Semáforos inteligentes por medio de aprendizaje por refuerzo
Resultados obtenidos de aplicar aprendizaje por refuerzo multiagente para el control adaptativo de los semáforos en un conjunto de intersecciones, con el fin de poder reducir el tiempo de esperas de los vehículos en la vía, comparado con semáforos en tiempo fijo. Para esto, se utilizaron 4 métodos d...
- Autores:
-
Chavez Mass, Jose David
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/64455
- Acceso en línea:
- http://hdl.handle.net/1992/64455
- Palabra clave:
- Aprendizaje por refuerzo
Multiagente
Control adaptativo de señales de transito
Ingeniería
- Rights
- openAccess
- License
- Attribution-NoDerivatives 4.0 Internacional
| id |
UNIANDES2_e5a00e1972ad8c57adf00b9c4b8775bf |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/64455 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| title |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| spellingShingle |
Semáforos inteligentes por medio de aprendizaje por refuerzo Aprendizaje por refuerzo Multiagente Control adaptativo de señales de transito Ingeniería |
| title_short |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| title_full |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| title_fullStr |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| title_full_unstemmed |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| title_sort |
Semáforos inteligentes por medio de aprendizaje por refuerzo |
| dc.creator.fl_str_mv |
Chavez Mass, Jose David |
| dc.contributor.advisor.none.fl_str_mv |
García Cárdenas, Juan José Segura Quijano, Fredy Enrique |
| dc.contributor.author.none.fl_str_mv |
Chavez Mass, Jose David |
| dc.contributor.jury.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
| dc.subject.keyword.none.fl_str_mv |
Aprendizaje por refuerzo Multiagente Control adaptativo de señales de transito |
| topic |
Aprendizaje por refuerzo Multiagente Control adaptativo de señales de transito Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
Resultados obtenidos de aplicar aprendizaje por refuerzo multiagente para el control adaptativo de los semáforos en un conjunto de intersecciones, con el fin de poder reducir el tiempo de esperas de los vehículos en la vía, comparado con semáforos en tiempo fijo. Para esto, se utilizaron 4 métodos de aprendizaje por refuerzo, los cuales fueron Q-learning, SARSA, Deep Q-Network (DQN) y Proximal Policy Optimization (PPO). |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-02-01T19:37:10Z |
| dc.date.available.none.fl_str_mv |
2023-02-01T19:37:10Z |
| dc.date.issued.none.fl_str_mv |
2023-01-10 |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/64455 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/64455 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
García, M. (2022, 3 marzo). Trafico en Bogotá: ¿Cuanto tiempo pierden los ciudadanos en trancones? El Tiempo. https://www.eltiempo.com/colombia/otras-ciudades/en- bogota-cuanto-tiempo-pierden-los-ciudadanos-en-trancones-649613 Medidas de Control del Tránsito. (s/f). Piarc.org. Recuperado el 2 de agosto de 2022, de https://rno-its.piarc.org/es/control-de-la-red-gestion-del-transito/medidas-de-control- del-transito Higuera Arias. (2016). Control de intersecciones semaforizadas aplicando aprendizaje por refuerzo multiagente. Uniandes. Loarte, R., Quizhpe, B., Arias, H. P. P. (2015). Desarrollo y simulación de un sistema multiagente para la comunicación de semáforos para encontrar la ruta ´optima mediante grafos. Revista Tecnológica-ESPOL, 28(1). Battolla, T. F., Fuentes, S., Illi, J. I., Nacht, J., Falco, M., Pezzuchi, G., Robiolo, G. (2018, September). Sistema dinámico y adaptativo para el control del trafico de una intersección de calles: modelación y simulación de un sistema multiagente. In Simposio Argentino de Inteligencia Artificial (ASAI)-Jornadas Argentinas de Informática, Universidad de Palermo. Gandhi, M. (2022, 1 enero). Traffic