Sintesi Tecnica: Inferenza Attiva per il Controllo Adattivo dei Segnali Stradali in Ambienti IoT Rumorosi e Non Stazionari

1. Definizione del Problema

Il controllo dei segnali strali urbani affronta sfide significative nelle implementazioni reali, dove i dati dei sensori sono spesso incompleti, rumorosi e soggetti a modelli di domanda non stazionari. I controller tradizionali basati su regole mancano di flessibilità in condizioni imprevedibili, mentre gli approcci di apprendimento per rinforzo profondo (DRL), sebbene potenti, richiedono estesi dati di addestramento e soffrono di problemi di interpretabilità "black-box", rendendoli difficili da sottoporre a audit. Inoltre, la rilevazione IoT nelle intersezioni è compromessa dall'occlusione dei sensori (ad esempio, da veicoli pesanti), dall'attenuazione dovuta alle condizioni meteorologiche avverse e da interruzioni infrastrutturali stocastiche (ad esempio, incidenti). Il documento affronta la necessità di un controller per i segnali strali che rimanga efficace in queste condizioni di parziale osservabilità e rumorosità, offrendo al contempo un processo decisionale tracciabile.

2. Metodologia

Gli autori propongono un controller basato sull'Inferenza Attiva (AIF) per un'intersezione a quattro bracci. A differenza dei normali paradigmi di controllo che separano percezione e azione, l'AIF inquadra entrambi come un processo unificato di minimizzazione dell'Energia Libera Attesa (EFE).

Framework Core

L'agente opera in passi temporali discreti $t$, mantenendo credenze posteriori approssimate $q(s_t)$ sugli stati nascosti $s_t$ (livelli di congestione del traffico) basate sulle osservazioni $o_t$. La politica $\pi$ seleziona le azioni (fasi: verde Nord-Sud o Est-Ovest) per minimizzare l'EFE, definito come:
$$G(\pi) \triangleq -[PV(\pi) + \lambda EV(\pi)]$$
Dove:

• Valore Pragmatico ($PV$): Premia le osservazioni che corrispondono alle preferenze (ad esempio, bassa congestione, basse emissioni).
• Valore Epistemico ($EV$): Premia le osservazioni che riducono l'incertezza sugli stati nascosti (esplorazione).
• $\lambda$: Una costante di ponderazione che bilancia i due valori.

Istanziazione del Sistema

• Spazio degli Stati: Gli stati nascosti sono discretizzati in sei livelli di congestione (da "molto basso" a "ingorgo") per ogni direzione (NS e EW).
• Osservazioni: Vettori contenenti conteggi di veicoli rumorosi, emissioni di CO2 cumulative e conteggi di autobus. Il modello di osservazione è una Gaussiana multivariata condizionata allo stato.
• Dinamiche di Transizione: Due matrici di transizione specificate manualmente ($T_{red}$ e $T_{green}$) codificano l'intuizione che le fasi verdi riducano la congestione mentre le fasi rosse la aumentino.
• Modellazione del Rumore: L'ambiente sperimentale simula guasti IoT realistici, tra cui:
  • Occlusione dei Sensori: Veicoli pesanti che bloccano la rilevazione.
    // Attenuazione Meteorologica: Riduzione della probabilità di rilevazione durante condizioni meteo avverse.
  • Incidenti Stocastici: Blocchi casuali che congelano il flusso del traffico.

Baseline di Confronto

Il controller AIF è confrontato con:

1. Euristica basata su Regole: Un sistema di punteggio di priorità con bonus fissi per gli autobus e bias per la strada principale.
2. Deep Q-Network (DQN): Un agente DRL standard addestrato con esperienza di replay ed esplorazione $\epsilon$-greedy, ottimizzato per lo stesso funzione di ricompensa (minimizzazione del tempo di attesa, delle emissioni e del carico degli autobus).

