⚡ electrical engineering

Adaptive traffic signal control optimization using a novel road partition and multi-channel state representation method

Questo studio propone un metodo innovativo di controllo adattivo dei semafori che combina reti neurali profonde (DQN e PPO) con una nuova partizione stradale a celle variabili e una rappresentazione dello stato multicanale, dimostrando attraverso simulazioni Sumo-TensorFlow-Python prestazioni di ottimizzazione superiori rispetto agli approcci a celle fisse.

Autori originali: Maojiang Deng, Shoufeng Lu, Jiazhao Shi, Wen Zhang

Pubblicato 2026-02-16

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Maojiang Deng, Shoufeng Lu, Jiazhao Shi, Wen Zhang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🚦 Il Problema: Il semaforo "cieco" e il traffico che impazzisce

Immagina un semaforo come un guardiano di un incrocio che deve decidere chi far passare e chi fermare.
Nella vita reale, i semafori tradizionali sono un po' come guardiani che guardano solo un punto fisso davanti a loro (dove c'è la striscia pedonale). Se vedi un'auto proprio lì, la fermi. Ma se c'è un'auto a 200 metri di distanza che sta arrivando veloce? Il guardiano non la vede e continua a far passare il traffico dall'altra parte, creando ingorghi.

Inoltre, i vecchi sistemi usano regole rigide: "Se c'è una macchina, aspetta 10 secondi". Non tengono conto di quanto è veloce l'auto, quante ce ne sono in fila o quanto consumano di benzina.

🧠 La Soluzione: Un "Super-Cervello" che vede tutto

Gli autori di questo studio hanno creato un nuovo sistema per i semafori basato sull'Intelligenza Artificiale (AI). Immagina di sostituire il guardiano umano con un super-cervello digitale che ha due superpoteri speciali:

1. La "Lente Magica" che si adatta (Partizione della strada variabile)

Il primo grande problema è: "Quanto lontano deve guardare il semaforo?".

I sensori moderni (come telecamere radar) possono vedere fino a 500 metri.
I sensori vecchi vedono solo 150 metri.

Se addestri un'intelligenza artificiale su un semaforo che vede 500 metri, e poi provi a metterla su un semaforo che vede solo 150 metri, il cervello va in tilt perché "vede" cose diverse.

La soluzione degli autori è geniale:
Invece di dividere la strada in mattoni tutti uguali (come un pavimento piastrellato), hanno inventato una formula matematica che divide la strada in mattoni di dimensioni diverse:

Vicino al semaforo: I mattoni sono piccolissimi (come un microscopio). Perché? Perché qui le auto sono critiche: se si fermano, bloccano tutto subito. Serve precisione millimetrica.
Lontano dal semaforo: I mattoni diventano sempre più grandi (come un telescopio). Perché? Perché un'auto lontana ha meno impatto immediato.

L'analogia: Immagina di leggere un libro. Quando sei vicino alla pagina, leggi lettera per lettera (mattoni piccoli). Quando guardi il titolo in alto, leggi parola per parola (mattoni grandi).
Grazie a questo sistema, il "cervello" impara a contare 10 mattoni (cellule), che siano lunghi 300 metri totali o 500 metri totali. Il cervello non cambia, cambia solo la "lunghezza" di ogni mattone. Questo permette di prendere un semaforo intelligente addestrato in una città e spostarlo in un'altra città con sensori diversi, e funzionerà subito!

2. Gli "Occhi a 360 gradi" (Rappresentazione a più canali)

I vecchi semafori chiedevano al computer solo: "Quante macchine ci sono?".
Questo nuovo sistema chiede tre cose contemporaneamente, come se avesse tre occhi che guardano la stessa strada:

Occhio 1 (Conteggio): Quante macchine ci sono in ogni mattone?
Occhio 2 (Velocità): Quanto sono veloci? (Se sono ferme, è un problema; se corrono, è meglio).
Occhio 3 (Occupazione): Quanto spazio occupano? (C'è una fila lunga o sono sparse?).

È come se il semaforo non vedesse solo "macchine", ma capisse la storia del traffico: "Ehi, c'è una folla di auto lente che si sta avvicinando, devo prepararmi a fermare il traffico incrociato!".

