A Multi-Channel Operation (MCO) mára a járműkommunikációs (V2X) hálózatokban egy alapvető fontosságú megoldás, amely lehetővé teszi a V2X ad-hoc hálózati körülményei közötti többcsatornás adatcserét. Ez a megközelítés jelentősen növeli a hatékonyságot és a megbízhatóságot, különösen zsúfolt városi környezetekben vagy nagy forgalmú utakon, ahol az ITS (Intelligent Transportation Systems) célokra dedikált kommunikációs csatornák könnyen túlterhelődhetnek. Az MCO tehát létfontosságú a V2X rendszerek skálázhatóságának és rugalmasságának megteremtésében, így végső soron a jövő biztonságos közlekedését megalapozó kooperáció hatékony biztosításában. A csatornák
közötti dinamikus váltást megvalósító megoldások egy aktívan kutatott terület, továbbá a mesterséges intelligencia (AI) alkalmazása egyre több figyelmet kap a hálózati rendszerek teljesítményének, megbízhatóságának és adaptivitásának növelése érdekében. A gépi tanuláson alapuló modellek képesek akár tanulni a hálózati forgalmi mintákból, és előre tudják jelezni a csatornák állapotát, ezzel növelve a V2X kommunikációs hálózatok hatékonyságát. A hallgató feladata ilyen algoritmusok megismerése, majd ezek tesztelése, kséőbb továbbfejlesztése és összehasonlítása Artery/OMNeT++ alapú szimulációs környezetben.