Modelado de comportamiento de conductores con técnicas de Inteligencia Computacional

Resumen

El tráfico por carretera es un sistema complejo cuyo estudio requiere la inmersión en el sistema físico o bien su simulación. Si el objetivo es abarcar el mayor número posible de casos abstrayéndose de los límites de la realidad física, la opción es el uso de micro-simuladores. En general, este tipo de simuladores están basados en arquitecturas de Sistemas Multiagente (MASs, Multiagent Systems) donde cada elemento es modelado individualmente. El incremento de los recursos computacionales nos permite aumentar la complejidad de las simulaciones, pero los agentes que modelan a los conductores se suelen basar en funciones simplificadas de su comportamiento real. Esto provoca que dichos modelos se adapten poco al comportamiento de un conductor en concreto. Por otro lado, estamos viviendo una época donde los avances de la Inteligencia Computacional (CI, Computational Intelligence) en predicción, clasificación y modelización están siendo abrumadores. Esto hace pensar que la aplicación de estas técnicas en “agentes conductores” pueda hacer que se comporten “mejor” (en el sentido “más humano”), permitiendo un mejor análisis del tráfico y sus componentes. Esta tesis explora cómo la inteligencia computacional, aplicada a la modelización de conductores, puede mejorar las simulaciones de tráfico, en el sentido de hacer más reales sus resultados. Concretamente, se centra en técnicas basadas en Redes Neuronales Artificiales (ANNs, Artificial Neural Networks) y Sistemas De Control Borroso (FCSs, Fuzzy Control Systems) para estudiar cómo se comportan las diferentes técnicas al reproducir comportamientos humanos en micro-simuladores a partir de datos reales. El estudio se centra en dos características existentes en este tipo de simulaciones: el comportamiento longitudinal y el control lateral (cambio de carril). Se concluye que las técnicas basadas en redes neuronales artificiales son claramente superiores a la hora de modelar el comportamiento en estas tareas, y dentro de ellas, las Redes Convolucionales (CNNs, Convolutional Neural Networks) son idóneas frente a los Perceptrones Multicapa (MLPs, Multilayer Perceptrons) interpretando el entorno del vehículo. Las implicaciones de estos resultados son variadas. Aún con las limitaciones que nos imponen los microsimuladores, es posible modelar estos dos comportamientos a partir de datos reales con precisión suficiente como para decir que los agentes se comportan de manera más humana. Además, estos comportamientos son dependientes de los perfiles de conductor que se utilizaron como referencia para obtener los datos, por lo que es posible su uso no sólo para modelar comportamiento más humanos, sino para evaluar determinados perfiles dentro de escenarios. ----------ABSTRACT---------- Traffic might be conceived as a complex system, the study of which requires immersion in the real system or its simulation. If the goal is to obtain greater behavior trustworthiness or to evaluate a specific element in this environment, the better choice is the use of micro-simulators, commonly based in Multiagent Systems architectures, in which each element is modelled separately. The increase in computational resources allows us to enhance the complexity of the simulations over time, but modelled driver agents are typically based on functions, more or less complex, that which have nothing to do with a true driver’s behaviour. This causes that those models does not adapt to a particular driver. On the other hand, we are living in a thriving era with regard to Computational Intelligence progress, such as prediction, classification and modelization. This makes us wonder whether the application of this techniques in driver agents could yield better results (“better” as “more human”), allowing us to obtain a better traffic and driver agents analysis. The present thesis explores how real drivers modelled computational intelligence could improve traffic simulation making their results more close to reality as possible. Specifically, it focuses on Artificial Neural Network based techniques and Fuzzy Control Systems. It will study how different techniques mimic human behaviour inside micro-simulators, based on real driver’s data. The study focuses into two existent characteristics inside this type of simulations: the longitudinal and lanechange behaviours. The study concludes that artificial neural network based techniques are far superior in modelling human behaviour. In lane-change the best among them are Convolutional Neural Networks, which are better in perceiving the surrounding environment patterns than Multilayer Perceptrons. The implications of these findings are varied. Micro-simulators have some limitations, but it is possible to accurately modellate those behaviours based on real data in order to agents act more humanly. In addition, those behaviours are driver profile dependents, consequently it is possible to use them not only for modelling more human behaviour, but also to evaluate those profiles inside certain situations.