Neuer Algorithmus optimiert Zeitkritik und Ressourcen in kollaborativer Wahrnehmung

In der kollaborativen Wahrnehmung, die für autonome Fahrzeuge und intelligente Städte entscheidend ist, werden Sensordaten gemeinsam geteilt und zusammengeführt, um Blindstellen und Reichweitenbeschränkungen einzelner Sensoren zu überwinden. Doch die Technologie steht vor zwei zentralen Problemen: Erstens ist die Aktualität der übertragenen Informationen wegen der dynamischen Umgebung von entscheidender Bedeutung, und zweitens müssen bei begrenzter Rechenleistung und eingeschränkter drahtloser Bandbreite die Datenmenge sorgfältig gestaltet werden, damit die Feature‑Darstellungen sowohl wirksam als auch ausreichend sind.

Um diese Herausforderungen zu adressieren, präsentiert die neue Studie einen dynamischen Zeitplanungsansatz für ein Multi‑Region‑Szenario. Der so genannte Timeliness‑Aware Multi‑region Prioritized (TAMP) Algorithmus balanciert die Wahrnehmungsgenauigkeit mit dem Einsatz von Kommunikationsressourcen. Dabei wird die Nutzwert‑Verlustfunktion entwickelt, die die kombinierte Auswirkung von Age of Information (AoI) und Datenvolumen auf die Wahrnehmungsleistung quantifiziert.

TAMP basiert auf einer Lyapunov‑optimierten Politik, die das langfristige Ziel in ein per‑Slot‑Priorisierungsproblem zerlegt. Durch die Berücksichtigung der kumulativen Wirkung von Planungsschritten auf zukünftige Systemzustände kann der Algorithmus die Ressourcen effizient verteilen und gleichzeitig die zeitkritische Qualität der Wahrnehmung sicherstellen. Dieser Ansatz eröffnet neue Möglichkeiten, die Leistungsfähigkeit kollaborativer Wahrnehmung in Echtzeit‑Anwendungen zu steigern.