associação brasileira de engenharia de produção...

GERENCIAMENTO DE TRÁFEGO URBANO

EMPREGANDO SISTEMAS MULTIAGENTES:

ANÁLISE QUALITATIVA DE TRABALHOS

RELACIONADOS

Douglas Felipe Fuelber (UNISC)

[email protected]

Rejane Frozza (UNISC)

[email protected]

O aumento populacional e da frota de veículos nas grandes cidades vem

acompanhado do problema dos congestionamentos. Este fenômeno impacta

diretamente em fatores sociais, financeiros, ambientais e também na saúde

da população. Tendo em vista que diversas áreas aplicam esforços em

pesquisas com este tema, busca-se através de técnicas computacionais

também realizar contribuições neste sentido. Neste artigo é apresentado um

estudo de trabalhos relacionados com a aplicação de sistemas multiagentes

no gerenciamento de tráfego. A partir da análise dos trabalhos relacionados

busca-se obter os melhores parâmetros e técnicas a serem adotadas em

trabalhos futuros. Além disso, alguns trabalhos são destacados e

comparados em um quadro ressaltando os seus principais aspectos.

Palavras-chave: Sistemas multiagentes, tráfego urbano, gerenciamento de

tráfego

XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.




2

1. Introdução

O crescimento populacional e urbano nas últimas décadas vem acompanhado de uma maior

necessidade de mobilidade das pessoas, o que por sua vez gera um aumento no número de

veículos em circulação. As estruturas viárias de grandes cidades, por vezes, não comportam

todos veículos que tentam utilizá-las. Porém, em muitos casos, aumentar o número de vias

não é uma opção em virtude das construções já existentes, necessitando-se reduzir os gargalos

no fluxo de veículos sem alterar as estruturas existentes (FRANCE; GHORBANI, 2003).

De acordo com Bazzan (2009), o tema de otimização de tráfego vem sendo fortemente

estudado pelas mais diversas áreas, inclusive na computação. Técnicas utilizando sistemas

multiagentes podem trazer grandes contribuições no controle e gerência de sistemas de

tráfego devido a sua capacidade de adaptação, principalmente sendo empregadas em situações

como otimização de tráfego em uma interseção.

Sistemas multiagentes são compostos por diferentes elementos computacionais denominados

agentes que possuem a capacidade de tomar decisões independentes a fim de alcançar

determinado objetivo. Já o sistema multiagente une diversos destes elementos para atingir um

objetivo comum e para isto é requerido que os mesmos possuam a habilidade de cooperação,

coordenação e negociação para que seja possível sua interação, alcançando assim seus

objetivos (WOOLDRIDGE, 2002).

Este trabalho possui como objetivo realizar um levantamento de trabalhos realizados,

selecionar alguns de maior destaque e compará-los levantando características a serem

consideradas em propostas futuras. Para isto, a seção 2 traz os métodos utilizados durante a

pesquisa. A subseção 2.1 apresenta os resultados quantitativos na pesquisa, na subseção 2.2

são selecionados trabalhos para estudo e na subseção 2.3 é realizado uma análise dos

trabalhos relacionados apresentados. Por fim, a seção 3 apresenta uma conclusão e uma

proposta de trabalho futuro.

2. Trabalhos relacionados e métodos




3

O método de pesquisa utilizado foi a bibliometria que “é uma técnica quantitativa e estatística

de medição dos índices de produção e disseminação do conhecimento científico” (ARAÚJO,

2006). A pesquisa iniciou com uma análise bibliométrica (quantitativa e qualitativa), a fim de

conhecer os termos relacionados à pesquisa e os trabalhos sendo publicados na área de

interesse.

2.1. Bibliometria quantitativa

A Figura 1 apresenta os números de trabalhos publicados no período entre os anos de 2012 e

2016, resultantes do cruzamento dos termos “Urban Traffic”, “Multiagent” e “Management”.

Para realizar este levantamento foram utilizadas as bases de periódicos Web of Science e

Scopus, além do Google Acadêmico. Nas bases Web of Science e Scopus o tipo de publicação

foi limitado a artigos. Já os resultados obtidos a partir do Google Acadêmico apresentam não

apenas artigos, mas também dissertações e outros trabalhos acadêmicos publicados. Além

disso, os números obtidos desta última fonte são referentes aos resultados em português e

inglês, respectivamente.

