Resumen: Los vehículos automatizados conectados (CAV) poseen la capacidad de comunicarse y coordinarse entre sí, lo que permite la formación de pelotones cooperativos que mejoran tanto la eficiencia energética como el flujo de tráfico. Sin embargo, durante la etapa inicial del despliegue de CAV, la escasa distribución de CAV entre vehículos conducidos por humanos reduce la probabilidad de formar pelotones cooperativos eficaces. Para abordar este desafío, este estudio propone un modelo híbrido de decisión de cambio de carril de múltiples agentes destinado a aumentar la participación de CAV en pelotones cooperativos y maximizar sus beneficios asociados. El modelo propuesto emplea el marco QMIX, integrando datos de tráfico procesados a través de una red neuronal convolucional (CNN-QMIX). Esta arquitectura aborda un problema crítico en escenarios de tráfico dinámico al permitir que los CAV tomen decisiones óptimas independientemente del número variable de CAV presentes en el tráfico mixto. Además, un planificador de trayectoria y un controlador predictivo de modelo están diseñados para garantizar una ejecución fluida y segura del cambio de carril. El modelo propuesto se entrena y evalúa dentro de un entorno de microsimulación bajo diferentes tasas de penetración en el mercado de CAV. Los resultados demuestran que el modelo propuesto gestiona eficientemente el número fluctuante de agentes de tráfico, superando significativamente a los modelos básicos basados en reglas. En particular, mejora las tasas de pelotón cooperativo hasta un 26,2%, lo que demuestra su potencial para optimizar la cooperación CAV y la dinámica del tráfico durante la fase inicial de despliegue.
Publicado originalmente en export.arxiv.org el 20 de enero de 2026.
Ver fuente original