Intersection Simulation using Pygame, Part 1. Medium. Recuperado 12 de octubre de 2022, de https://towardsdatascience.com/traffic-intersection-simulation-using-pygame-689d6bd7687a Ausin, M. S. (2022, 30 marzo). Aprendizaje por refuerzo. DQN: Q-Learning con redes neuronales. Medium. https://markelsanz14.medium.com/introducci%%B3n-al-aprendizaje-por-refuerzo-parte-3-q-learning-con-redes-neuronales-algoritmo-dqn-bfe02b37017f Heeswijk, W. van, PhD. (2022, 29 noviembre). Proximal Policy Optimization (PPO) Explained - Towards Data Science. Medium. https://towardsdatascience.com/proximal-policy-optimization-ppo-explained-abed1952457b Horcajada Jiménez, D. (2021). Metodología para la detección de objetos en imágenes basada en la librería YOLO con aplicación a la detección de carros. |
| dc.rights.license.spa.fl_str_mv |
Attribution-NoDerivatives 4.0 Internacional |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
18 paginas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/01dca490-b485-4739-abaf-b6e6da1782c8/download https://repositorio.uniandes.edu.co/bitstreams/baae15c9-5239-46c2-a970-88bde26b32a3/download https://repositorio.uniandes.edu.co/bitstreams/99ee6110-ae3e-45e2-92b1-8d173da302c6/download https://repositorio.uniandes.edu.co/bitstreams/5196c5ee-f541-40c6-809d-939086642a31/download https://repositorio.uniandes.edu.co/bitstreams/06f6f642-d9dc-4b88-a874-0fd3c7a3f83f/download https://repositorio.uniandes.edu.co/bitstreams/e6f8e53a-ffd3-469a-b9b4-3ba44b255c38/download https://repositorio.uniandes.edu.co/bitstreams/4c3bd821-b071-4725-9853-8aff4275b47b/download https://repositorio.uniandes.edu.co/bitstreams/05308173-2a68-4aa0-84de-bd349b496adf/download |
| bitstream.checksum.fl_str_mv |
f7d494f61e544413a13e6ba1da2089cd 1c65a45bc6cdaefc3d645dce3fa99d0f 4491fe1afb58beaaef41a73cf7ff2e27 5aa5c691a1ffe97abd12c2966efcb8d6 c89350ba4ef520ee6e3b39a89ca5fc85 f066c489e95401c03d365d46cb723bed cd316de0001465ae6a8f97acc9f20575 7bff58cb44fa9345b2c6c6bf5c5ebe53 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133965184630784 |
| spelling |
Attribution-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2García Cárdenas, Juan José44188367-f49b-4c6b-9009-a037c689da55600Segura Quijano, Fredy Enriquevirtual::10537-1Chavez Mass, Jose Davidb2f88679-91a5-4837-a32b-4713bdddd559600Lozano Martínez, Fernando Enrique2023-02-01T19:37:10Z2023-02-01T19:37:10Z2023-01-10http://hdl.handle.net/1992/64455instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Resultados obtenidos de aplicar aprendizaje por refuerzo multiagente para el control adaptativo de los semáforos en un conjunto de intersecciones, con el fin de poder reducir el tiempo de esperas de los vehículos en la vía, comparado con semáforos en tiempo fijo. Para esto, se utilizaron 4 métodos de aprendizaje por refuerzo, los cuales fueron Q-learning, SARSA, Deep Q-Network (DQN) y Proximal Policy Optimization (PPO).En este documento se muestra los resultados obtenidos de aplicar aprendizaje por refuerzo multiagente para el control adaptativo de los semáforos en un conjunto de intersecciones, con el fin de poder reducir el tiempo de esperas de los vehículos en la vía, comparado con semáforos en tiempo fijo. Para esto, se utilizaron 4 métodos de aprendizaje por refuerzo, los cuales fueron Q-learning, SARSA, Deep Q-Network (DQN) y Proximal Policy Optimization (PPO). Dichos algoritmos de aprendizaje se implementaron en python y se simularon en el software SUMO. Arrojando una eficiencia del 35.79 %, 51.63 %, 63.40% y 63.49% respectivamente, comparado con tiempos fijos.Ingeniero ElectrónicoPregrado18 paginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaSemáforos inteligentes por medio de aprendizaje por refuerzoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAprendizaje por refuerzoMultiagenteControl adaptativo de señales de transitoIngenieríaGarcía, M. (2022, 3 marzo). Trafico en Bogotá: ¿Cuanto tiempo pierden los ciudadanos en trancones? El