DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA MULTIAGENTE APLICADO À ASSISTÊNCIA AO CONDUTOR EM INTERSEÇÕES URBANA
Veículos Inteligentes
Sistemas Multiagentes
ADAS
JADE
SUMO
As interseções urbanas são pontos críticos no trânsito devido à confluência de fluxos de veículos e elevado risco de acidentes. As ferramentas tecnológicas, como simulações de tráfego, ciência de dados e inteligência artificial, são essenciais para analisar padrões, prevenir acidentes e otimizar o fluxo veicular. O objetivo principal deste estudo foi projetar e avaliar um sistema multiagente aplicado à assistência ao condutor, com foco na segurança em interseções urbanas, onde os riscos são mais acentuados. Para alcançar esse objetivo, o estudo utilizou o Java Agent DEvelopment Framework (JADE), que possibilita a modelagem de agentes autônomos que interagem em um ambiente simulado. O Simulation of Urban MObility (SUMO) foi utilizado para oferecer uma simulação detalhada das interações de tráfego em cenários urbanos complexos. A integração entre JADE e SUMO é facilitada pelo Traffic Simulation Manager Application Programming Interface (TraSMAPI), uma interface que permite coordenar e sincronizar a comunicação entre as duas plataformas. Os resultados mostram o potencial de sistemas multiagente na prevenção de acidente em interseções urbanas, demonstram que o protocolo cooperativo de mensagens previne as colisões no cenário selecionado, ao passo que impõe um acréscimo médio de 7,3% no tempo de viagem e de apenas 0,18s de espera por veículo. Esses resultados sugerem que a coordenação multiagente pode promover decisões mais seguras sem comprometer significativamente a fluidez do tráfego. Embora as simulações ainda necessitem de validação em redes de maior densidade e comparação com dados empíricos, este trabalho pode contribuir para o desenvolvimento de sistemas de assistência ao condutor mais resilientes com adoção de um protocolo automatizado de testes que varie sistematicamente, apontando caminhos para aplicações em cidades inteligentes e para futuras extensões envolvendo aprendizado de máquina distribuído e calibração em campo.