Comunicação e aprendizado de máquina em mobilidade urbana: uma abordagem multiagente e multiobjetivo

• Processo: 20/05165-1
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2021
• Data de Término da vigência: 31 de julho de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Ana Lúcia Cetertich Bazzan
• Beneficiário: Ana Lúcia Cetertich Bazzan
• Instituição Sede: Instituto de Informática. Universidade Federal do Rio Grande do Sul (UFRGS). Ministério da Educação (Brasil). Porto Alegre , SP, Brasil
• Pesquisadores associados: Anderson Rocha Tavares ; Ann Nowé ; Gabriel de Oliveira Ramos
• Bolsa(s) vinculada(s): 22/02103-0 - Comunicação e aprendizado de máquina em mobilidade urbana: uma abordagem multiagente e multiobjetivo, BP.TT; 22/03607-2 - Comunicação e aprendizado de máquina em mobilidade urbana: uma abordagem multiagente e multiobjetivo, BP.TT; 21/12672-0 - Comunicação e aprendizado de máquina em mobilidade urbana: uma abordagem multiagente e multiobjetivo, BP.TT; 21/05093-3 - Comunicação e aprendizado de máquina em mobilidade urbana: uma abordagem multiagente e multiobjetivo, BP.TT
• Assunto(s): Aprendizado computacional Mobilidade urbana Sistemas multiagentes Sistemas inteligentes de transportes
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | aprendizado por reforço multiagente | comunicação interveicular e com infra-estrutura | mobilidade urbana | Sistemas Inteligentes de Transporte | tomada de decisão com base em múltiplos objetivos | mobilidade urbana

Resumo

Aprendizado de máquina tem sido mais e mais empregado na temática em torno de mobilidade urbana. Em particular, aprendizado por reforço (AR) é uma das técnicas mais utilizadas pois permite que as diversas classes de agentes aprendam a se adaptar ao estado do tráfego. Entretanto, a literatura sobre AR raramente traz trabalhos que abordam decisão de natureza multiobjetivo, que são fundamentais neste domínio. Desta forma, o objetivo geral deste projeto é portanto desenvolver métodos e um arcabouço que considere decisões multiobjetivo nos processos de aprendizado de agentes de pelo menos duas classes: motoristas/veículos e semáforos. A fim de melhorar a eficiência do aprendizado, é proposto que haja comunicação entre estes agentes (dentro e fora de suas classes) a fim de agilizar o aprendizado e evitar tomadas de decisões ineficientes. Para tal serão desenvolvidos novos métodos que se baseiam em transferência de conhecimento que será oportunizado pelo uso de comunicação interveicular e com a infraestrutura, além de comunicação dentre a própria infraestrutura viária. (AU)

Publicações científicas

(9)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

VAMPLEW, PETER; SMITH, BENJAMIN J.; KALLSTROM, JOHAN; RAMOS, GABRIEL; RADULESCU, ROXANA; ROIJERS, DIEDERIK M.; HAYES, CONOR F.; HEINTZ, FREDRIK; MANNION, PATRICK; LIBIN, PIETER J. K.; et al. Scalar reward is not enough: a response to Silver, Singh, Precup and Sutton (2021). AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS, v. 36, n. 2, p. 19-pg., 2022-10-01. (20/05165-1)

RODRIGUES NETO, JOAO B.; RAMOS, GABRIEL DE O.; IEEE. An Interpolated Approach for Active Debris Removal. 2022 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 6-pg., 2022-01-01. (20/05165-1)

ALEGRE, LUCAS N.; BAZZAN, ANA L. C.; DA SILVA, BRUNO C.; CHAUDHURI, K; JEGELKA, S; SONG, L; SZEPESVARI, C; NIU, G; SABATO, S. Optimistic Linear Support and Successor Features as a Basis for Optimal Policy Transfer. INTERNATIONAL CONFERENCE ON MACHINE LEARNING, VOL 162, v. N/A, p. 20-pg., 2022-01-01. (20/05165-1)

DA SILVA, JUAREZ MACHADO; RAMOS, GABRIEL DE OLIVEIRA; BARBOSA, JORGE LUIS VICTORIA. Multi-Objective Decision-Making Meets Dynamic Shortest Path: Challenges and Prospects. ALGORITHMS, v. 16, n. 3, p. 19-pg., 2023-03-01. (20/05165-1)

COLOMBELLI, FELIPE; MATTER, VITOR KEHL; GRISCI, BRUNO IOCHINS; LIMA, LEOMAR; HEINEN, KARINE; BORGES, MARCIO; RIGO, SANDRO JOSE; VICTORIA BARBOSA, JORGE LUIS; RIGHI, RODRIGO DA ROSA; DA COSTA, CRISTIANO ANDRE; et al. Multi-objective prioritization for data center vulnerability remediation. 2022 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2022-01-01. (20/05165-1)

BOECHEL, TIAGO; POLICARPO, LUCAS MICOL; RAMOS, GABRIEL DE OLIVEIRA; RIGHI, RODRIGO DA ROSA; SINGH, DHANANJAY. Prediction of Harvest Time of Apple Trees: An RNN-Based Approach. ALGORITHMS, v. 15, n. 3, p. 18-pg., 2022-03-01. (20/05165-1)

HAYES, CONOR F.; RADULESCU, ROXANA; BARGIACCHI, EUGENIO; KALLSTROM, JOHAN; MACFARLANE, MATTHEW; REYMOND, MATHIEU; VERSTRAETEN, TIMOTHY; ZINTGRAF, LUISA M.; DAZELEY, RICHARD; HEINTZ, FREDRIK; et al. A practical guide to multi-objective reinforcement learning and planning. AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS, v. 36, n. 1, p. 59-pg., 2022-04-01. (20/05165-1)

DA SILVA, JUAREZ M.; RAMOS, GABRIEL DE O.; BARBOSA, JORGE L., V; IEEE. The multi-objective dynamic shortest path problem. 2022 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2022-01-01. (20/05165-1)

SCHREIBER, LINCOLN V.; ALEGRE, LUCAS N.; BAZZAN, ANA. L. C.; RAMOS, GABRIEL DE O.; IEEE. On the Explainability and Expressiveness of Function Approximation Methods in RL-Based Traffic Signal Control. 2022 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2022-01-01. (20/05165-1)