Controle de Interseções em Redes de Transporte com Suporte de Comunicação Veicular: uma Experimentação usando a Plataforma Arduino
Resumo
Mobilidade está se tornando um problema constante nas grandes e médias cidades. No futuro, com a implementação de redes veiculares (VANETs), novas soluções poderão ser propostas para melhorar o escoamento do trânsito. Por exemplo, semáforos poderão ser automaticamente ajustados para colaborar na redução de congestionamentos. Enquanto a tecnologia de VANETs não está plenamente disponível, o uso de plataformas robóticas miniaturizadas como estratégia de validação é uma solução factível. Este artigo descreve uma solução o controle semafórico apoiada por comunicação veicular. Um semáforo virtual, implementado com o apoio de uma VANET, é usado para coordenar os fluxos de veículos concorrentes enquanto pequenos carros-robôs são usados para simular o fluxo. Os carros são equipados com placa de controle, um conjunto de sensores e com módulos de comunicação Wi-Fi. A Solução aqui descrita segue a arquitetura cliente-servidor. O semáforo virtual opera como servidor e os carros-robôs são clientes. Um cliente se comunica via Wi-Fi com o servidor para alocar um slot de tempo e espaço para a passagem de uma interseção de vias. O caráter experimental deste trabalho permite demostrar, ainda que de forma preliminar, a possibilidade do uso do suporte de rede de comunicação veicular para a implementação do semáforo virtual.
Referências
T. Berlin, “Spirit of Berlin: An autonomous car for the DARPA urban challenge hardware and software architecture,” retrieved January, vol. 5, p. 2010, 2007.
S. Azimi, G. Bhatia, R. Rajkumar, and P. Mudalige, “Reliable intersection protocols using vehicular networks,” in Proc. 2013 ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS), April 2013, pp. 1–10.
K. Dresner and P. Stone, “A multiagent approach to autonomous intersection management,” Journal of Artificial Intelligence Research, no. 31, pp. 591–656, 2008.
T. Tielert, M. Killat, H. Hartenstein, R. Luz, S. Hausberger, and T. Benz, “The impact of traffic-light-to-vehicle communication on fuel consumption and emissions,” in Internet of Things (IOT), 2010, November 2010, pp. 1–8.
D. Krajzewicz, E. Brockfeld, J. Mikat, J. Ringel, C. R¨ossel, W. Tuchscheerer, P. Wagner, and R. Wösler, “Simulation of modern traffic lights control systems using the open source traffic simulation SUMO,” Proc. 3rd Industrial Simulation Conference (EUROSIS-ETI), pp. 299– 302, 2005.
X. Liang, X. Du, G. Wang, and Z. Han, “A deep reinforcement learning network for traffic light cycle control,” IEEE Transactions on Vehicular Technology, vol. 68, no. 2, pp. 1243–1253, February 2019.
L. L. Lemos, A. L. Bazzan, and M. Pasin, “Co-adaptive reinforcement learning in microscopic traffic systems,” Proc. 2018 IEEE Congress on Evolutionary Computation (CEC), pp. 1–8, 2018.
B. P. Gokulan and D. Srinivasan, “Distributed geometric fuzzy multiagent urban traffic signal control,” IEEE Transactions on Intelligent Transportation Systems, vol. 11, no. 3, pp. 714–727, 2010.
S. Thrun, “Winning the DARPA grand challenge,” in IFAC Proceedings Volumes, vol. 39, no. 16, 2006.
A. Medeiros, “Introdução à robótica,” Anais do XVII Encontro Nacional de Automática, vol. 1, pp. 56–65, 1998.
J. Sussman, Introduction to transportation systems. Artech House Publishers, 2000.
M. Pasin, B. Scheuermann, and R. F. de Moura, “VANET-based intersection control with a throughput/fairness tradeoff,” Proc. 8th IFIP Wireless and Mobile Networking Conference (WMNC 2015), pp. 208–215, 2015.
J. E. M. Behrisch, L. Bieker and D. Krajzewicz, “SUMO: simulation of urban mobility (an overview),” Proc. 3rd Int. Conference on Advances in System Simulation (SIMUL 2011), pp. 63–68, October 2011.
D. Baselt, F. Knorr, B. Scheuermann, M. Schreckenberg, and M. Mauve, “Merging lanes – fairness through communication,” Vehicular Communications, vol. 1, no. 2, pp. 97–104, April 2014.
K. Dresner and P. Stone, “Multiagent traffic management: a reservationbased intersection control mechanism,” Proc. 3rd International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS 2014), pp. 530–537, July 2004.
K. J. Prabuchandran, A. N. H. Kumar, and S. Bhatnagar, “Multiagent reinforcement learning for traffic signal control,” in Proc. 17th International IEEE Conference on Intelligent Transportation Systems (ITSC 2014), 2014, pp. 2529–2534.
B. Bakker, L. K. S. Whiteson, and F. C. A. Groen, Traffic Light Control by Multiagent Reinforcement Learning Systems. Springer, Berlin, Heidelberg, 2010, vol. 281.
K.-L. A. Yau, J. Qadir, H. L. Khoo, M. H. Ling, and P. Komisarczuk, “A survey on reinforcement learning models and algorithms for traffic signal control,” ACM Comput. Surv., vol. 50, no. 3, pp. 34:1–34:38, June 2017. [Online]. Available: http://doi.acm.org/10.1145/3068287
