Gestion opérante du trafic routier par méthode d’apprentissage

Abstract

Les embouteillages constituent un problème majeur dans les zones urbaines, affectant la mobilité, la sécurité et l’environnement de la population. Les feux de signalisation tradi- tionnels sont souvent incapables de faire face aux conditions dynamiques et complexes du trafic, ce qui se traduit par un contrôle inefficace et sous-optimal. Il est donc nécessaire de trouver une solution intelligente capable de s’adapter à la situation du trafic en temps réel et d’optimiser la synchronisation des feux de circulation. Notre objectif dans ce travail est de proposer un contrôleur de feux de circulation intelli- gent et adaptatif utilisant les techniques d’Apprentissage par Renforcement Multi-Agent (MARL) et de Deep Q-Learning (DQL). Le principal avantage de notre système est sa capacité à s’adapter des volumes de trafic importants et hétérogènes, y compris les véhicules prioritaires et les poids lourds, et sa capacité à coordonner et à coopérer avec des multiples intersections pour améliorer les performances du réseau et réduire les congestions. Les résultats obtenus, avec la plateforme SUMO, permettent de souligner l’efficacité du modèle proposé.