Controllo del traffico autostradale multi-corsia con Multi-agent Systems e Machine Learning

Abstract

Il problema della congestione del traffico persiste come una sfida duratura. Le soluzioni volte a mitigare o prevenire la formazione della congestione sono cruciali. Tuttavia, anche la formulazione più semplice del problema del traffico può essere scoraggiante, particolarmente con l'integrazione dei veicoli autonomi. Nonostante questa complessità, sfruttare i veicoli autonomi come auto di sicurezza offre un approccio dinamico per combattere la congestione, superando i controllori di flusso statici tradizionali come i segnali di velocità personalizzabili.

Sebbene le auto di sicurezza abbiano il potenziale per influenzare il flusso di traffico e alleviare la congestione, la loro adozione diffusa sulle strade attuali rimane limitata. Di conseguenza, raccogliere dati sufficienti per valutare il loro impatto diventa difficile. L'obiettivo principale di questo studio è dimostrare come la Modellazione e Simulazione Basate sugli Agenti possano facilitare la creazione di micro simulazioni che presentano veicoli autonomi. Queste simulazioni rappresentano i veicoli autonomi come agenti software incaricati di gestire il flusso di traffico, specialmente in scenari come gli incidenti stradali.

Incorporando agenti, queste simulazioni consentono l'esplorazione di scenari non fattibili con i metodi attuali. Successivamente, i dati generati da queste simulazioni potenziate dagli agenti sono utilizzati per addestrare un modello Long Short-Term Memory (LSTM). Questo modello prevede la velocità e il flusso, aiutando nell'anticipazione della formazione della congestione e accelerando le misure di risposta.

Questa tesi è strutturata in due parti principali. La prima parte si concentra sull'ingegnerizzazione della micro simulazione basata su agenti del flusso di traffico, mentre la seconda parte enfatizza l'applicazione delle tecniche di Machine Learning per prevedere la velocità e il flusso all'interno della rete veicolare. I risultati sono dimostrati attraverso uno studio di caso che

The issue of traffic congestion persists as an enduring challenge. Solutions aimed at mitigating or preventing congestion formation are crucial. However, even the simplest formulation of the traffic problem can be daunting, particularly with the integration of autonomous vehicles. Despite this complexity, leveraging autonomous vehicles as safety cars offers a dynamic approach to combating congestion, surpassing traditional static flow controllers like customisable speed signs.

While safety cars have the potential to influence traffic flow and alleviate congestion, their widespread adoption on present-day roads remains limited. Consequently, gathering sufficient data to assess their impact becomes challenging. This study's primary objective is to demonstrate how Agent-Based Modelling and Simulation can facilitate the creation of micro simulations featuring autonomous vehicles. These simulations represent autonomous vehicles as software agents tasked with managing traffic flow, especially in scenarios such as car accidents.

By incorporating agents, these simulations enable the exploration of scenarios not feasible with current methods. Subsequently, the data generated from these agent-enhanced simulations are utilised to train a Long Short-Term Memory (LSTM) model. This model forecasts speed and flow, aiding in the anticipation of congestion formation and expediting response measures.

This thesis is structured into two main parts. The first part focuses on engineering the agent-based micro simulation of traffic flow, while the second part emphasises the application of Machine Learning techniques to forecast speed and flow within the vehicular network. The results are demonstrated through a case study involving a stretch of freeway in the Netherlands, serving as both an illustrative example and a focal point for this study.