попередження від транспортних засобів, що знаходяться поруч, якщо вони збираються вийти на пішохідний перехід у випадку, коли це може бути небезпечно. На рис. 2 показано приклад застосування АТЗ, які входять до V2X комунікації.

Транспортний засіб-мережа комунікація (V2N), яка дозволяє транспортним засобам зв'язуватися з зовнішніми мережами, такими як інтернет або центральні хмари, що може використовуватися для доступу до даних в режимі реального часу, наприклад, аналіз трафіку, оновлення погоди, місця паркування тощо. Окрім того, V2N дозволяє транспортному засобу обмінюватися інформацією та отримувати оновлення, що дає змогу надавати розширені послуги, наприклад, профілактичне обслуговування, дистанційна діагностика, планування маршрутів в реальному часі тощо.

Рис. 2 Приклад застосування автономних транспортних засобів згідно

з V2X комунікацією

Джерело: сформовано автором на основі [6, 10]

Алгоритм оптимізації моделі для автономних транспортних засобів. Для V2X комунікації передбачається можливість, коли на автодорожньому шляху може перебувати N кількість автономних транспортних засобів, які згідно з перелічених комунікаційних технологій спроможні контактувати одна з одною. В якості алгоритму розглядається розробка адаптивної моделі для покращення продуктивності зв'язку АТЗ [11]. Згідно з рис. 3 модель дозволяє вибирати більш доцільніше місце призначення або місце ретрансляції для зв'язку за допомогою методів обмеженої оптимізації. На основі заданих параметрів між прямим та спільним зв'язком між V2X комунікаціями АТЗ матимуть можливість обмінюватися даними з пунктом призначення, якщо потреба системи може задовольнятися в межах відстані передачі між V2X комунікаціями.

Рис. 3 Блок-схема для адаптивної моделі

Джерело: сформовано автором на основі [10]

Після чого АТЗ використовуватиме ретрансляційний транспортний засіб для з'єднання з пунктом призначення, якщо на необхідну продуктивність системи впливає відстань передачі між V2X. Завдяки використанню методу оптимізації та алгоритму глибокого навчання можна підвищитися енергоефективність та досяжність швидкості передачі даних, де згідно з моделлю кожен АТЗ зможе вибрати для себе варіанти V2X комунікації на основі свого оточення, щоб ефективно та надійно отримати фактичну автодорожню інформацію, надсилати інформацію іншим АТЗ або надсилати інформацію до місця призначення.

Розглянемо деякі рівняння, які можуть призвести до оптимізації загальної продуктивності мережі для енергоефективності (ЕЕ) та максимально можливої швидкості передачі даних (R).

де C1, C2 - оптимізаційні обмеження; І2Х - перешкоди в будь-якому пункті призначення; І2Хтах - максимально допустимі перешкоди; РА - автономна коробка передач; РАтах - максимально автономна трансмісія автомобіля

Відстань передачі між ретранслятором та необхідним пунктом призначення будь-якого пристрою, АТЗ або базової станції для того, щоб забезпечити необхідну продуктивність системи i-го шляху, яка представлена dRXi у вигляді формулювання проблеми оптимізації. Згідно з обмеженням С1 висувається припущення, що перешкоди між АТЗ повинні бути меншими за максимально дозволені перешкоди, що визначається за формулою (2) [9 -11]:

де PDdmax - максимальна потужність передачі між пристроями D2D (Dtx) з завадами; РСсшаХ - максимальна потужність передачі мобільних пристроїв користувачів з завадами; Pvvmax - максимальна потужність передачі між декількома АТЗ з завадами; HDdX, НСсХ та HVpX - коефіцієнти посилення каналу між пристроєм передачі даних між декількома АТЗ та пунктом призначення.

Тому потужність передачі автономного транспорту РА повинна бути меншою за максимальну потужність передачі РАтах, що позначено C2 в рівнянні (1).

