Assistiertes und autonomes Fahren gewinnt rasant an Dynamik und wird in Kürze Realität werden. Künstliche Intelligenz und maschinelles Lernen gelten als Schlüsseltechnologien, da intelligente Fahrzeuge eine enorme Menge an Daten von Bord-Sensoren sammeln werden. Federated Learning gilt als eine der vielversprechendsten Techniken, um globale maschinelle Lernmodelle zu trainieren, während gleichzeitig die Datensicherheit der Fahrzeuge gewahrt und der Ressourcenverbrauch bei der Kommunikation optimiert wird. In diesem Artikel stellen wir VREM-FL (Vehicular Radio Environment Map Federated Learning) vor, ein ko-entworfenes Verfahren für Rechen- und Scheduling-Strategien im Bereich des vehikulären Federated Learning, das die Mobilität von Fahrzeugen mit 5G-Radio-Umgebungskarten verbindet. VREM-FL optimiert gemeinsam die Lernleistung des globalen Modells und weist Kommunikations- und Rechenressourcen intelligent zu. Dies wird erreicht, indem lokale Berechnungen in den Fahrzeugen koordiniert werden und die Übertragung lokaler Modelle adaptiv und prädiktiv unter Ausnutzung von Funkkanalkarten erfolgt. Der vorgeschlagene Algorithmus kann so eingestellt werden, dass zwischen Trainingszeit und Nutzung von Funkressourcen abgewogen wird. Experimentelle Ergebnisse zeigen, dass VREM-FL sowohl für ein lineares Regressionsmodell (Reduktion der Lernzeit um 28 %) als auch für ein tiefes neuronales Netzwerk zur semantischen Bildsegmentierung die in der Literatur etablierten Benchmark-Verfahren übertrifft – innerhalb desselben Zeitfensters konnte die Anzahl der Modellaktualisierungen verdoppelt werden.