3. Contributi Principali

Il documento presenta tre contributi primari:

1. Ambiente di Simulazione: Progettazione di un ambiente di simulazione basato su SUMO che modella le condizioni di rilevazione IoT rumorose e non stazionarie, inclusi occlusione dei sensori, attenuazione meteorologica e incidenti stocastici.
2. Sviluppo del Controller AIF: Implementazione di un controller AIF che seleziona dinamicamente le fasi del segnale minimizzando l'EFE su credenze gaussiane riguardanti congestione, emissioni e presenza di trasporto pubblico.
3. Valutazione Comprensiva: Un confronto rigoroso attraverso quattro scenari di crescente disturbo ambientale (dai dati puliti al rumore/incidenti completi) e 100 semi casuali indipendenti, analizzando i trade-off tra efficienza, emissioni e stabilità della politica.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su 3.600 secondi di tempo di simulazione per scenario. Le scoperte chiave includono:

• Performance in Alta Distorsione (Scenario 4):

  • Tempo di Attesa (Idle Time): L'AIF ha ottenuto il minor tempo di attesa cumulativo (56.977 s) rispetto a DQN (71.741 s) e alla baseline basata su regole (72.247 s).
  • Emissioni: L'AIF ha prodotto le minori emissioni totali di CO2 (29,12 kg) rispetto a DQN (30,56 kg) e all'approccio basato su regole (31,53 kg).
  • Robustezza: L'AIF ha mantenuto un tempo di attesa medio inferiore rispetto a DQN anche nello scenario più rumoroso, mentre le prestazioni del DQN sono degradate significativamente sotto piena distorsione.

• Performance in Bassa Distorsione (Scenari 1–3):

  • Il DQN ha generalmente superato l'AIF negli Scenari 1 e 3 (ad esempio, 5.305 s rispetto a 7.287 s di tempo di attesa nello Scenario 3), probabilmente a causa dell'addestramento specifico per scenario.
  • L'AIF ha superato il DQN nello Scenario 2 (7.341 s rispetto a 8.385 s).
  • In tutti gli scenari, sia l'AIF che il DQN hanno superato significativamente la baseline basata su regole (circa dimezzando il tempo di attesa cumulativo).

• Trade-off:

  • Priorità Autobus: L'AIF ha avuto un tasso di servizio della priorità bus inferiore (80,5–82,0%) rispetto a DQN (84,6–89,7%) e al sistema basato su regole. Ciò è attribuito alla funzione di valore pragmatico che privilegia la riduzione della congestione generale rispetto a tipi di veicoli specifici, poiché gli autobus costituiscono una piccola frazione del traffico totale.
  • Cambio di Fase: L'AIF ha cambiato le fasi più frequentemente (261–278 cambi) rispetto a DQN (177–266) o al sistema basato su regole, indicando una risposta più dinamica all'incertezza.

• Stabilità: L'AIF ha dimostrato una varianza (deviazione standard) inferiore nel tempo di attesa tra i semi negli Scenari 1 e 2, mentre il DQN ha mostrato distribuzioni più strette negli Scenari 3 e 4.

5. Significato e Rivendicazioni

Il documento sostiene che l'Inferenza Attiva offre un'alternativa fondata all'apprendimento per rinforzo profondo per il controllo adattivo del traffico, in particolare in ambienti caratterizzati da osservabilità parziale e non stazionarietà.

• Generalizzazione Zero-Shot: A differenza del DQN, che richiede un addestramento preventivo esteso per scenari specifici, il controller AIF opera senza una fase di pre-addestramento. La sua capacità di eguagliare o superare le prestazioni del DQN in ambienti rumorosi senza addestramento specifico per scenario suggerisce che il termine del valore epistemico nell'obiettivo EFE fornisca un vantaggio strutturale per la gestione dell'incertezza.
• Auditabilità: Un vantaggio significativo evidenziato è la tracciabilità della pipeline AIF. Ogni fase — dalle credenze posteriori ai componenti specifici dell'EFE (pragmatico vs epistemico) — è esplicita e ispezionabile. Ciò affronta le sfide di verifica "black-box" associate al DRL, permettendo agli operatori di capire perché una specifica fase è stata scelta.
• Viabilità: I risultati suggeriscono che l'AIF è un'alternativa valida all'apprendimento per rinforzo per il controllo adattivo del traffico, capace di bilanciare molteplici obiettivi (ritardo, emissioni, trasporto pubblico) pur rimanendo robusto alla degradazione dei sensori e alle interruzioni stocastiche.

Gli autori concludono che, sebbene l'AIF comporti un compromesso sulla priorità degli autobus e aumenti la frequenza dei cambi di fase, la sua robustezza in ambienti IoT rumorosi e non stazionari e la sua interpretabilità lo rendono un approccio convincente per i sistemi di traffico intelligente di prossima generazione. Si propone come lavoro futuro l'estensione del framework a reti multi-intersezione e implementazioni hardware-in-the-loop.