Застосування АТЗ згідно V2X комунікації, що зображено на рис.2, на якому транспорті засоби прямують чотирма різними напрямками вздовж вулиці, де кожна з них містить дві сторони. АТЗ підтримують комунікації з усім, включаючи інфраструктуру (яка розташована з двох сторін на перехресті), інші транспортні засоби та пристрої. Внаслідок чого співвідношення сигнал-перешкода та шум між АТЗ (AR) і комбіноване співвідношення сигнал-перешкода та шум між АТЗ та транспортним засобом - ретранслятором (RX) можна сформулювати в вигляді рівняння:

де HAR - коефіцієнт підсилення каналу та символ, що передається між автономним транспортним засобом та релейним транспортним засобом; НАХ - АТЗ та всім іншим; HRX між релейним транспортним засобом та всім іншим, відповідно; І± - представляють перешкоди, що виникають між АТЗ і релейним транспортним засобом; І2 - перешкоди між АТЗ і всією мережею; І3 - перешкоди між релейним транспортним засобом і всією мережею; N - потужність шуму.

Використовуючи рівняння (4) можна визначити dRX:

де параметри PLo та a - константи втрат на шляху та експонентою втрат на шляху для ліній передачі. Рівняння (5) використовується для оптимізації енергоефективності автономного транспорту і досяжної швидкості передачі даних, які виражаються наступними рівняннями:

де Rrx - досяжна швидкість передачі даних між релейним транспортним засобом та всім іншим; RAX - досяжна швидкість передачі даних між АТЗ та всім іншим; РА - потужність передачі АТЗ; Р0 - потужність внутрішнього контуру.

Тоді Rrx та RAX можна записати в наступному вигляді:

де PDd - потужність передачі пристрою завад; РСс - потужність передачі стільникового обладнання завад; PVp - потужність передачі транспортного засобу завад; коефіцієнти підсилення каналу HDdX - між пристроєм передачі завад і всім іншим; НСсХ - між пристроями стільникового обладнання і всім; між HVvX - між транспортним засобом завад і всім іншим.

Як показано в рівнянні (1), основною метою запропонованого підходу є максимізація загальної енергоефективності і можливої швидкості передачі даних за різноманітних умов навколишнього середовища. В результаті задачі оптимізації, яка представлена в рівнянні (1) матиме наступний вигляд:

де Л1, Л2 - невід'ємні множники Лагранжа (значення, яке задовольняє задачі оптимізації для dAR), які можна визначити за наступними формулами:

Окрім того, оптимальну необхідну інтерференцію між AV і всім (І2) і оптимальну необхідну потужність передачі АТЗ (РА) можна отримати, взявши похідну від рівняння (10) по відношенню до і наступним чином:

Комбінована модель АТЗ з методами машинного навчання на основі нейронних мереж. Комбінована модель глибокого навчання складається з початкового етапу введення змінних, що дозволяє полегшити етап навчання вагових коефіцієнтів моделі. Всі змінні нормалізуються перед введенням в модель за допомогою стратегії мінімально-максимального навантаження. Вихідні параметри останнього спільного шару dRX, EE, R обчислюються за допомогою п'яти вхідних змінних dAX, SINR, РА, Рс, PD і Pv. Як показано на рис. 4 модель складається з трьох окремих фаз: 1D-CNN, сплощення та товстих шарів. Три рівні 1D-CNN використовуються для обробки нормалізованих вхідних параметрів, кожен з 128 фільтрами та ядром розміру 1.

Рис. 4 Модель на основі глибоко навчання для оптимізації V2X Джерело: зроблено автором на основі [10]

Кожен шар 1D-CNN генерує доповнені результати для постійної підтримки ширини вихідної матриці, після чого вихідні дані третього 1D -CNN надходять в шар вирівнювання, який переформатує розмір й готує його для подачі в щільні шари. Після шару вирівнювання йдуть шість щільних шарів, які дають результат регресії.

