PROGETTAZIONE, SIMULAZIONE E VALIDAZIONE DI UN SISTEMA DI CONTROLLO SEMAFORICO ADATTIVO PER UN INCROCIO URBANO DI BARI MEDIANTE DEEP REINFORCEMENT LEARNING

Con il numero sempre crescente di veicoli sulle nostre strade la necessità di ottimizzare i flussi di traffico diventa fondamentale per scongiurare le problematiche che vanno a gravare sulle infrastrutture stradali. Non di seconda importanza sono i rischi relativi ad automobilisti e pedoni, come dimostrato dalle statistiche della "World Health Organization" che riportano una leggera diminuzione dei decessi per traffico stradale grazie all’applicazione di misure di prevenzione moderne. Tuttavia gli incidenti stradali rimangono il principale fattore di morte per le persone di età compresa tra i 5 e i 29 anni. Altra problematica è il rallentamento del traffico stradale con il conseguente generarsi di ingorghi, che portano a uno spreco di carburante, nonché ad aumento delle spese da parte degli automobilisti, come riportato da "INRIX global traffic scorecard". Parte fondamentale del processo di ottimizzazione risiede nell'efficientamento del traffico in punti critici come gli incroci stradali con controllo semaforico riponendo particolare attenzione a quelli che presentano attraversamenti pedonali e piste ciclabili. I sistemi di controllo tradizionali (Traffic Signal Control - TSC ), basati su cicli semaforici prefissati e statici, non si adattano alle variazioni dinamiche e stocastiche dei flussi di traffico. Sistemi di TSC più aggiornati possono affrontare variazioni in tempo reale del traffico tramite rilevatori di loop del veicolo o pulsanti pedonali. Tuttavia sono sistemi che fanno affidamento su modelli semplificati di traffico e i dati ottenuti tramite dispositivi di questo tipo non sono sufficienti per prevedere i flussi veicolari. Una soluzione moderna ed efficiente che permette l’utilizzo delle enormi quantità di dati generati dai dispositivi IoT è quella che prevede l’utilizzo di tecniche di Machine Learning. Nel contesto di TSC si fa riferimento a una branca del Machine Learning, ovvero il Reinforcement Learning (RL), in particolare a una sua estensione (Deep Reinforcement Learning- DRL) basata sull’utilizzo di reti neurali profonde. Il focus di questo lavoro è l’applicazione di un algoritmo di Proximal Policy Optimization (PPO) alla gestione di un incrocio semaforico. La scelta dell’utilizzo di PPO deriva dalla necessità di utilizzare un algoritmo in grado di apprendere policy stabili in ambienti dinamici e fortemente stocastici come quelli legati al traffico urbano.