Resumen:
En la actualidad, la Inteligencia Artificial (IA) y el aprendizaje automático o Machine Learning (ML) están revolucionando el sector de las comunicaciones entre vehículos. Estos avances tecnológicos permiten optimizar la gestión del tráfico, mejorar la seguridad y hacer posible la conducción autónoma. Las comunicaciones entre vehículos (V2V, Vehicle-to-Vehicle), con la infraestructura (V2I, Vehicle-to-Infrastructure) y con el entorno en general (V2X, Vehicle-to-Everything) son fundamentales en el desarrollo de sistemas de transporte inteligente. La aplicación de modelos predictivos basados en ML y aprendizaje profundo o Deep Learning (DL) facilitan la optimización de la conectividad en entornos urbanos complejos.
El objetivo principal del proyecto es desarrollar un modelo capaz de predecir el tiempo de duración de las sesiones de comunicación entre vehículos (V2V) mediante la aplicación de técnicas avanzadas de ML y DL. Este proyecto busca optimizar la eficiencia y fiabilidad de las comunicaciones vehículo a vehículo (V2V), fundamentales en los sistemas de transporte inteligente y la conducción autónoma.
El proyecto se ha centrado en la simulación de escenarios urbanos de la ciudad de Madrid, utilizando el simulador de tráfico SUMO (Simulation of Urban Mobility), para generar entornos realistas de movilidad vehicular. Los datos obtenidos de estas simulaciones se emplearon para construir modelos predictivos que estimen la duración de las sesiones de comunicación en las comunicaciones V2V.
A nivel tecnológico, se han empleado herramientas como SUMO y Python (con la librería TraCI) para la generación y extracción de datos en tiempo real. Se hizo uso de software de código abierto, lo que redujo los costes económicos. Ambientalmente, se analizaron escenarios con y sin semáforos, evidenciando cómo la regulación del tráfico influye en la eficiencia de las comunicaciones V2V y la fluidez del tráfico. Se integraron sensores de tráfico estratégicamente ubicados en intersecciones clave para recolectar datos como velocidad, ruta, carril, y distancia a los cruces, así como el número de vehículos que se encontraban en un radio de 50 metros de cada punto de medición.
Posteriormente, se modeló la capa física de las comunicaciones, considerando los factores necesarios para reflejar condiciones realistas del entorno urbano. Esto permitió la generación de un dataset consolidado, incorporando información clave para el análisis y la predicción de la duración de las sesiones de comunicación.
Se han desarrollaron y evaluado diversos modelos predictivos para estimar la duración de las sesiones de comunicación: regresión lineal múltiple, Máquinas de Soporte Vectorial o Support Vector Regression (SVR), árboles de decisión, bosques aleatorios o random forest, Red Neuronal Artificial (ANN). Cada modelo ha sido entrenado y evaluado utilizando diferentes métricas de rendimiento, las cuales se explican en detalle en la memoria. Esto permitió determinar su precisión y eficacia.
Abstract:
Today, Artificial Intelligence (AI) and Machine Learning (ML) are revolutionising the vehicle-to-vehicle communications sector. These technological advances are optimising traffic management, improving safety and enabling autonomous driving. Communications between vehicles (V2V, Vehicle-to-Vehicle), with the infrastructure (V2I, Vehicle-to-Infrastructure) and with the environment in general (V2X, Vehicle-to-Everything) are fundamental in the development of intelligent transport systems. The application of predictive models based on ML and Deep Learning (DL) facilitates the optimisation of connectivity in complex urban environments.
The main objective of the project is to develop a model capable of predicting the time duration of vehicle-to-vehicle (V2V) communication sessions by applying advanced ML and DL techniques. This project aims to optimise the efficiency and reliability of vehicle-to-vehicle (V2V) communications, which are fundamental in intelligent transport systems and autonomous driving.
The project has focused on the simulation of urban scenarios in the city of Madrid, using the SUMO traffic simulator to generate realistic vehicular mobility environments. The data obtained from these simulations were used to build predictive models that estimate the duration of communication sessions in V2V communications.
At the technological level, tools such as SUMO and Python (with the TraCI library) were used to generate and extract data in real time. Open source software was used, which reduced economic costs. Environmentally, scenarios with and without traffic lights were analysed, showing how traffic regulation influences the efficiency of V2V communications and traffic flow. Strategically placed traffic sensors were integrated at key intersections to collect data such as speed, route, lane, and distance to junctions, as well as the number of vehicles within a 50-metre radius of each measurement point.
Subsequently, the physical communications layer was modelled, taking into account the factors necessary to reflect realistic conditions of the urban environment. This allowed the generation of a consolidated dataset, incorporating key information for the analysis and prediction of the duration of communication sessions. Several predictive models have been developed and evaluated to estimate the duration of communication sessions: multiple linear regression, Support Vector Regression (SVR), decision trees, random forest, Artificial Neural Network (ANN). Each model has been trained and evaluated using different performance metrics, which are explained in detail in the report. This allowed us to determine their accuracy and efficiency.
