%0 Journal Article 
%A Estrada Cardozo, Jose David
%A Pacheco Forero, Isabella
%T Sistema inteligente de control vehicular en un entorno simulado


%U http://hdl.handle.net/10584/11548
%X La congestión del tráfico es un problema persistente en las zonas urbanas, que provoca retrasos, aumenta la contaminación y reduce la eficiencia del transporte. La gestión óptima de los semáforos desempeña un papel clave en la resolución de este problema. En este proyecto, proponemos utilizar el aprendizaje por refuerzo para mejorar la temporización de los semáforos en tiempo real a partir de las observaciones obtenidas de la simulación del tráfico en SUMO (Simulation of Urban Mobility). En este estudio, nos centraremos en desarrollar y evaluar una solución basada en el aprendizaje por refuerzo en un entorno SUMO simulado. Utilizaremos técnicas de aprendizaje por refuerzo para optimizar la temporización de los semáforos y conseguir un flujo de tráfico más eficiente. El objetivo principal de nuestro proyecto es desarrollar un agente de aprendizaje por refuerzo capaz de aprender a tomar decisiones óptimas sobre la temporización de los semáforos basándose en las condiciones actuales del tráfico. El agente recopilará información en tiempo real sobre las condiciones del tráfico y la utilizará para seleccionar acciones que maximicen el flujo de vehículos y minimicen la congestión. Exploraremos enfoques de aprendizaje por refuerzo, como el uso de algoritmos Q-Learning, para entrenar al agente en el entorno simulado SUMO. Utilizaremos datos de tráfico generados por SUMO para simular diferentes escenarios y entrenar al agente para que aprenda patrones de comportamiento y tome decisiones basadas en observaciones en tiempo real. La evaluación de nuestro enfoque se llevará a cabo comparando el rendimiento del agente de aprendizaje por refuerzo con el cronometraje convencional de los semáforos. Mediremos indicadores clave, como el tiempo de espera, el nivel de flujo de vehículos, la velocidad de los vehículos y la longitud media de las colas, para comparar nuestra propuesta con el método empleado actualmente.

%K Semaforización inteligente
%K Aprendizaje por refuerzo
%K Machine Learning
%K Reinforcement learning
%~ GOEDOC, SUB GOETTINGEN