Gestión inteligente de semáforos mediante visión y aprendizaje por refuerzo
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13792Palabras clave:
Sistemas de control de tráfico, Control mediante aprendizaje por refuerzo, Sistemas inteligentes de transporte, Sistemas multi-agente, Modelado y simulación de sistemas de transporte, Movilidad urbanaResumen
La congestión del tráfico urbano constituye uno de los principales retos de las ciudades modernas. Los sistemas tradicionales de control de semáforos, basados en tiempos fijos, no se adaptan a las variaciones dinámicas del tráfico. Este trabajo presenta un agente autónomo de control de semáforos basado en aprendizaje por refuerzo profundo (DRL) que utiliza únicamente imágenes fotorrealistas de la intersección como entrada, eliminando la dependencia de costosas infraestructuras de sensores. La validación se realiza en una plataforma de co-simulación que combina CARLA, para el realismo visual, y SUMO, para la dinámica microscópica del tráfico. Los resultados muestran reducciones del tiempo de espera de hasta el 22,68% en la intersección de entrenamiento, una mejora del 23,76% al reentrenar el agente en una intersección con topología distinta y una sinergia positiva en escenarios multi-agente, donde la cooperación entre intersecciones adyacentes mejora la recompensa hasta un 59,78%.
Referencias
Arulkumaran, K., Deisenroth, M. P., Brundage, M., Bharath, A. A., 2017. Deep reinforcement learning: A brief survey. IEEE Signal Processing Magazine 34 (6), 26–38. DOI: 10.1109/MSP.2017.2743240
Benhamza, K., Seridi, H., Agguini, M., Bentagine, A., 2024. A multi-agent reinforcement learning based approach for intelligent traffic signal control. Evolving Systems 15 (6), 2383–2397. DOI: 10.1007/s12530-024-09622-4
Bouktif, S., Cheniki, A., Ouni, A., El-Sayed, H., 2023. Deep reinforcement learning for traffic signal control with consistent state and reward design approach. Knowledge-Based Systems 267, 110440. DOI: 10.1016/j.knosys.2023.110440
Cai, C., Wei, M., 2024. Adaptive urban traffic signal control based on enhanced deep reinforcement learning. Scientific Reports 14. DOI: 10.1038/s41598-024-64885-w
Dosovitskiy, A., Ros, G., Codevilla, F., Lopez, A., Koltun, V., 2017. CARLA: An open urban driving simulator. In: Proceedings of the 1st Annual Conference on Robot Learning. pp. 1–16.
Eom, M., Kim, B.-I., 2020. The traffic signal control problem for intersections: a review. European Transport Research Review 12, 1–20. DOI: 10.1186/s12544-020-00440-8
Huber, P. J., 1964. Robust estimation of a location parameter. The Annals of Mathematical Statistics 35 (1), 73–101. DOI: 10.1214/aoms/1177703732
Kingma, D. P., Ba, J., 2014. Adam: A method for stochastic optimization. CoRR abs/1412.6980.
Lee, J., Chung, J., Sohn, K., 2020. Reinforcement learning for joint control of traffic signals in a transportation network. IEEE Transactions on Vehicular Technology 69, 1375–1387. DOI: 10.1109/TVT.2019.2962514
Li, D., Wu, J., Xu, M., Wang, Z., Hu, K., 2020. Adaptive traffic signal control model on intersections based on deep reinforcement learning. Journal of Advanced Transportation. DOI: 10.1155/2020/6505893
Liang, X., Du, X., Wang, G., Han, Z., 2019. A deep reinforcement learning network for traffic light cycle control. IEEE Transactions on Vehicular Technology 68 (2), 1243–1253. DOI: 10.1109/TVT.2018.2890726
Lieberthal, E. B., Serok, N., Duan, J., Zeng, G., Havlin, S., 2024. Addressing the urban congestion challenge based on traffic bottlenecks. Philosophical Transactions of the Royal Society A 382 (2285), 20240095. DOI: 10.1098/rsta.2024.0095
Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Flötteröd, Y.-P., Hilbrich, R., Lücken, L., Rummel, J., Wagner, P., Wiessner, E., 2018. Microscopic traffic simulation using SUMO. In: 21st International Conference on Intelligent Transportation Systems. pp. 2575–2582. DOI: 10.1109/ITSC.2018.8569938
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A., Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., Hassabis, D., 2015. Human-level control through deep reinforcement learning. Nature 518 (7540), 529–533. DOI: 10.1038/nature14236
Robertson, D. I., Bretherton, R. D., 1991. Optimizing networks of traffic signals in real time—the SCOOT method. IEEE Transactions on Vehicular Technology 40 (1), 11–15. DOI: 10.1109/25.69966
Sims, A. G., Dobinson, K. W., 1980. The Sydney coordinated adaptive traffic (SCAT) system philosophy and benefits. IEEE Transactions on Vehicular Technology 29 (2), 130–137. DOI: 10.1109/T-VT.1980.23833
Sutton, R. S., Barto, A. G., 2018. Reinforcement Learning: An Introduction, 2nd Edition. The MIT Press.
Tomar, I., Indu, S., Pandey, N., 2022. Traffic signal control methods: Current status, challenges, and emerging trends. In: Proceedings of Data Analytics and Management. Springer Nature Singapore, pp. 151–163. DOI: 10.1007/978-981-16-6289-8_14
TomTom International BV, 2025. Traffic index ranking. https://www.tomtom.com/traffic-index/ranking/
United Nations, 2018. World urbanization prospects: The 2018 revision. Tech. rep., United Nations, Department of Economic and Social Affairs.
Zaghal, R., Thabatah, K., Salah, S., 2018. Towards a smart intersection using traffic load balancing algorithm. Proceedings of Computing Conference 2017, 485–491. DOI: 10.1109/SAI.2017.8252141
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Diego Caballero, Jaime Villa, Rubén Fernández, Mohamed Abderrahim, Araceli Sanchis, José María Armingol
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