Перш ніж зупинитися на кількості фільтрів для 1D-CNN і кількості вузлів для щільних шарів, виконується пошук по сітці, щоб оцінити численні

комбінації. Усі приховані шари повинні бути активовані. Пошук по сітці містить експерименти з різними стратегіями, які слідують прихованим шарам моделі, враховуючи вибір функції активації.

Вихідні дані кожного прихованого шару подаються в функції активації параметричного випрямленого лінійного блоку з найкращою продуктивністю. Оптимізація, яка використовується в моделі з функцією втрат середньої абсолютної похибки (САП) і середньоквадратичною похибкою (СКП) в якості цілей є адаптивний момент, що дозволяє адаптуватися під виконання різних задач згідно відповідних параметрів на основі процесу навчання. САП відповідає за оцінку середньої різниці між реальними та прогнозованими значеннями, тоді як СКП є коренем квадратним з середньою квадратичною різницею між реальними та прогнозованими значеннями, як показано в рівняннях:

де n - загальна кількість записаних даних; уу- - фактичне значення; Ху - прогнозоване значення.

Отже, запропонована комбінована модель автономного транспортного засобу в поєднанні з нейронною мережею глибокого навчання поєднує в собі різноманітні аспекти технологій штучного інтелекту та автономних систем. Вона використовує нейронні мережі глибокого навчання для розпізнавання об'єктів, планування маршруту, прийняття рішень в реальному часі, прогнозування та оптимізації. Як правило, така модель містить в собі безліч компонентів, наприклад, сенсори, камери, лідари, радари та інші пристрої для збору інформації про оточуюче середовище та взаємодії з ним.

Висновки

В результаті проведеного дослідження проаналізовано можливості використання комбінованої моделі АТЗ в поєднанні з методами машинного навчання на основі нейронної мережі глибокого навчання для покращення оптимізації та енергоефективності V2X комунікації для розвитку автономних систем. Описано застосування V2X комунікації, яка складається з таких комунікаційних технологій, як автомобіль-автомобіль (що дозволяє запобігти аваріям та покращити транспортний потік), транспортний засіб-інфраструк- тура (що дозволяє інформувати транспортні засоби про виникнення потенційних проблем та інцидентів на автодорожньому шляху, а також надає інформацію щодо автодорожніх показників); транспортний засіб -пішохід (що дозволяє транспортним засобам зв'язуватися з мобільними пристроями пішоходів та інформувати їх про виникнення інцидентів, яких можна

уникнути); транспортний засіб-мережа (що забезпечує транспортним засобам зв'язуватися з зовнішніми інтернет мережами для забезпечення стабільного доступу до даних в режимі реального часу).

Охарактеризовано алгоритм оптимізації моделі для автономних транспортних засобів для V2X комунікації, де в якості алгоритму розглядається та описується розробка адаптивної моделі для покращення продуктивності зв'язку комунікаційних технологій. З'ясовано, що завдяки використанню методу оптимізації та алгоритму глибокого навчання можна підвищити енергоефективність та підвищити швидкість передачі даних, коли кожен автономний транспортний засіб може обирати для себе будь -який варіант V2X комунікації на основі даних фактичного перебування, що забезпечує ефективне та надійне отримання фактичної автодорожньої інформації іншим автотранспортним засобам.

Згідно з блок-схемою для адаптивної моделі описано визначення основних показників, таких як оптимізаційні обмеження, перешкоди в пункті призначення та максимально допустимі перешкоди, максимальна потужність передачі (де потужність передачі автономного транспорту повинна бути меншою за максимальну потужність передачі) та інші показники. Визначено, що в адаптивній моделі найважливішим є максимізація загальної енергоефек - тивності і можливої швидкості передачі даних за різноманітних умов оточуючого середовища.