Figura 1 – Bibliometria quantitativa de trabalhos relacionados

Fonte: Pesquisas realizadas pelos autores em 21 de abril de 2017

Além dos resultados exibidos na Figura 1, também foi realizado um relacionamento final com

todos os três termos obtendo-se uma (1) publicação na base Web of Science, uma (1)




4

publicação na base Scopus e, por fim, cinco (5) publicações em português e setecentas e

oitenta e três (783) publicações em inglês no Google Acadêmico.

2.2. Bibliometria qualitativa

A partir dos resultados da bibliometria quantitativa, foram selecionados alguns artigos dos

quais foram realizadas sínteses. Entretanto, dois dos trabalhos apresentados foram

selecionados em virtude do seu forte relacionamento com o tema em estudo, mesmo não

estando contabilizados junto aos números demonstrados anteriormente, porque não foram

publicados no período de tempo utilizado na busca.

2.2.1. Multi-agent system in urban traffic signal control (BALAJI; SRINIVASAN, 2010)

Balaji e Srinivasan (2010) apresentam em seu artigo uma discussão a respeito da utilização de

Sistemas Multiagentes no controle de semáforos e as vantagens adquiridas com este controle.

Os problemas de congestionamentos de trânsito são recorrentes na maioria das grandes

cidades no mundo e, de acordo com o artigo em estudo, isso se deve ao fato do considerável

aumento da frota e dos altos níveis de urbanização. O modo mais viável de solucionar esse

problema, ou ao menos amenizá-lo, seria otimizar o tempo dos semáforos. Duas arquiteturas

de multiagentes são apresentadas: Sistemas Multiagentes Hierárquicos e Sistema de Agentes

Distribuídos. O primeiro é projetado utilizando diferentes níveis de controle de maneira

hierárquica, estando nos níveis mais baixos os ICAs (Intersection Control Agent), no nível

intermediário os ZCAs (Zone Controller Agents) e no nível mais alto um único RCA

(Regional Controller Agent). Já em relação à segunda arquitetura apresentada permite uma

maior flexibilidade entre os agentes tornando as decisões locais e dando maior liberdade para

cada um decidir a política de ações a ser seguida. Os autores ainda apresentam três modelos

de agentes distribuídos utilizados no controle de semáforos: SPSA-NN (Simultaneous

Perturbation Stochastic Approximation – Neural Network), GFMAS (Geometric Fuzzy Multi

Agent System) e T2DR (Type-2 Fuzzy with Dynamic Reasoning). As avaliações das

arquiteturas apresentadas pelo artigo foram realizadas através de um micro simulador




5

PARAMICS utilizando a rede viária do Distrito Comercial Central de Singapura e com dados

coletados pela LTA (Singapore Land Transport Authority). Por meio das simulações os

autores puderam comparar a utilização de sistemas multiagentes no controle adaptativo dos

semáforos com a arquitetura utilizada efetivamente em Singapura (GLIDE – Green Link

Determine) utilizando como parâmetros o tempo de espera dos veículos em diferentes

condições de tráfego (leve, médio e pesado). Como resultado, houve considerável melhora na

média de velocidade do trajeto dentro da malha viária em questão fazendo-se a utilização dos

sistemas multiagentes.

2.2.2. Adaptive multi-objective reinforcement learning with hybrid exploration for traffic

signal control based on cooperative multi-agent framework (KHAMIS; GOMAA, 2014)

O trabalho de Khamis e Gomaa (2014) teve como foco desenvolver um controlador de

semáforo com diversos objetivos, dentre os quais é possível destacar a minimização do tempo

de paradas e o tempo total de viagens, maximizar a taxa de fluxo, evitar acidentes e induzir os

veículos a trafegar dentro de uma faixa moderada de velocidade, reduzindo assim o consumo

de combustível. Os autores iniciam destacando que o uso de ferramentas e tecnologias da

ciência da computação vem sendo empregadas na questão de controladores de semáforos,

assim como o artigo que aborda o desenvolvimento de um framework multiagente com

aprendizado por reforço. Este framework, como citado no artigo, tem como características:

utilizar um sistema multiagente baseado em veículos que é composto por agentes de

cruzamentos (responsáveis pela configuração do semáforo relacionado) e agentes de veículos

