Un investigador de la UPCT resuelve con técnicas de Reinforcement Learning la congestión de las redes vehiculares utilizadas por los Sistemas de Transporte Inteligente.
La progresiva implantación de sistemas de comunicación entre vehículos para prevenir accidentes y atascos conlleva el riesgo de saturar estas vías de información por la elevada cantidad de datos que emite cada vehículo inteligente, un problema que se podrá resolver con las técnicas de aprendizaje por refuerzo (Reinforcement Learning, RL) que propone la tesis con la que Juan Aznar Poveda acaba de doctorarse en Tecnologías de la Información y las Comunicaciones por la UPCT.
“Para controlar la congestión del canal de comunicaciones se suelen ajustar los parámetros de transmisión del vehículo de forma individual, mientras que en esta tesis mostramos las ventajas de ajustar varios parámetros de forma simultánea”, explican los directores de esta investigación doctoral, Esteban Egea y Antonio Javier García.
“El RL es particularmente útil en entornos desconocidos, en los que los vehículos irán aprendiendo el modo óptimo de controlar la congestión conforme vayan circulando”, indica Juan Aznar. “Otra ventaja de los algoritmos planteados en esta tesis es que no requieren infraestructura alguna en carretera, lo que reduce sustancialmente el coste de implementar este tipo de redes de comunicaciones inalámbricas entre vehículos”, añade el nuevo doctor por la Politécnica de Cartagena.
Sistemas de transporte inteligentes
Cada vez más vehículos incorporan de serie Sistemas de Transporte Inteligentes para mejorar la seguridad en carretera, aumentar la eficiencia de la conducción y coordinar el tráfico. Ejemplos de ello son los sistemas de conducción autónoma, de prevención de colisiones, de detección de conducción anómala, de alerta de cambio de carril o de redirección de la ruta a seguir en función del tráfico.
La mayoría de estas aplicaciones están basadas en comunicaciones entre vehículos en las que se transmiten mensajes periódicos sobre la posición, velocidad, aceleración y dirección del vehículo, lo que permite al conjunto de vehículos inteligentes conocer la situación de tráfico de forma precisa y actualizada cada pocos milisegundos, formando lo que se conoce como ‘conciencia cooperativa’. También se notifican por estas redes situaciones de riesgo o inusuales, como accidentes o retenciones.
Y, al igual que en el tráfico rodado, la acumulación de un elevado número de vehículos inteligentes transmitiendo datos puede saturar el canal de comunicaciones y generar congestiones que se traducen en pérdidas significativas de información y riesgos de seguridad vial. La optimización de los mensajes que se envían mediante las técnicas de Inteligencia Artificial que propone esta tesis permitirá a cada vehículo tomar sus propias decisiones hasta que de forma global se resuelva el atasco comunicativo.