Resumen:
En la actualidad, la Inteligencia Artificial (IA) y el aprendizaje automático o Machine Learning (ML) están revolucionando el sector de las comunicaciones entre vehículos. Estos avances tecnológicos permiten optimizar la gestión del tráfico, mejorar la seguridad y hacer posible la conducción autónoma. Las comunicaciones entre vehículos (V2V, Vehicle-to-Vehicle), con la infraestructura (V2I, Vehicle-to-Infrastructure) y con el entorno en general (V2X, Vehicle-to-Everything) son fundamentales en el desarrollo de sistemas de transporte inteligente. La aplicación de modelos predictivos basados en ML y aprendizaje profundo o Deep Learning (DL) facilitan la optimización de la conectividad en entornos urbanos complejos.
El objetivo principal del proyecto es desarrollar un modelo capaz de predecir el tiempo de duración de las sesiones de comunicación entre vehículos (V2V) mediante la aplicación de técnicas avanzadas de ML y DL. Este proyecto busca optimizar la eficiencia y fiabilidad de las comunicaciones vehículo a vehículo (V2V), fundamentales en los sistemas de transporte inteligente y la conducción autónoma.
El proyecto se ha centrado en la simulación de escenarios urbanos de la ciudad de Madrid, utilizando el simulador de tráfico SUMO (Simulation of Urban Mobility), para generar entornos realistas de movilidad vehicular. Los datos obtenidos de estas simulaciones se emplearon para construir modelos predictivos que estimen la duración de las sesiones de comunicación en las comunicaciones V2V.
A nivel tecnológico, se han empleado herramientas como SUMO y Python (con la librería TraCI) para la generación y extracción de datos en tiempo real. Se hizo uso de software de código abierto, lo que redujo los costes económicos. Ambientalmente, se analizaron escenarios con y sin semáforos, evidenciando cómo la regulación del tráfico influye en la eficiencia de las comunicaciones V2V y la fluidez del tráfico. Se integraron sensores de tráfico estratégicamente ubicados en intersecciones clave para recolectar datos como velocidad, ruta, carril, y distancia a los cruces, así como el número de vehículos que se encontraban en un radio de 50 metros de cada punto de medición.
Posteriormente, se modeló la capa física de las comunicaciones, considerando los factores necesarios para reflejar condiciones realistas del entorno urbano. Esto permitió la generación de un dataset consolidado, incorporando información clave para el análisis y la predicción de la duración de las sesiones de comunicación.
Se han desarrollaron y evaluado diversos modelos predictivos para estimar la duración de las sesiones de comunicación: regresión lineal múltiple, Máquinas de Soporte Vectorial o Support Vector Regression (SVR), árboles de decisión, bosques aleatorios o random forest, Red Neuronal Artificial (ANN). Cada modelo ha sido entrenado y evaluado utilizando diferentes métricas de rendimiento, las cuales se explican en detalle en la memoria. Esto permitió determinar su precisión y eficacia.
Abstract:
Today, Artificial Intelligence (AI) and Machine Learning (ML) are revolutionising the vehicle-to-vehicle communications sector. These technological advances are optimising traffic management, improving safety and enabling autonomous driving. Communications between vehicles (V2V, Vehicle-to-Vehicle), with the infrastructure (V2I, Vehicle-to-Infrastructure) and with the environment in general (V2X, Vehicle-to-Everything) are fundamental in the development of intelligent transport systems. The application of predictive models based on ML and Deep Learning (DL) facilitates the optimisation of connectivity in complex urban environments.
The main objective of the project is to develop a model capable of predicting the time duration of vehicle-to-vehicle (V2V) communication sessions by applying advanced ML and DL techniques. This project aims to optimise the efficiency and reliability of vehicle-to-vehicle (V2V) communications, which are fundamental in intelligent transport systems and autonomous driving.
The project has focused on the simulation of urban scenarios in the city of Madrid, using the SUMO traffic simulator to generate realistic vehicular mobility environments. The data obtained from these simulations were used to build predictive models that estimate the duration of communication sessions in V2V communications.
At the technological level, tools such as SUMO and Python (with the TraCI library) were used to generate and extract data in real time. Open source software was used, which reduced economic costs. Environmentally, scenarios with and without traffic lights were analysed, showing how traffic regulation influences the efficiency of V2V communications and traffic flow. Strategically placed traffic sensors were integrated at key intersections to collect data such as speed, route, lane, and distance to junctions, as well as the number of vehicles within a 50-metre radius of each measurement point.
Subsequently, the physical communications layer was modelled, taking into account the factors necessary to reflect realistic conditions of the urban environment. This allowed the generation of a consolidated dataset, incorporating key information for the analysis and prediction of the duration of communication sessions. Several predictive models have been developed and evaluated to estimate the duration of communication sessions: multiple linear regression, Support Vector Regression (SVR), decision trees, random forest, Artificial Neural Network (ANN). Each model has been trained and evaluated using different performance metrics, which are explained in detail in the report. This allowed us to determine their accuracy and efficiency. Read More
Related posts:
Sweden claims world’s first 6G, edge-connected vehicle test facility
Modelo de simulación de la vía M40
Forecasting Automated Guided Vehicle Malfunctioning with Deep Learning in a 5G-Based Industry 4.0 Scenario
Simulación del flujo de vehículos en una red con conexiones inestables
Teoría de la comunicación
Interview: Antony Hausdoerfer, group CIO, The AA