🏆 La Gara: Chi vince?

Gli autori hanno messo alla prova due tipi di "cervelli" (algoritmi) in una simulazione al computer (un videogioco di traffico molto realistico):

DQN: Un cervello che impara per tentativi ed errori (come un bambino che impara a pedalare).
PPO: Un cervello più sofisticato che impara guardando le conseguenze delle sue azioni in modo più stabile (come un ciclista esperto che sa già come bilanciare).

I risultati:

Il sistema PPO con la "Lente Magica" (mattoni variabili) ha vinto a mani basse.
Ha ridotto le code di auto e i tempi di attesa molto meglio dei semafori normali e meglio anche dei sistemi intelligenti che usano mattoni tutti uguali.
Ha anche fatto risparmiare benzina, perché le auto hanno dovuto fermarsi e ripartire meno spesso.

💡 Perché è importante per noi?

Risparmio di tempo: Meno tempo fermo al semaforo significa meno stress per chi guida.
Ambiente: Meno fermate e ripartenze significano meno fumo e meno CO2.
Flessibilità: La vera rivoluzione è che questo sistema può essere installato ovunque, anche se i sensori della città sono vecchi o nuovi, corti o lunghi. Non serve riaddestrare il computer da zero ogni volta.

In sintesi: Hanno creato un semaforo intelligente che non guarda solo "dove sei", ma "quanto sei lontano" e "come ti muovi", adattando la sua vista come una telecamera zoomabile. Il risultato è un traffico più fluido, veloce e pulito.

Titolo: Ottimizzazione del controllo adattivo dei semafori tramite una nuova partizione stradale e un metodo di rappresentazione dello stato multicanale

1. Problema e Contesto

La congestione del traffico agli incroci urbani rappresenta una sfida significativa per l'efficienza degli spostamenti, aggravando problemi come le emissioni di carbonio e il consumo energetico. Sebbene i sensori di traffico tradizionali (loop, microonde) forniscano metriche aggregate (flusso, velocità media), spesso ignorano la posizione spaziale e il comportamento dinamico dei veicoli.
I recenti progressi nell'intelligenza artificiale (IA) e nei sensori radar-video (capaci di rilevare parametri fino a 500 metri) offrono nuove opportunità. Tuttavia, esistono due lacune principali nella ricerca attuale:

Disallineamento dei dati: I metodi di partizione stradale esistenti (spesso a celle fisse) non tengono conto della variabile portata di rilevamento dei sensori, creando un disallineamento tra i parametri di input dei modelli AI addestrati e le capacità reali di rilevamento.
Scarsa generalizzazione: I modelli di controllo del traffico richiedono un addestramento specifico per ogni incrocio, limitando la loro capacità di trasferirsi ad altre intersezioni con configurazioni diverse.

2. Metodologia

Il paper propone un framework di controllo adattivo basato sul Deep Reinforcement Learning (DRL) che integra una nuova strategia di rappresentazione dello stato e una partizione stradale dinamica.

