Resumen de Contribución al aumento de la capacidad cognitiva de los sistemas inteligentes de transporte mediante inteligencia artificial"
Resumen de la tesis:
Los Sistemas Inteligentes de Transporte (SIT) son un sector emergente dentro del área de investigación del transporte urbano. Se espera que la mayor capacidad cognitiva de los SIT permita crear ciudades y entornos futuros en los que las personas estén más seguras y tengan una mejor calidad de vida, además de ofrecer un uso más eficiente de los recursos, y una mayor seguridad.
La capacidad cognitiva de los SIT es la habilidad de estos sistemas para razonar, tomar decisiones, aprender y adaptarse, e interactuar con las personas, los vehículos y las infraestructuras en las que operan. Esta capacidad puede mejorarse mediante un uso adecuado de las tecnologías de la información y las comunicaciones, así como de algoritmos de Inteligencia Artificial (IA) centrados en la comprensión del mundo físico y social en el que actúan con el objetivo principal de optimizar los sistemas de transporte, reducir costes, mejorar la eficiencia y proporcionar una mayor calidad de vida a la sociedad.
Esta tesis se centra en un requisito clave para lograr un alto nivel de capacidad cognitiva: el desarrollo y despliegue de agentes cognitivos que puedan comunicarse, cooperar y comprender el comportamiento dinámico del conjunto urbano y así poder aprender, adaptarse y actuar en este entorno dinámico. De este modo, el objetivo que persigue este trabajo es proporcionar una clara comprensión de los retos del área de investigación de los SIT y, en particular, su relación con el campo de la IA, para proporcionar una mejor comprensión del estado actual de la técnica y su potencial para el futuro.
Para esto, en primer lugar, tras analizar las bondades que pueden ofrecer las redes ad-hoc voladoras formadas por vehículos aéreos no tripulados como drones, la tesis aborda la mejora de la capacidad cognitiva de los SIT centrada en las intersecciones de tráfico mediante técnicas de optimización basadas en IA. Es decir, cómo los SIT pueden contribuir a mejorar la comprensión de la dinámica física y social en intersecciones urbanas permitiendo optimizar la eficiencia de uso de estos sistemas. En segundo lugar, se discute la importancia de la interacción entre los SIT y los vehículos autónomos conectados (VACs), y cómo estos sistemas pueden beneficiarse mutuamente utilizando sistemas de comunicaciones móviles avanzados (5G - 6G) e inteligencia colectiva. Más concretamente, se explorará el uso de varios algoritmos de IA pertenecientes al campo del aprendizaje de refuerzo profundo multiagente (Multi Agent Deep Reinforcement Learning, MADRL). Todos estos avances se apoyan en el desarrollo de nuevos sistemas que aprovechan las bondades que ofrecen las redes ad-hoc voladoras, así como en técnicas de estimación de densidades de personas basadas en el estudio de los distintos canales de comunicación inalámbricos (Bluetooth, WiFi).
Los principales logros obtenidos durante el desarrollo de esta tesis son: i) la investigación sobre la interoperabilidad de los VACs y los SIT a través de sistemas de comunicación avanzados como el 5G y el 6G y los algoritmos MADRL para el desarrollo de varios algoritmos de control cooperativo descentralizado de vehículos autónomos. Estos algoritmos son capaces de encontrar una política de control cooperativa robusta que aprovecha las ventajas que ofrece la inteligencia colectiva y permite reducir el tiempo de espera en las intersecciones en más de un 90%, entre otras mejoras. Además, con la integración de estos sistemas dentro de las redes de comunicaciones 5G/6G, se ha desarrollado un marco de trabajo para facilitar el despliegue real de estos sistemas, así como un algoritmo de control que consideraba la latencia que pueden ofrecer estos sistemas y era capaz de adaptar la política de control a las fluctuaciones de rendimiento ofreciendo un control robusto y seguro; ii) el desarrollo de un algoritmo que permite acelerar el entrenamiento de los sistemas basados en MADRL gracias al entrenamiento por demostración que ofrece un agente llamado Oráculo, entrenado mediante aprendizaje por imitación, permitiendo reducir el tiempo de entrenamiento de los nuevos sistemas basados en MADRL hasta en ×6; y iii) la implementación de un sistema avanzado de control de intersecciones de tráfico mediante el uso de diferentes técnicas de optimización basadas en IA (como los algoritmos genéticos). Este sistema reduce el tiempo de espera de los vehículos en las intersecciones hasta un 80%, y un 20% de las emisiones de gases contaminantes, entre otras mejoras.
Los resultados de estos proyectos de investigación desarrollados durante la realización de esta tesis permitirán avanzar el camino de los desarrollos de SIT en el mundo real, permitiendo crear una movilidad urbana segura y sostenible con la integración de los VAC en su núcleo.
https://repositorio.bib.upct.es/handle/10317/11206
