Az utóbbi években a járműkommunikációs rendszerek (V2X) alkalmazásai jelentős fejlődésen mentek keresztül, így az egyszerű, egycsatornás megoldások már nem alkalmasak a modern követelmények kielégítésére. A párhuzamosan működő, növekvő számú V2X szolgáltatások a jövőben egyre gyakrabban vezethetnek a rádiós csatornák telítődéséhez, ami komoly kihívást jelent a megbízható adatátvitel szempontjából. A többcsatornás működés (Multi-Channel Operation – MCO) koncepció azzal segít ezen, hogy lehetővé teszi a több rádiós csatorna egyidejű, dinamikus és adaptív használatát, így csökkentve a torlódást.

A csatornák intelligens és hatékony kezelése érdekében az utóbbi időben egyre hangsúlyosabbá vált a megerősítéses tanulás (Reinforcement Learning – RL) alapú algoritmusok használata, amelyek képesek tanulni és alkalmazkodni a változó hálózati körülményekhez. A megerősítéses tanulás technikái között megtalálhatók az érték alapú módszerek, a policy-alapú megközelítések, valamint a hibrid algoritmusok. Az Artery/OMNeT++ szimulációs környezet ideális platformot biztosít az RL-t használó és statikus/hagyományos csatornakezelési megoldások összehasonlítására, teljesítménymérésére. A hallgató feladata, hogy különböző RL algoritmusokra támaszkodó MCO csatornaváltási megoldásokat modellezzen és hasonlítson össze a megadott keretrendszerben, feltárva az egyes RL-alapú megközelítések előnyeit és korlátait a jövő V2X kommunikációs rendszereiben.