Coordinación Multiagente de Intersecciones Semafóricas

Corredor Av. Gómez Morín, San Pedro Garza García — TC2008B

Simulación multiagente de tres cruces reales de la Av. Gómez Morín (Av. Alfonso Reyes, Magnolia y Av. del Roble) con agentes vehiculares y semafóricos. El proyecto compara tres estrategias de control sobre el mismo corredor y las mismas métricas:

1. Sin coordinación — tiempo fijo, cada semáforo aislado (baseline).
2. Onda verde — tiempo fijo coordinado por offsets calculados con la velocidad de sincronía (heurística de progresión).
3. Adaptativo (Q-learning) — cada semáforo sensa sus colas (detector tipo cámara/sensor) y decide el reparto de verde en lazo cerrado con una política aprendida por refuerzo. No usa tiempos preprogramados: es desplegable.

El modelo multiagente, la coordinación y el análisis se hacen en Python (AgentPy); Python exporta a JSON los planes y la política aprendida, y Unity los ejecuta sobre la maqueta 3D del corredor.

Equipo 1 — Gpo. 301

Integrante	Matrícula
Karla Alessandra Sánchez Saviñón	A01177120
Emiliano Carrizales Becerra	A00824311
Daniel Muñoz Lozano	A01721797
Adán Ehécatl González Flores	A00841625
Patricio Javier Garza Ríos	A00841942

Estructura del repositorio

agentes/
├── simulacion/       Modelo multiagente en Python (AgentPy): agentes, control,
│                     Q-learning, métricas y exportación del plan a JSON
├── notebook/         Notebook de onda verde (Google Colab / Jupyter)
├── unity/            Proyecto de Unity con la escena de los 3 cruces
│                     (Assets/Scenes/Corridor.unity)
├── paquete/          Unity Package del corredor
└── documentacion/    Instalación, resultados, capturas, reporte y presentación

Inicio rápido

1. Modelo y análisis (Python): subir notebook/onda_verde_gomez_morin.ipynb a Google Colab y ejecutar todas las celdas (instala agentpy en la primera). Alternativamente, desde la raíz del repo: python -m simulacion.main, que regenera las gráficas, las métricas y plan_control.json.
2. Ver la simulación (Unity): abrir unity/ con Unity 6000.4.6f1, cargar Assets/Scenes/Corridor.unity y presionar Play. Los tres cruces corren el control adaptativo (Q-learning) en lazo cerrado; la comparación de las tres estrategias vive en el modelo de Python (notebook y reporte).
3. Guía completa en documentacion/instalacion.md.

Qué hay en la simulación

• 3 intersecciones reales modeladas en Blender con base en la geometría del corredor: dos pasos a desnivel (Alfonso Reyes y del Roble) y un cruce a nivel (Magnolia).
• Agentes vehiculares con seguimiento vehicular IDM; por construcción nunca cruzan en rojo.
• Agentes semafóricos que sensan las colas de sus accesos y, según la estrategia, fijan o aprenden el reparto de verde; coordinación por reloj común más offset.
• Q-learning entrenado en Python (estado = colas discretizadas, acción = verde del corredor, recompensa = − colas) cuya política ejecuta Unity en vivo.

Resultados principales (demanda nominal)

Estrategia	Demora	Velocidad	Paradas/veh	Coordinación
Sin coordinación	62.3 s	30.1 km/h	1.36	38 %
Onda verde	36.7 s	36.0 km/h	0.70	64 %
Adaptativo (Q-learning)	25.8 s	39.3 km/h	0.49	73 %

Coordinar reduce la demora 41 % frente a no coordinar; el control adaptativo la reduce otro 30 % y, en hora pico, eleva el throughput atendido. El ancho de banda de la onda verde pasa de 8.2 s (sin coordinar) a 45.9 s (100 % del verde). Detalles en documentacion/resultados/.