Sistemas Multiagentes y Gráficas Computacionales | Evidencia Final

Fecha: 14 de marzo, 2025

Introducción

Este proyecto implementa una simulación de tráfico con agentes inteligentes que utilizan Q-Learning para optimizar su comportamiento. Incluye:

• Vehículos autónomos (autos y motocicletas)
• Policía con aprendizaje Q-Learning
• Dron asistente para gestión de colisiones y congestiones

Instalación

Requisitos del Sistema

Para la API en Python

• Python 3.8 o superior
• Dependencias necesarias: random, matplotlib, owlready2, agentpy
• Archivo de ontología: traffic_ontology.owl (debe estar en el mismo directorio)

Para la simulación en Unity

• Unity 6000.0.38f1 o más reciente
• Se usa UnityWebRequest para comunicarse con la API en Python
• La API debe estar en ejecución en http://127.0.0.1:5000

Instalación de Dependencias

Ejecute el siguiente comando para instalar las librerías requeridas en Python: pip install matplotlib owlready2 agentpy

Si usa un entorno virtual: python -m venv venv

En Linux/macOS

source venv/bin/activate

En Windows

venv\Scripts\activate
pip install matplotlib owlready2 agentpy

Configuración

Carga de la Ontología

El modelo utiliza traffic_ontology.owl para representar el tráfico y sus reglas. Se carga con: onto = get_ontology("file://traffic_ontology.owl").load()

Parámetros del Modelo

• Tamaño de la cuadrícula: 10x10
• Cantidad de agentes:
  • 5 autos
  • 3 motocicletas
  • 1 policía
  • 1 dron
• Velocidades máximas:
  • Autos: 5
  • Motocicletas: 7
• Parámetros de aprendizaje Q-Learning:
  • alpha = 0.1
  • gamma = 0.9
  • epsilon = 0.1

Ejecución de la Simulación

API en Python

1. Asegúrate de tener todas las dependencias instaladas.
2. En la carpeta de la API, ejecuta: python app.py
3. Esto iniciará el servidor en http://127.0.0.1:5000.

Unity

1. Abre el proyecto en Unity (mínimo versión 6000.0.38f1).
2. Configura la URL de la API en el script APIManager.
3. Ejecuta la simulación en Unity (Play).

Durante la ejecución

• Los vehículos aceleran, desaceleran y se mueven según su algoritmo de Q-Learning.
• El policía detecta congestiones y decide resolverlas o llamar al dron.
• Se emiten multas a vehículos que exceden los límites de velocidad.
• El dron resuelve colisiones y congestiones, emitiendo sonidos cuando lo hace.
• La simulación se detiene si hay tres fallos consecutivos en resolver congestiones.

Visualización de Resultados

• Unity despliega los vehículos en una vista 3D.
• La escala de la cuadrícula (cellSize) se puede ajustar en APIManager.
• Cada paso se consulta el estado del servidor y se actualiza la escena:
  • Posiciones de autos y motos
  • Multas, choques y congestiones
  • Acciones del policía y el dron

Contribución

Si deseas contribuir a este proyecto:

• Realiza un fork del repositorio.
• Crea una nueva branch (feature/nueva-funcionalidad).
• Haz un commit de tus cambios (git commit -m 'Agrega nueva funcionalidad').
• Envía un pull request.

Licencia

Este proyecto está bajo la licencia MIT. Puedes utilizarlo, modificarlo y compartirlo libremente, respetando los derechos de los autores.

Defense Against the Dark Arts

• Gustavo García Téllez - A01644060
• Ayetza Y Infante Garcia - A01709011
• Fernanda Ríos Juárez- A01656047
• Álvaro Solano González - A01643948
• Sebastián Borjas Lizardi - A01748052
• Lesly Citlaly Gallegos Acosta - A01563036