Adaptive SDN-Assisted Traffic Signal Control for Road Traffic Congestion Mitigation in VANETs

Ogni giorno, milioni di conducenti percorrono le strade cittadine, trovandosi spesso bloccati in lunghe code agli incroci dove i semafori attivano una programmazione rigida e immutabile. Questi timer fissi non sanno se una corsia è intasata di auto o vuota, portando a tempo sprecato, carburante extra consumato durante l'inattività e un frustrante accumulo di veicoli che rallenta l'intera rete. Negli ultimi anni, gli ingegneri hanno iniziato a connettere le auto all'infrastruttura stradale stessa, permettendo ai veicoli di trasmettere la propria velocità e posizione alle unità stradali. Questo flusso di dati in tempo reale offre la possibilità di andare oltre i timer statici, ma la gestione di queste informazioni richiede un cervello centrale capace di prendere decisioni rapide ed eque per l'intero sistema. La sfida consiste nel creare un sistema di controllo che possa vedere istantaneamente quale strada è più affollata, dare a quella corsia il verde e, allo stesso tempo, garantire che nessun'altra direzione rimanga in attesa per sempre.

Ricercatori dell'Università di Pondicherry hanno sviluppato un nuovo approccio per risolvere questo problema combinando la comunicazione tra veicoli e un sistema di gestione della rete centralizzato noto come networking definito dal software (Software-Defined Networking). Invece di fare affidamento su timer preimpostati, il loro sistema agisce come un gestore del traffico dinamico che ascolta costantemente le auto. Mentre i veicoli si avvicinano a un incrocio, inviano brevi segnali digitali contenenti la loro posizione e velocità. Le unità stradali raccolgono queste informazioni e riassumono le condizioni di ogni corsia, contando quanti veicoli sono fermi o si muovono lentamente e calcolando la loro velocità media. Questo riepilogo viene inviato a un controller centrale, che funge da centro di comando del traffico, analizzando i dati per determinare quale corsia abbia la maggiore richiesta in quel preciso momento.

Il sistema decide quindi quale semaforo debba diventare verde. Identifica la corsia con maggiore congestione e le concede la priorità, permettendo a quei veicoli di liberare l'incrocio per primi. Per garantire l'equità, il sistema utilizza un metodo di rotazione strutturato per le corsie rimanenti, in modo che se due strade presentano livelli di traffico simili, si alternino nel ricevere la luce verde invece di lasciare che una venga ignorata. Questo processo si ripete ogni cinquanta secondi, permettendo ai segnali stradali di adattarsi continuamente al flusso variabile di veicoli. I ricercatori hanno testato questa idea utilizzando una sofisticata simulazione al computer che modellava un incrocio urbano a quattro vie con fino a 250 veicoli in movimento attraverso di esso. Hanno confrontato il loro sistema adattivo con i segnali tradizionali a tempo fisso e con altri metodi esistenti per vedere quanto performasse in condizioni di traffico intenso.

I risultati di queste simulazioni hanno mostato un chiaro vantaggio per l'approccio adattivo. Quando il volume del traffico aumentava, il sistema tradizionale faticava, con i veicoli in attesa per una media di oltre cinque minuti durante i carichi di punta. Al contrario, il nuovo sistema ha mantenuto i tempi medi di attesa significativamente più bassi, limitandoli a circa 51 secondi anche quando le strade erano più affollate. Questa efficienza si è tradotta direttamente in un migliore movimento dei veicoli; nel corso della simulazione, il sistema adattivo ha permesso il passaggio di 415 auto, rispetto alle sole 261 dei segnali tradizionali a tempo fisso. Ciò rappresenta un miglioramento sostanziale nella rapidità con cui l'incrocio può smaltire l'accumulo di auto.

Oltre a far muovere le auto più velocemente, il sistema ha migliorato la comunicazione tra i veicoli e la strada. Poiché i segnali adattivi hanno liberato le code in modo più efficiente, c'è stata meno congestione sulle strade, il che a sua volta ha ridotto il numero di pacchetti dati persi o ritardati durante la trasmissione. Il sistema ha mantenuto un tasso più elevato di consegna riuscita dei dati e ha mantenuto molto più basso il tempo necessario affinché le informazioni viaggiassero da un punto all'altro rispetto ai metodi convenzionali. Inoltre, la riduzione dell'inattività e della guida stop-and-go ha portato a una diminuzione misurabile del consumo di carburante, con i veicoli che hanno utilizzato significativamente meno carburante per viaggio rispetto a quelli bloccati nelle code più lunghe create dai timer fissi.

Lo studio dimostra che, utilizzando dati in tempo reale per guidare i segnali stradali, le città possono gestire la congestione in modo più efficace senza dover costruire nuove strade. Sebbene i risultati derivino da una simulazione al computer piuttosto che da una città fisica, i risultati suggeriscono che un sistema capace di ascoltare la strada e adattarsi in tempo reale può ridurre significativamente i ritardi, risparmiare carburante e mantenere le reti di comunicazione funzionanti correttamente. I ricercatori concludono che questo metodo offre un modo equilibrato e scalabile per gestire le complesse richieste del traffico urbano moderno, provando che un approccio flessibile e basato sui dati è decisamente superiore ai programmi rigidi del passato.