Описано комбіновану модель на основі глибоко навчання для оптимізації V2X, де важливим для оптимізації є функція втрат середньої абсолютної похибки (відповідає за оцінку середньої різниці між реальними та прогнозованими значеннями) і середньоквадратичною похибкою (є коренем квадратним з середньою квадратичною різницею між реальними та прогнозованими значеннями).

Література

Liu, J., & Cao, X. (2023). Empowering autonomous systems with Al-enabled V2X communication based signal analysis using sliding window integrated ensemble machine learning model. Computers and Electrical Engineering, 111, 108936. DOI: https://doi.org/10.1016/ j.compeleceng.2023.108936

Christopoulou, M., Barmpounakis, S., Koumaras, H., & Kaloxylos, A. (2023). Artificial Intelligence and Machine Learning as key enablers for V2X communications: A comprehensive survey. Vehicular Communications, 39, 100569. DOI: https://doi.org/10.1016/j.vehcom.2022.100569

Bagheri, H., Noor-A-Rahim, M., Liu, Z., Lee, H., Pesch, D., Moessner, K., & Xiao, P. (2021). 5G NR-V2X: Toward connected and cooperative autonomous driving. IEEE Communications Standards Magazine, 5(1), 48-54. DOI https://doi.org/10.1109/MCOMSTD.001.2000069

Parvini, M., Schulz, P., & Fettweis, G. (2024). Resource Allocation in V2X Networks: From Classical Optimization to Machine Learning-Based Solutions. IEEE Open Journal of the Communications Society. DOI: https://doi.org/10.1109/OJCOMS.2024.3380509

Jameel, F., Javed, M. A., Zeadally, S., & Jantti, R. (2022). Secure transmission in cellular V2X communications using deep Q-learning. IEEE Transactions on Intelligent Transportation Systems, 23(10), 17167-17176. DOI: https://doi.org/10.1109/TITS.2022.3165791

Ma, H., Li, S., Zhang, E., Lv, Z., Hu, J., & Wei, X. (2020). Cooperative autonomous driving oriented MEC-aided 5G-V2X: Prototype system design, field tests and AI-based optimization tools. IEEE Access, 8, 54288-54302. DOI: 10.1109/ACCESS.2020.2981463

Noor-A-Rahim, M., Liu, Z., Lee, H., Khyam, M. O., He, J., Pesch, D., ... & Poor, H. V. (2022). 6G for vehicle-to-everything (V2X) communications: Enabling technologies, challenges, and opportunities. Proceedings of the IEEE, 110(6), 712-734. DOI: https://doi.org/10.1109/JPROC. 2022.3173031

Chen, X., Leng, S., He, J., & Zhou, L. (2020). Deep-learning-based intelligent intervehicle distance control for 6G-enabled cooperative autonomous driving. IEEE Internet of Things Journal, 8(20), 15180-15190. DOI: https://doi.org/10.1109/JIOT.2020.3048050

Shahriar, M. S., Kale, A. K., & Chang, K. (2023). Enhancing Intersection Traffic Safety Utilizing V2I Communications: Design and Evaluation of Machine Learning Based Framework. IEEE Access. https://doi.org/10.1109/ACCESS.2023.3319382

Osman, R. A. (2023). Optimizing Autonomous Vehicle Communication through an Adaptive Vehicle-to-Everything (AV2X) Model: A Distributed Deep Learning Approach. Electronics, 12(19), 4023.Osman, R. A. (2023). Optimizing Autonomous Vehicle Communication through an Adaptive Vehicle-to-Everything (AV2X) Model: A Distributed Deep Learning Approach. Electronics, 12(19), 4023. https://doi.org/10.3390/electronics12194023

Parvini, M., Schulz, P., & Fettweis, G. (2024). Resource Allocation in V2X Networks: From Classical Optimization to Machine Learning-Based Solutions. IEEE Open Journal of the Communications Society. DOI: https://doi.org/10.1109/OJCOMS.2024.3380509

