A carregar...
Publicação
Intelligent traffic intersection management through multi-agent reinforcement learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 16.73 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Abstract
Urban traffic management remains a persistent challenge for modern cities, particularly during peak hours when large volumes of vehicles and pedestrians converge, causing severe congestion, delays, and increased road safety risks. Given the limited feasibility of expanding physical infrastructure, it becomes essential to explore intelligent and adaptive solutions for traffic signal control. This work focuses on the application of Multi-Agent Reinforcement Learning (MARL) algorithms to optimize decision-making and coordination of traffic signals in urban networks. It is assumed that Visible Light Communication (VLC) between vehicles and infrastructure is available to provide real-time data required for the decision process, although this component is not the primary focus of the research. To validate the proposed approach, a simulation environment was developed using Simulation of Urban Mobility (SUMO), consisting of five interconnected signalized intersections. Within this context, different MARL algorithms were studied and compared, including Deep Q-Learning Network (DQN) and Multi-Agent Proximal Policy Optimization (MAPPO), with the objective of evaluating their performance under heterogeneous and dynamic traffic
scenarios. The results show that MAPPO consistently outperforms DQN-based methods, achieving faster and more complete clearance of vehicles while maintaining lower waiting times for pedestrians. QT-DQN provides slight improvements over DQN in vehicle flow but at the cost of harming pedestrian performance. Overall, the study demonstrates that MARL methods, and particularly MAPPO, offer significant improvements in traffic efficiency and fairness, reinforcing their potential for deployment in real-world urban environments.
A gestão do tráfego urbano constitui um desafio persistente para as cidades modernas, sobretudo durante as horas de ponta, quando grandes volumes de veículos e peões convergem, originando congestionamentos, atrasos e riscos acrescidos de segurança rodóviária. Face à limitada viabilidade da expansão da infraestrutura física, torna-se essencial explorar soluções inteligentes e adaptativas para o controlo da sinalização semafórica. Este trabalho foca-se na aplicação de algoritmos de Aprendizagem por Reforço Multiagente (MARL) para otimizar a decisão e coordenação dos semáforos em redes urbanas. Assume-se a existência de Comunicação por Luz Visível (VLC) entre veículos e infraestrutura, utilizada para disponibilizar em tempo real os dados necessários ao processo de decisão, embora esta componente não constitua o foco principal da investigação. Para a validação da proposta, foi desenvolvido um ambiente de simulação baseado no simulador Simulation of Urban Mobility (SUMO), composto por cinco interseções com semáforos interligadas. Neste contexto, foram estudados e comparados diferentes algoritmos de MARL, incluindo o Deep Q-Learning Network (DQN) e o Multi-Agent Proximal Policy Optimization (MAPPO), com o objetivo de avaliar o seu desempenho em cenários de tráfego heterogéneo e dinâmico. Os resultados mostram que o MAPPO supera consistentemente os métodos baseados em DQN, alcançando uma escoação mais rápida e completa dos veículos, ao mesmo tempo que mantém menores tempos de espera para os peões. O QT-DQN apresenta ligeiras melhorias em relação ao DQN no escoamento dos veículos, mas com impacto negativo no desempenho pedonal. De forma geral, o estudo demonstra que os métodos MARL, em particular o MAPPO, oferecem melhorias significativas na eficiência e justiça do tráfego, reforçando o seu potencial para aplicação em ambientes urbanos reais.
A gestão do tráfego urbano constitui um desafio persistente para as cidades modernas, sobretudo durante as horas de ponta, quando grandes volumes de veículos e peões convergem, originando congestionamentos, atrasos e riscos acrescidos de segurança rodóviária. Face à limitada viabilidade da expansão da infraestrutura física, torna-se essencial explorar soluções inteligentes e adaptativas para o controlo da sinalização semafórica. Este trabalho foca-se na aplicação de algoritmos de Aprendizagem por Reforço Multiagente (MARL) para otimizar a decisão e coordenação dos semáforos em redes urbanas. Assume-se a existência de Comunicação por Luz Visível (VLC) entre veículos e infraestrutura, utilizada para disponibilizar em tempo real os dados necessários ao processo de decisão, embora esta componente não constitua o foco principal da investigação. Para a validação da proposta, foi desenvolvido um ambiente de simulação baseado no simulador Simulation of Urban Mobility (SUMO), composto por cinco interseções com semáforos interligadas. Neste contexto, foram estudados e comparados diferentes algoritmos de MARL, incluindo o Deep Q-Learning Network (DQN) e o Multi-Agent Proximal Policy Optimization (MAPPO), com o objetivo de avaliar o seu desempenho em cenários de tráfego heterogéneo e dinâmico. Os resultados mostram que o MAPPO supera consistentemente os métodos baseados em DQN, alcançando uma escoação mais rápida e completa dos veículos, ao mesmo tempo que mantém menores tempos de espera para os peões. O QT-DQN apresenta ligeiras melhorias em relação ao DQN no escoamento dos veículos, mas com impacto negativo no desempenho pedonal. De forma geral, o estudo demonstra que os métodos MARL, em particular o MAPPO, oferecem melhorias significativas na eficiência e justiça do tráfego, reforçando o seu potencial para aplicação em ambientes urbanos reais.
Descrição
Palavras-chave
Multi-agent reinforcement learning Visible light communication Artificial intelligence Traffic signal control Urban traffic control Road safety Aprendizagem por reforço multiagente Comunicação por luz visível Inteligência artificial Controlo da sinalização semafórica Gestão de tráfego urbano Segurança rodoviária