(responsáveis por comunicar as informações necessárias dos veículos para os agentes dos

cruzamentos); tomada de decisão em tempo real e baseada em diversos critérios de

otimização; capacidade de lidar eficientemente com problemas complexos, situações

inesperadas e com falta de informações; capacidade de se adaptar e responder efetivamente

diante de alterações na dinâmica das vias; gerar alta confiança diante de testes e simulações

realizadas para validar o controlador proposto. Para o trabalho desenvolvido as “possíveis

configurações de semáforo representam sinal verde em todas as direções do cruzamento de

modo que não cause um possível acidente entre veículos”. Deste modo no framework não é




6

buscado tempo ótimo de fase para o semáforo, mas sim, a cada período de tempo os agentes

de cruzamento determinam se a configuração atual é mantida ou alterada. A decisão é tomada

levando-se em consideração todos os veículos presentes na via. A rede de tráfego utilizada

durante os testes foi composta por seis vias (três horizontais e três verticais, totalizando nove

cruzamentos e sendo as vias horizontais as principais), cada via composta por duas pistas em

cada sentido.

2.2.3. A multiagent system for optimizing urban traffic (FRANCE; GHORBANI, 2003)

O artigo de France e Ghorbani (2003) propõe um sistema multiagente hierárquico responsável

por administrar um sistema de tráfego urbano. A solução proposta neste trabalho utiliza um

agente LTA (Local Traffic Agent) o qual é responsável apenas pelas tomadas de decisão sobre

sua respectiva intersecção. Além dos agentes locais existe o CTA (Coordinator Traffic Agent)

o qual “monitora os interesses globais e mantém a ordem” entre os LTAs. Dois outros agentes

também fazem parte da arquitetura do sistema: o GTA (Global Traffic Agent) e o ITA

(Information Traffic Agent). O primeiro é utilizado apenas em redes viárias muito grandes,

onde a mesma pode ser dividida em diversos setores (cada qual gerido por um CTA) e o GTA

fica responsável por organizar os CTAs. Já o ITA funciona como uma central para todas as

informações do sistema, como as condições atuais do tráfego (obtidas através de sensores), a

configuração atual de cada semáforo e o tempo restante para esta fase. Cada LTA calcula a

configuração otimizada para sua intersecção a partir dos dados obtidos do ITA (não levando

em consideração as intersecções vizinhas) e a informa ao CTA. Juntamente com o padrão

passado pelo LTA, o CTA utiliza informações dos vizinhos da intersecção em questão e

também informações do ITA. O sistema proposto foi desenvolvido com o uso do JACK

Development Environment e com o framework JACK Intelligent AgentsTM. Para a realização

dos testes foi utilizada uma malha viária composta por seis intersecções e que foi submetida a

dois cenários diferentes. O primeiro cenário consiste em um acidente em uma das intersecções

controladas. A primeira medida tomada pelo sistema foi definir um sinal vermelho em todos

semáforos vizinhos que levassem na direção do acidente, porém ainda possibilitando que os

veículos se movessem nas outras direções. Como o trânsito permaneceu parado nas vias que

iam em direção ao local do acidente, congestionamentos começaram a se formar nos




7

semáforos, o que levou as intersecções vizinhas a eles também não permitirem que veículos

fossem na mesma direção. Passados oito ciclos de semáforo o evento do acidente foi

encerrado e o tráfego pôde ser liberado para todos os sentidos novamente, levando cinco

ciclos para o fluxo retornar à normalidade. O segundo cenário foi o de tráfego matinal onde o

fluxo é intenso em uma direção. Quando as intersecções que estão na direção de maior fluxo

começam a apresentar um número alto de veículos parados, o sistema força as vias que

cruzam a pararem para que o tráfego possa ser descongestionado. Como conclusão os autores

mencionam que em ambos os cenários nos quais foram realizados os testes o sistema

“gerenciou de forma eficiente o congestionamento gradual da rede”, porém quando o tráfego

continua aumentando todas as vias que levam para a mesma direção ainda ficarão

congestionadas.

