Aprendizado por reforço aplicado em uma simulação para controle inteligente de semáforos

Abstract

A mobilidade urbana representa um desafio para os centros urbanos, tendo impactos negativos na qualidade de vida e no meio ambiente. Os semáforos, sozinhos, não são eficientes o bastante para controlar o tráfego de maneira satisfatória. Nesse contexto, o uso da tecnologia desempenha um papel fundamental na criação de soluções inteligentes e no desenvolvimento de cidades inteligentes. A aplicação de algoritmos de inteligência artificial pode otimizar a fluidez e a segurança do trânsito. A utilização de simulações desempenha um papel importante na validação das soluções propostas, permitindo redução de custos e avaliação de eficácia. Nesta pesquisa, foi conduzida uma abordagem exploratória e aplicada com base tecnológica visando otimizar o tráfego urbano em interseções semafóricas. A pesquisa investiga a utilização do aprendizado de máquina por reforço para controlar os semáforos, empregando o algoritmo de Otimização de Política Proximal em conjunto com a realização de uma simulação. A simulação foi desenvolvida de forma a permitir o controle de diversos aspectos, como o número de veículos na simulação, o fluxo de tráfego em cada via e a taxa de geração e remoção de veículos. Foram realizados testes em três cenários distintos, nos quais foi possível explorar as habilidades do agente em se adaptar a diferentes fluxos de tráfego. Os resultados obtidos indicam que o algoritmo de Otimização de Política Proximal pode ser usado para treinar agentes inteligentes e ao ser comparado com o método convencional empregado no Brasil, foi observado resultados positivos, apresentando um aumento de 10,03%, 19,56% e 22,15% nos respectivos testes.