PROGETTAZIONE E SVILUPPO DI UN'INFRASTRUTTURA SOFTWARE PER IL MACRO-ROUTING DINAMICO DEL TRAFFICO URBANO TRAMITE DEEP REINFORCEMENT LEARNING

Questa tesi sviluppa un framework basato su Multi-Agent Deep Reinforcement Learning (MARL) per l'ottimizzazione della guida teleoperata. L'obiettivo ingegneristico è consistito nella creazione di un ambiente virtuale robusto, denominato TrafficEnv, in grado di far comunicare in modo asincrono e senza colli di bottiglia il simulatore fisico Eclipse SUMO con la libreria di reti neurali Ray RLlib. Tutto ciò fa da infrastruttura di base per il successivo impiego di strategie cooperative e competitive tra più veicoli per gestire dinamicamente il routing e l'allocazione delle risorse di rete in scenari urbani complessi.