Régulation du Trafic Urbain par Renforcement Profond

La congestion est considérée comme l'un des problèmes majeurs dans la plupart des grandes villes dans le monde entier et spécifiquement dans les zones urbaines. Elle conduit à plusieurs autres problèmes comme la perte de temps et les longues files d'attente sur les routes qui peuvent provoquer des accidents. Pour la résolution de ce problème, nous proposons un modèle d'apprentissage par renforcement profond avec une représentation d'état qui identifie la position des véhicules dans l'environnement, un ensemble d'actions défini par des configurations de feux de signalisation avec une durée fixe, et une fonction de récompense qui capture la différence des temps d'attente des véhicules entre les actions. Pour mettre en oeuvre le modèle, l'approche d'apprentissage appliquée est le Q-learning combiné à un réseau neuronal profond. Les résultats indiquent que le modèle proposé peut s'adapter à plusieurs situations de circulation et est capable de surpasser le système de feux de signalisation statiques dans les Scénario à faible trafic.