Krahmer, FelixFuchs, TimJiru, JosefKirschner, AnjaAnjaKirschner2022-03-072022-03-072020https://publica.fraunhofer.de/handle/publica/283014Fahrzeuge in Car2X-Netzwerken kommunizieren mit Roadside Units (RSUs), die wiederum Daten sammeln und diese an weitere RSUs weiterleiten. Die größten Herausforderungen dabei sind Skalierbarkeit und Zuverlässigkeit bei gleichzeitig hoher Präzision der Daten. Diese Arbeit nutzt Reinforcement Learning, um ein Modell zu entwickeln, womit die Kommunikation und Datenaggregation zwischen RSUs möglichst gut an diese Ziele angepasst wird. Dabei wird auf die Infrastruktur für RSU-Kommunikation des Fraunhofer IKS aufgebaut, welche wiederum auf dem Netzwerksimulator 3 (ns-3) zum Simulieren von Verkehrsszenarien basiert. Die Arbeit evaluiert Stärken und Schwächen von aktuellen Methoden zur Datenaggregation, arbeitet ein für RSU-Szenarien passendes selbstlernendes System für die Datenaggregation heraus und implementiert dieses, um es in Simulationen zu bewerten. Basierend auf diesen Simulationen werden Reinforcement-Learning-Konzepte erarbeitet und evaluiert. Ein Ausblick wird auch auf die Anwendbarkeit von Assured Reinforced Learning gegeben.enadaptive data aggregationreinforcement learningsafe reinforcement learningIEEE 802.11pcommunication systemCar-to-xCar2XRoad Side UnitRSUself learning systemtransmission modelmaster thesis