Rappresentazione dello Stato Multicanale:
Lo stato del traffico è astratto come un tensore tridimensionale (simile a un'immagine), composto da tre canali per ogni cella della strada:
1. Numero di veicoli.
2. Velocità media dei veicoli.
3. Occupazione dello spazio (rapporto tra la somma delle lunghezze dei veicoli e la lunghezza della cella).
  Questi dati vengono normalizzati storicamente per garantire la convergenza del modello.
Nuovo Metodo di Partizione Stradale (VCL - Variable Cell Length):
A differenza delle partizioni a lunghezza fissa, il paper introduce una formula ibrida che combina funzioni logaritmiche e lineari per determinare la lunghezza delle celle ( $f(x) = a \ln(x + 1) + bx$ ).
- Logica: Le celle sono più corte vicino alla linea di arresto (dove l'impatto sul timing del semaforo è maggiore) e diventano progressivamente più lunghe man mano che ci si allontana.
- Adattabilità: La formula calcola automaticamente le lunghezze delle celle in base al raggio di rilevamento del sensore ( $d$ ) e al numero desiderato di celle ( $n$ ). Questo permette di discretizzare qualsiasi portata di rilevamento nello stesso numero di celle, mantenendo la struttura dello stato invariata.
Spazio delle Azioni e Funzione di Ricompensa:
- Azioni: 8 fasi semaforiche discrete (es. rettilineo est-ovest, svolta a sinistra, ecc.). Ogni fase selezionata viene eseguita con un tempo verde fisso (15 secondi).
- Ricompensa: Una funzione ponderata che considera i tempi di attesa, la velocità e il consumo di carburante. I tempi di attesa e il consumo di carburante hanno pesi negativi (penalità), mentre la velocità ha un peso positivo.
Algoritmi di Addestramento:
Il sistema è stato implementato e confrontato utilizzando due algoritmi principali:
- DQN (Deep Q-Network): Utilizza una rete neurale convoluzionale (CNN) per estrarre caratteristiche spaziali dai dati multicanale.
- PPO (Proximal Policy Optimization): Utilizza un'architettura Actor-Critic con una funzione obiettivo "clippata" per garantire aggiornamenti stabili della politica.

3. Contributi Chiave

Formula di Partizione Adattiva: Sviluppo di una formula matematica che permette di adattare la discretizzazione della strada a qualsiasi portata di sensore mantenendo costante il numero di celle. Questo risolve il problema della generalizzazione del modello.
Rappresentazione Multicanale: Introduzione di uno stato di input che combina posizione, velocità e occupazione, offrendo una visione più completa del sistema di traffico rispetto alle metriche aggregate tradizionali.
Validazione della Trasferibilità: Dimostrazione che un modello addestrato su un intervallo di rilevamento specifico (es. 300m) può essere trasferito direttamente a un intervallo diverso (es. 500m) senza ri-addestramento, grazie alla coerenza semantica della partizione variabile.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti utilizzando il simulatore microscopico SUMO integrato con TensorFlow e Python.

Confronto di Performance: Il modello VCL-PPO (con celle variabili e stato multicanale) ha ottenuto le prestazioni migliori sia in termini di lunghezza cumulativa della coda che di tempo di attesa, superando i modelli con celle fisse (FCL-PPO) e i modelli senza discretizzazione.
DQN vs PPO: In questo contesto specifico, PPO ha mostrato una maggiore stabilità e convergenza rispetto a DQN, probabilmente a causa della sua capacità di gestire segnali di ricompensa rumorosi e vincoli sequenziali nelle fasi semaforiche.
Valutazione di Trasferibilità Cross-Range: Un modello addestrato con un raggio di rilevamento di 300m è stato applicato direttamente a un incrocio con raggio di 500m. Il modello ha mantenuto prestazioni superiori rispetto ai semafori a tempo fisso, confermando l'efficacia della partizione adattiva nel decouplare la politica appresa dalla scala fisica assoluta.
Flussi Stocastici: In scenari con flussi di traffico altamente variabili, il modello ha mostrato oscillazioni iniziali e una convergenza più lenta (circa 1000 episodi), indicando una maggiore complessità di campionamento rispetto ai flussi fissi.

5. Significato e Implicazioni

Questo studio fornisce un approccio pratico e scalabile per l'ottimizzazione dei semafori nelle città intelligenti.

Interoperabilità: La capacità di adattare il modello a diversi sensori (loop, video, radar) senza ri-addestramento riduce drasticamente i costi di implementazione e manutenzione.
Efficienza Energetica e Ambientale: Migliorando il flusso del traffico e riducendo le code, il metodo contribuisce direttamente alla riduzione delle emissioni e del consumo di carburante.
Fondazione per il Futuro: Sebbene lo studio si concentri su DQN e PPO, il framework è agnostico rispetto all'algoritmo, aprendo la strada all'integrazione futura con modelli più avanzati (es. basati su grafi o meccanismi di attenzione) per gestire reti di incroci più complesse.

In sintesi, l'integrazione di una partizione stradale variabile e di una rappresentazione dello stato ricca di informazioni permette di creare sistemi di controllo del traffico più robusti, generalizzabili ed efficienti.