2.2.4. Distributed and adaptive traffic signal control within a realistic traffic simulation

(MCKENNEY; WHITE, 2013)

No trabalho de McKenney e White (2013) é proposto um algoritmo capaz de controlar

semáforos a partir de informações oriundas de sensores e também de comunicação com os

outros semáforos. Para testar o controlador proposto foi utilizada uma rede viária que

“consiste de uma seção 9x7 blocos do centro da cidade de Ottawa, no Canadá, que possui

mais de 50 intersecções sinalizadas requerendo controle”. Com o intuito de reproduzir um

cenário o mais próximo possível da realidade, foram utilizados dados de contagem de

veículos de cada intersecção da cidade em questão. A partir disto foi possível utilizar o

simulador de tráfego SUMO (Simulation of Urban MObility) para gerar 15 configurações de

distribuição de veículos para serem utilizadas durante as simulações. Levando em

consideração que cada intersecção será controlada por um agente inteligente exclusivo, é

necessário que o mesmo tenha acesso a informações das vias (comprimento, limite de

velocidade, quantidade de veículos, entre outros), configurações de fases para cada semáforo,

vizinhos conectados, duração de ciclo (tempo dedicado para todas as fases da intersecção),

entre outros. Os agentes determinam o intervalo de tempo com o qual a intersecção deve

atualizar seu plano de sinal, determinar por quanto tempo as informações obtidas devem




8

permanecer armazenadas em memória, determinar a frequência em que é necessário que

novas informações devam ser obtidas através dos sensores, entre outros fatores. O primeiro

algoritmo proposto descreve a atualização do agente controlador, onde é verificada a

necessidade de obter novos dados e de atualizar o plano do semáforo com a utilização dos

próximos algoritmos. O segundo algoritmo é responsável por calcular o volume de tráfego

para cada grupo de semáforos e por intersecções. O terceiro algoritmo possui os passos para

calcular a medida de tráfego para apenas uma pista com dados armazenados em memória. A

partir dos cálculos já realizados o quarto algoritmo atribui a cada grupo de semáforos duração

de ciclos proporcionais. Na etapa de realização de testes foram utilizadas as configurações dos

planos fixos de semáforos para comparação. Foram gerados 15 cenários - todos representando

um período de 11h (7h – 18h) - e os resultados apresentados no artigo correspondem à média

de todas estas simulações. Em relação à velocidade dos veículos, sendo levadas em

consideração todas as 11h do período de simulação, houve um aumento de 6,59% em relação

aos controladores fixos. Porém, como os agentes necessitam de uma hora para serem

completamente inicializados, a primeira hora pode ser desconsiderada dos resultados,

passando a apresentar um aumento de 7,36% de velocidade. O artigo também apresenta duas

situações onde os planos fixos de semáforo “falham” ao controlar os sinais de trânsito

efetivamente. O caso de maior destaque se refere a um alto volume de tráfego apresentado em

um intervalo de tempo entre 8h e 10h onde a utilização do plano fixo aumenta a média de

veículos presente na via em aproximadamente 60 veículos. O controlador adaptativo, neste

mesmo cenário, apresentou uma média de apenas 10 veículos.

2.2.5. Multiagent reinforcement learning for integrated network of adaptive traffic signal

controllers (MARLIN-ATSC): methodology and large-scale application on downtown

Toronto (EL-TANTAWY; ABDULHAI; ABDELGAWAD, 2013)

El-Tantawy, Abdulhai e Abdelgawad (2013) apresentam em seu trabalho um sistema de

aprendizagem por reforço integrado à rede de controladores de semáforos o qual é

denominado MARLIN-ATSC (derivado do nome em inglês: Multiagent Reinforcement

Learning for Integrated Network of Adaptive Traffic Signal Controllers). O sistema oferece




