No abstract

El tráfico por carretera es un sistema complejo cuyo estudio requiere la inmersión en el sistema físico o bien su simulación. Si el objetivo es abarcar el mayor número posible de casos abstrayéndose de los límites de la realidad física, la opción es el uso de micro-simuladores. En general, este tipo de simuladores están basados en arquitecturas de Sistemas Multiagente (MASs, Multiagent Systems) donde cada elemento es modelado individualmente. El incremento de los recursos computacionales nos permite aumentar la complejidad de las simulaciones, pero los agentes que modelan a los conductores se suelen basar en funciones simplificadas de su comportamiento real. Esto provoca que dichos modelos se adapten poco al comportamiento de un conductor en concreto.Por otro lado, estamos viviendo una época donde los avances de la Inteligencia Computacional (CI, Computational Intelligence) en predicción, clasificación y modelización están siendo abrumadores. Esto hace pensar que la aplicación de estas técnicas en "agentes conductores" pueda hacer que se comporten "mejor" (en el sentido "más humano"), permitiendo un mejor análisis del tráfico y sus componentes.Esta tesis explora cómo la inteligencia computacional, aplicada a la modelización de conductores, puede mejorar las simulaciones de tráfico, en el sentido de hacer más reales sus resultados. Concretamente, se centra en técnicas basadas en Redes Neuronales Artificiales (ANNs, Artificial Neural Networks) y Sistemas De Control Borroso (FCSs, Fuzzy Control Systems) para estudiar cómo se comportan las diferentes técnicas al reproducir comportamientos humanos en micro-simuladores a partir de datos reales.El estudio se centra en dos características existentes en este tipo de simulaciones: el comportamiento longitudinal y el control lateral (cambio de carril). Se concluye que las técnicas basadas en redes neuronales artificiales son claramente superiores a la hora de modelar el comportamiento en estas tareas, y dentro de ellas, las Redes Convolucionales (CNNs, Convolutional Neural Networks) son idóneas frente a los Perceptrones Multicapa (MLPs, Multilayer Perceptrons) interpretando el entorno del vehículo.Las implicaciones de estos resultados son variadas. Aún con las limitaciones que nos imponen los microsimuladores, es posible modelar estos dos comportamientos a partir de datos reales con precisión suficiente como para decir que los agentes se comportan de manera más humana. Además, estos comportamientos son dependientes de los perfiles de conductor que se utilizaron como referencia para obtener los datos, por lo que es posible su uso no sólo para modelar comportamiento más humanos, sino para evaluar determinados perfiles dentro de escenarios.