References

Liu, J., & Cao, X. (2023). Empowering autonomous systems with AI-enabled V2X

communication based signal analysis using sliding window integrated ensemble machine learning model. Computers and Electrical Engineering, 111, 108936. Retrieved from: DOI:

https://doi.org/10.1016/_j.compeleceng.2023.108936 [in English]

Christopoulou, M., Barmpounakis, S., Koumaras, H., & Kaloxylos, A. (2023). Artificial Intelligence and Machine Learning as key enablers for V2X communications: A comprehensive survey. Vehicular Communications, 39, 100569. Retrieved from: DOI: https://doi.org/10.1016/_j. vehcom.2022.100569[in English]

Bagheri, H., Noor-A-Rahim, M., Liu, Z., Lee, H., Pesch, D., Moessner, K., & Xiao, P. (2021). 5G NR-V2X: Toward connected and cooperative autonomous driving. IEEE Communications Standards Magazine, 5(1), 48-54. Retrieved from: DOI https://doi.org/10.1109/MCOMSTD.001. 2000069[in English]

Parvini, M., Schulz, P., & Fettweis, G. (2024). Resource Allocation in V2X Networks: From Classical Optimization to Machine Learning-Based Solutions. IEEE Open Journal of the Communications Society. Retrieved from: DOI: https://doi.org/10.1109/OJCOMS.2024.3380509 [in English]

Jameel, F., Javed, M. A., Zeadally, S., & Jantti, R. (2022). Secure transmission in cellular V2X communications using deep Q-learning. IEEE Transactions on Intelligent Transportation Systems, 23(10), 17167-17176. Retrieved from: DOI: https://doi.org/10.1109/TITS.2022.3165791 [in English]

Ma, H., Li, S., Zhang, E., Lv, Z., Hu, J., & Wei, X. (2020). Cooperative autonomous driving oriented MEC-aided 5G-V2X: Prototype system design, field tests and AI-based optimization tools. IEEE Access, 8, 54288-54302. Retrieved from: DOI: 10.1109/ACCESS.2020.2981463 [in English]

Noor-A-Rahim, M., Liu, Z., Lee, H., Khyam, M. O., He, J., Pesch, D., ... & Poor, H. V. (2022). 6G for vehicle-to-everything (V2X) communications: Enabling technologies, challenges, and opportunities. Proceedings of the IEEE, 110(6), 712-734. Retrieved from: DOI: https://doi.org/ 10.1109/JPROC.2022.3173031 [in English]

Chen, X., Leng, S., He, J., & Zhou, L. (2020). Deep-learning-based intelligent intervehicle distance control for 6G-enabled cooperative autonomous driving. IEEE Internet of Things Journal, 8(20), 15180-15190. Retrieved from: DOI: https://doi.org/10.1109/JIOT.2020.3048050 [in English]

Shahriar, M. S., Kale, A. K., & Chang, K. (2023). Enhancing Intersection Traffic Safety Utilizing V2I Communications: Design and Evaluation of Machine Learning Based Framework. IEEE Access. Retrieved from: https://doi.org/10.1109/ACCESS.2023.3319382[in English]

Osman, R. A. (2023). Optimizing Autonomous Vehicle Communication through an Adaptive Vehicle-to-Everything (AV2X) Model: A Distributed Deep Learning Approach. Electronics, 12(19), 4023.Osman, R. A. (2023). Optimizing Autonomous Vehicle Communication through an Adaptive Vehicle-to-Everything (AV2X) Model: A Distributed Deep Learning Approach. Electronics, 12(19), 4023. Retrieved from: https://doi.org/10.3390/electronics12194023 [in English]

Parvini, M., Schulz, P., & Fettweis, G. (2024). Resource Allocation in V2X Networks: From Classical Optimization to Machine Learning-Based Solutions. IEEE Open Journal of the Communications Society. Retrieved from: DOI: https://doi.org/10.1109/OJCOMS.2024.3380509 [in English]

Размещено на Allbest.ru