9

um modo independente e outro integrado. No primeiro cada controlador de intersecção

trabalha de maneira independente em relação aos outros controladores. Já no segundo as

tomadas de decisões dos controladores levam em consideração as intersecções vizinhas. As

principais características do sistema proposto são: modelo decentralizado de operação,

capacidade de suportar redes de qualquer tamanho, sem pontos de falha, não é necessário

possuir um modelo do sistema de tráfego, auto aprendizado e coordenação (presente no modo

integrado supracitado). A plataforma MARLIN-ATSC proposta é composta por duas

camadas. A primeira camada é responsável por configurar e prover as informações

necessárias para a segunda camada. Já a segunda camada é formada por três componentes

interativos: o agente, o ambiente de simulação e a interface. O agente é o componente que

implementa o algoritmo de controle, realiza o aprendizado, interage com o ambiente e toma as

decisões de acordo com a necessidade. O ambiente de simulação modela o ambiente de

tráfego, sendo neste trabalho utilizado o simulador de tráfego PARAMICS que é capaz de

gerar fluxos estocásticos. Por fim o componente de interface “controla a interação entre o

agente e o ambiente de simulação a partir da troca de estado, recompensa e ação. O sistema

proposto foi testado em uma rede simulada da parte baixa do centro de Toronto, Canadá, no

período de tempo considerado de maior movimento na parte da manhã, com

aproximadamente 25.000 trajetos de veículos.

2.2.6. Optimizing urban traffic control using a rational agent (IBARRA-MARTÍNEZ;

CASTÁN-ROCHA; LARIA-MENCHACA, 2014)

Ibarra-Martínez, Castán-Rocha e Laria-Menchaca (2014) buscam desenvolver em seu

trabalho, com o uso de agentes inteligentes, um conjunto de tecnologias a serem

implementadas em semáforos que seriam capazes de realizar a otimização de intersecções

com diversos semáforos. A metodologia proposta no artigo é composta por cinco módulos. O

módulo de simulação de tráfego, através de seus dois sub módulos (um gerador de veículos e

um configurador de intersecção), é responsável por gerar o volume e fluxo de veículos

necessários durante as simulações, além de indicar os movimentos possíveis para cada fase

dos semáforos. O módulo de infraestrutura é responsável pela definição de um operador que




10

controla a duração das fases dos semáforos de cada intersecção enquanto que o módulo de

comunicação é responsável pela troca de informações entre estes operadores. A habilidade de

encontrar soluções diante de qualquer situação a partir de informações providas pelo módulo

de simulação é definida pelo módulo de decisão. Por fim, o módulo de análises avalia o

ambiente e a mobilidade de acordo com o número de veículos nas pistas e intersecções.

Foram realizadas simulações com o simulador desenvolvido para comparar o controlador

inteligente (IC – inteligente control) proposto com o controlador tradicional (TC – traditional

control) com níveis de demanda de 50%, 100%, 150% e 200% em relação ao volume usual de

veículos por segundo. Concluindo, os autores mencionam que os resultados obtidos através

dos experimentos realizados possibilitam que se diga que a abordagem proposta aumenta a

capacidade de tráfego das intersecções trazendo diversos benefícios, no entanto, em trabalhos

futuros devem ser levados em consideração mais fatores nas simulações, de modo que os

cenários sejam mais realistas.

2.3. Quadro comparativo dos artigos selecionados

A Tabela 1 apresenta uma comparação entre os trabalhos relacionados estudados em relação

aos seguintes critérios: objetivo, técnica associada, parâmetros considerados, ambiente de

simulação e resultados.

Tabela 1 – Quadro comparativo dos trabalhos estudados

Autores Objetivo Técnica

Associada

Parâmetros

Considerados

Ambiente de

Simulação Resultados

Balaji e

Srinivasan

(2010)

Otimizar o

tempo dos

semáforos para

reduzir o tempo

de espera dos

veículos

Um sistema

multiagente

hierárquico e

um distribuído

com três

modelos de

Tempo de

espera dos

veículos com

tráfego leve,

médio e

pesado

Simulações

realizadas no

simulador

PARAMICS

utilizando como

modelo a rede

viária de

Resultados

semelhantes entre

todos controladores

comparados,

exceto no cenário

com tráfego pesado

onde o controlador




11

agentes Singapura e

dados reais

baseado no

GFMAS

apresentou melhor

resultado

Khamis e

Gomaa

(2014)