Tiempo. https://www.eltiempo.com/colombia/otras-ciudades/en- bogota-cuanto-tiempo-pierden-los-ciudadanos-en-trancones-649613Medidas de Control del Tránsito. (s/f). Piarc.org. Recuperado el 2 de agosto de 2022, de https://rno-its.piarc.org/es/control-de-la-red-gestion-del-transito/medidas-de-control- del-transitoHiguera Arias. (2016). Control de intersecciones semaforizadas aplicando aprendizaje por refuerzo multiagente. Uniandes.Loarte, R., Quizhpe, B., Arias, H. P. P. (2015). Desarrollo y simulación de un sistema multiagente para la comunicación de semáforos para encontrar la ruta ´optima mediante grafos. Revista Tecnológica-ESPOL, 28(1).Battolla, T. F., Fuentes, S., Illi, J. I., Nacht, J., Falco, M., Pezzuchi, G., Robiolo, G. (2018, September). Sistema dinámico y adaptativo para el control del trafico de una intersección de calles: modelación y simulación de un sistema multiagente. In Simposio Argentino de Inteligencia Artificial (ASAI)-Jornadas Argentinas de Informática, Universidad de Palermo.Gandhi, M. (2022, 1 enero). Traffic Intersection Simulation using Pygame, Part 1. Medium. Recuperado 12 de octubre de 2022, de https://towardsdatascience.com/traffic-intersection-simulation-using-pygame-689d6bd7687aAusin, M. S. (2022, 30 marzo). Aprendizaje por refuerzo. DQN: Q-Learning con redes neuronales. Medium. https://markelsanz14.medium.com/introducci%%B3n-al-aprendizaje-por-refuerzo-parte-3-q-learning-con-redes-neuronales-algoritmo-dqn-bfe02b37017fHeeswijk, W. van, PhD. (2022, 29 noviembre). Proximal Policy Optimization (PPO) Explained - Towards Data Science. Medium. https://towardsdatascience.com/proximal-policy-optimization-ppo-explained-abed1952457bHorcajada Jiménez, D. (2021). Metodología para la detección de objetos en imágenes basada en la librería YOLO con aplicación a la detección de carros.201915775Publicationhttps://scholar.google.es/citations?user=xw2k1CIAAAAJvirtual::10537-10000-0001-7757-1432virtual::10537-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000051497virtual::10537-17684cb09-6991-4ac4-aff9-b29fe065439fvirtual::10537-17684cb09-6991-4ac4-aff9-b29fe065439fvirtual::10537-1CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8799https://repositorio.uniandes.edu.co/bitstreams/01dca490-b485-4739-abaf-b6e6da1782c8/downloadf7d494f61e544413a13e6ba1da2089cdMD52TEXTProyectoDeGrado.pdf.txtProyectoDeGrado.pdf.txtExtracted texttext/plain32516https://repositorio.uniandes.edu.co/bitstreams/baae15c9-5239-46c2-a970-88bde26b32a3/download1c65a45bc6cdaefc3d645dce3fa99d0fMD552220_BIB-Jose David Chvavez Mass.pdf.txt2220_BIB-Jose David Chvavez Mass.pdf.txtExtracted texttext/plain1163https://repositorio.uniandes.edu.co/bitstreams/99ee6110-ae3e-45e2-92b1-8d173da302c6/download4491fe1afb58beaaef41a73cf7ff2e27MD57LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/5196c5ee-f541-40c6-809d-939086642a31/download5aa5c691a1ffe97abd12c2966efcb8d6MD51ORIGINALProyectoDeGrado.pdfProyectoDeGrado.pdfTrabajo de gradoapplication/pdf1155179https://repositorio.uniandes.edu.co/bitstreams/06f6f642-d9dc-4b88-a874-0fd3c7a3f83f/downloadc89350ba4ef520ee6e3b39a89ca5fc85MD532220_BIB-Jose David Chvavez Mass.pdf2220_BIB-Jose David Chvavez Mass.pdfHIDEapplication/pdf221444https://repositorio.uniandes.edu.co/bitstreams/e6f8e53a-ffd3-469a-b9b4-3ba44b255c38/downloadf066c489e95401c03d365d46cb723bedMD54THUMBNAILProyectoDeGrado.pdf.jpgProyectoDeGrado.pdf.jpgIM Thumbnailimage/jpeg6538https://repositorio.uniandes.edu.co/bitstreams/4c3bd821-b071-4725-9853-8aff4275b47b/downloadcd316de0001465ae6a8f97acc9f20575MD562220_BIB-Jose David Chvavez Mass.pdf.jpg2220_BIB-Jose David Chvavez Mass.pdf.jpgIM Thumbnailimage/jpeg16968https://repositorio.uniandes.edu.co/bitstreams/05308173-2a68-4aa0-84de-bd349b496adf/download7bff58cb44fa9345b2c6c6bf5c5ebe53MD581992/64455oai:repositorio.uniandes.edu.co:1992/644552024-03-13 14:12:36.301http://creativecommons.org/licenses/by-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |