Publication
Adaptive Traffic Control in Visible Light Connected Vehicles (VLC)
| dc.contributor.advisor | Vieira, Maria Manuela de Almeida Carvalho | |
| dc.contributor.advisor | Louro, Paula Maria Garcia | |
| dc.contributor.advisor | Véstias, Mário Pereira | |
| dc.contributor.author | Galvão, Gonçalo Baltazar | |
| dc.date.accessioned | 2024-10-22T10:05:34Z | |
| dc.date.available | 2024-10-22T10:05:34Z | |
| dc.date.issued | 2024-07 | |
| dc.description | Master’s Degree in Electronics and Telecommunications Engineering | |
| dc.description.abstract | With the modernization of vehicles, new opportunities have emerged when it comes to automotive innovation. Due to the technological evolution of today's new vehicles, it is possible for vehicles to be connected (CV) to each other, exchanging traffic and safety information. This exchange of information, together with the sensor technology applied, makes it possible for autonomous vehicles (AV) to travel from one place to another safely without human intervention. Combining these two technologies it is possible to achieve connected and autonomous vehicles (CAVs). New communication technologies between vehicles and/or infrastructures can increase safety, comfort, accessibility, and data privacy while traveling. With a connected traffic environment, it is expected to obtain important information about the vehicular and pedestrian traffic flow in order to optimise it. So visible light communication (VLC) is then proposed as an integrated approach to optimize traffic signals and vehicle trajectory at urban intersections. Using the LED technology implemented in road infrastructures like streetlamps and traffic lights and in vehicles on headlights, it is possible to establish various types of communications. With this amount of information collected via VLC it is necessary to have a system that intelligently controls in real time all traffic and responds to all incoming vehicle’s manoeuvring requests. A two connected four-arm intersection scenario with two lanes in both directions is considered. It is assumed that communication between infrastructure and vehicles exists, resulting in a cooperative environment of information sharing. The simulation process of the referred system involves using the SUMO urban mobility simulator to create the traffic scenario and generate traffic flows. A reinforcement learning system, with a Deep Q-Learning algorithm is used to control both intersections, optimising traffic flows and minimise congestion during peak hours. A comparative analysis of the simulation results highlights the benefits of the proposed approach in terms of throughput, reducing delays and minimising vehicle stops, revealing improved patterns for optimising signals and trajectories. Evaluation on separate training and test sets guarantees the model's reliability and effectiveness. | pt_PT |
| dc.description.abstract | Com a modernização dos veículos, surgiram novas oportunidades no que diz respeito à inovação automóvel. Devido à evolução tecnológica dos novos veículos atuais, é possível que os veículos estejam ligados (CV) entre si, trocando informações de trânsito e de segurança. Esta troca de informações, juntamente com a tecnologia de sensores aplicada, permite que os veículos autónomos (AV) se desloquem de um local para outro em segurança, sem intervenção humana. Combinando estas duas tecnologias, é possível obter veículos conectados e autónomos (CAV). As novas tecnologias de comunicação entre veículos e/ou infraestruturas podem aumentar a segurança, o conforto, a acessibilidade e a privacidade dos dados durante a deslocação. Com um ambiente de tráfego conectado, espera-se obter informações importantes sobre o fluxo de tráfego de veículos e peões, a fim de o otimizar. Assim, a comunicação por luz visível (VLC) é então proposta como uma abordagem integrada para otimizar os sinais de trânsito e a trajetória dos veículos nos cruzamentos urbanos. Utilizando a tecnologia LED implementada nas infraestruturas rodoviárias, como postes de iluminação pública e semáforos, e nos faróis dos veículos, é possível estabelecer vários tipos de comunicações. Com esta quantidade de informação recolhida através do VLC, é necessário dispor de um sistema que controle de forma inteligente e em tempo real todo o tráfego e responda a todos os pedidos de manobra dos veículos que se aproximam. Considera-se um cenário de intersecção de dois braços ligados com duas faixas de rodagem em ambos os sentidos. Assume-se que existe comunicação entre a infraestrutura e os veículos, resultando num ambiente cooperativo de partilha de informação. O processo de simulação do referido sistema envolve a utilização do simulador de mobilidade urbana SUMO para criar o cenário de tráfego e gerar fluxos de tráfego. Um sistema de aprendizagem por reforço, com um algoritmo Deep Q-Learning, é utilizado para controlar ambas as intersecções, otimizando os fluxos de tráfego e minimizando o congestionamento durante as horas de ponta. Uma análise comparativa dos resultados da simulação destaca os benefícios da abordagem proposta em termos de rendimento, redução dos atrasos e minimização das paragens dos veículos, revelando melhores padrões para otimizar os sinais e as trajetórias. A avaliação em conjuntos de treino e de teste separados garante a fiabilidade e a eficácia do modelo. | pt_PT |
| dc.description.version | info:eu-repo/semantics/publishedVersion | pt_PT |
| dc.identifier.citation | GALVÃO, Gonçalo Baltazar – Adaptive Traffic Control in Visible Light Connected Vehicles (VLC). Lisboa: Instituto Superior de Engenharia de Lisboa. 2024. Dissertação de Mestrado. | pt_PT |
| dc.identifier.tid | 203668367 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/17772 | |
| dc.language.iso | eng | pt_PT |
| dc.publisher | Instituto Superior de Engenharia de Lisboa | pt_PT |
| dc.subject | Visible Light Communication | pt_PT |
| dc.subject | Traffic Control | pt_PT |
| dc.subject | Connected Vehicles | pt_PT |
| dc.subject | SUMO | pt_PT |
| dc.subject | Reinforcement Learning | pt_PT |
| dc.subject | Deep Q-Learning | pt_PT |
| dc.subject | Comunicação por luz visível | pt_PT |
| dc.subject | Controlo de tráfego | pt_PT |
| dc.subject | Veículos conectados | pt_PT |
| dc.subject | Artificial Neural Networks | pt_PT |
| dc.title | Adaptive Traffic Control in Visible Light Connected Vehicles (VLC) | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.endPage | 112 | pt_PT |
| oaire.citation.startPage | 1 | pt_PT |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |