REINFORCEMENT LEARNING E RAMP METERING PARA CONTROLE DE TRÁFEGO DE VIAS DE ACESSO

Os algoritmos de aprendizado por reforço, ou Reinforcement Learning em inglês, padrão provaram ser ferramentas eficazes para permitir que um agente aprenda com suas experiências geradas por sua interação com um ambiente. Entre outros, os algoritmos de RL são interessantes porque não requerem um modelo explícito do ambiente de antemão e o aprendizado acontece por tentativa e erro. Esta propriedade os torna adequados para problemas de controle real como controle de tráfego. Neste trabalho, técnicas de RL serão utilizadas em conjunto com a técnica de controle de tráfego de medição de rampa, ou Ramp Metering em inglês, para controlar a taxa de penetração de veículos na via principal. Com isso, espera-se que seja capaz de atenuar os efeitos de fusão dos veículos e diminuir o tempo de viagem dos veículos e o comprimento da fila dos veículos da rampa de acesso.