Desenvolver

controlador de

semáforos que

minimize tempo

de paradas e de

viagens,

maximize a taxa

de fluxo, evite

acidentes e

reduza o

consumo de

combustível

Framework

multiagente

com

aprendizado

por reforço

Número de

veículos nas

vias da

interseção

Utilizado um

simulador de

tráfego baseado

na plataforma

GLD. Foi

utilizada uma

rede com 9

interseções e

outra mais

complexa e

menos simétrica

Controlador

utilizando

framework

proposto foi

comparado com os

controladores

SOTL platoon e

ACGJ-1 e

apresentou tempo

médio de viagem

8x menor, tempo

de espera 6x menor

e velocidade 8x

maior no primeiro

cenário e também

resultados

superiores no

segundo

France e

Ghorbani

(2003)

Desenvolver um

sistema capaz

de administrar

uma rede de

tráfego urbano

através dos

semáforos

Sistema

multiagente

hierárquico

Condições do

tráfego

(obtidas

através de

sensores) e a

configuração

dos semáforos

Testes foram

realizados

utilizando o

sistema

desenvolvido

com uma malha

viária composta

por seis

interseções e em

um cenário com

acidente e outro

com tráfego

matinal intenso

Em ambos cenários

o sistema proposto

lidou bem com os

congestionamentos

gerados, porém se

o número de

veículos continua

aumentando, os

congestionamentos

voltam a ocorrer

McKenney

e White

(2013)

Propor um

algoritmo capaz

de controlar

semáforos com

informações de

sensores e de

outros

semáforos

Sistema

multiagente

distribuído

sem nenhum

controle

centralizado

Volume de

tráfego

presente nas

pistas

Simulações

realizadas no

SUMO em um

período de 11h

em 15 cenários

diferentes

utilizando como

modelo a rede

viária de Ottawa

Resultados

apresentados são a

média dos 15

cenários. O

controle adaptativo

apresentou um

aumento de

velocidade de

6,59% nas 11h e

7,36% ignorando a

primeira hora. No

período de maior

fluxo o controle

adaptativo reduziu

o número de

veículos na via de




12

60 para 10,

aproximadamente

El-Tantawy,

Abdulhai e

Abdelgawad

(2013)

Desenvolver um

sistema de

controle de

semáforos

decentralizado,

capaz de

suportar

qualquer rede,

sem pontos de

falha, com auto

aprendizado e

coordenação

Sistema

multiagente

com

aprendizado

por reforço e

com modo

independente

ou integrado

Número de

veículos,

tempo de

espera,

emissão de

CO2

Foi utilizado o

simulador

PARAMICS

com rede viária

do centro da

cidade de

Toronto

Os dois modos do

sistema proposto

apresentaram

resultados

melhores que o

caso base utilizado

para comparação,

podendo-se

destacar o

MARLIN que

reduziu a média do

tempo de paradas

em 38%, a média

de comprimento

das filas em 31% e

a emissão de CO2

em 30%.

Ibarra-

Martínez,

Castán-

Rocha e

Laria-

Menchaca

(2014)

Desenvolver um

conjunto de

tecnologias

capaz de

otimizar

interseções com

diversos

semáforo

Sistema de

agentes

inteligentes

composto por

cinco módulos

(simulador de

tráfego,

infraestrutura,

comunicação,

decisão e de

análise)

Quantidade de

veículos nas

vias

Com o uso do

Matlab foi

desenvolvido

um simulador

para integrar

todos os

módulos

desenvolvidos.

Foi utilizado um

cenário com

duas interseções

e outro baseado

na cidade de

Tampico,

México

Em ambos os

cenários o uso do

controlador

inteligente

apresentou

resultados

superiores ao

tradicional. No

primeiro cenário

pode-se destacar o

aumento de fluxo

de quase 23%,

redução de

consumo de

combustível e de

emissão de CO2 de

aproximadamente

16% e 35%,

respectivamente

Fonte: Dos autores (2017)

Realizando uma análise na Tabela 1 pode-se constatar que o emprego de sistemas

multiagentes, tanto com arquiteturas centralizadas como distribuídas, é grande quando

relacionado ao objetivo de otimização de tráfego, mais especificamente no controle adaptativo

de semáforos. Outro fator importante que se observa é a adesão unânime de simulações para

validar as abordagens propostas, destacando-se o uso do simulador PARAMICS que é citado

nos trabalhos de Balaji e Srinivasan (2010) e também de El-Tantawy, Abdulhai e Abdelgawad




13

(2013). Os resultados obtidos também mostram que os benefícios alcançados não se limitam à

redução de congestionamento, mas também às consideráveis diferenças no consumo de

combustível e emissão de poluentes como o CO2, conforme demonstrado no trabalho de El-

Tantawy, Abdulhai e Abdelgawad (2013) e também no de Ibarra-Martínez, Castán-Rocha e

Laria-Menchaca (2014).

3. Conclusão

Os problemas de trânsito são constantes na maioria das cidades e diversas áreas realizam

estudos com o objetivo de amenizá-los. A computação oferece diversas ferramentas que são

aplicadas na busca de uma otimização do trânsito onde a principal é a aplicação de sistemas

multiagentes, devido a sua capacidade de adaptação e de atingir objetivos em comum. Já a

simulação também é amplamente utilizada pois possibilita que, com um baixo custo, seja

possível validar a ferramenta ou tecnologia proposta com fidelidade nos resultados.

Como trabalho futuro propõe-se que, levando em consideração os resultados obtidos na

avaliação dos trabalhos relacionado, seja desenvolvido um sistema multiagente capaz de

otimizar o tempo dos semáforos com o intuito de se obter uma redução no consumo de

combustível por parte dos veículos. A proposta também engloba a utilização de um simulador

para validação do sistema proposto e verificar sua efetividade em comparação a sistemas de

semáforos já existentes.

Referências

ARAÚJO, C. A. Bibliometria: evolução histórica e questões atuais. Em Questão, Porto Alegre, v. 12, n. 1, p.11-

32, 2006.

BALAJI, P.G.; SRINIVASAN, D. Multi-Agent System in Urban Traffic Signal Control. IEEE Computational

Intelligence Magazine. v. 5, n. 4, p.43-51, 2010.

BAZZAN, Ana L.C. Opportunities for multiagent systems and multiagent reinforcement learning in traffic

control. Autonomous Agents and Multi-Agent Systems, v. 18, n. 3, p. 342-375, 2009.

EL-TANTAWY, Samah; ABDULHAI, Baher; ABDELGAWAD, Hossam. Multiagent reinforcement learning




14

for integrated network of adaptive traffic signal controllers (MARLIN-ATSC): methodology and large-scale

application on downtown Toronto. IEEE Transactions on Intelligent Transportation Systems. v. 26, n. 3,

p.1140-1150, 2013.

FRANCE, John; GHORBANI, Ali A. A multiagent system for optimizing urban traffic. Intelligent Agent

Technology, 2003. IAT 2003. IEEE/WIC International Conference on. IEEE, 2003. p.411-414.

IBARRA-MARTÍNEZ, Salvador; CASTÁN-ROCHA, José A.; LARIA-MENCHACA, Julio. Optimizing urban

traffic control using a rational agent. Journal of Zhejiang University SCIENCE C. v. 15, n. 12, p.1123-1137,

2014.

KHAMIS, M. A.; GOMAA, W. Adaptive multi-objective reinforcement learning with hybrid exploration for

traffic signal control based on cooperative multi-agent framework. Engineering Applications of Artificial

Intelligence, v. 29, p.134–151, 2014.

MCKENNEY, Dave; WHITE, Tony. Distributed and adaptive traffic signal control within a realistic traffic

simulation. Engineering Applications of Artificial Intelligence. v. 26, n. 1, p.574–583, 2013.

WOOLDRIDGE, Michael; An introduction to multiagent systems. John Wiley & Sons, 2002.

associação brasileira de engenharia de produção...

Documents