Utilizacion de Agentes Inteligentes Dentro de Un Ambito de Simulacion Microscopica de Trafico Autonomo - Juan de Urraza - Portalguarani

www.portalguarani.
com
Universidad Catlica Nuestra Seora de la Asuncin

Facultad de Ciencias y Tecnologa Departamento de Ingeniera Electrnica e Informtica
Utilizacin de Agentes Inteligentes dentro de un mbito de Simulacin Microscpica de Trfico Autnomo

Tesis de Ingeniera Informtica
Autor Lic. Juan Eduardo de Urraza Taverna
Profesor Gua Ing. Sergio Aranda
Diciembre 2001
www.portalguarani.com
Agradecimientos.
Esta tesis, no slo ha sido un trabajo acadmico, sino dos aos de crecimiento personal. Por lo tanto, debera agradecer no slo a las personas del mbito universitario sino a todos los que colaboraron para que llegara hoy a ser lo que soy, y aquello en lo que me he convertido. Sin duda debo agradecer infinitamente a Ariel por haberme acompaado todo este tiempo como, compaero y amigo, y haber llegado juntos a buen puerto luego de tanto esfuerzo, compartiendo muchas otras cosas adems de este trabajo. A mi madre, quien con paciencia y casi a escondidas siempre me ha guiado, puesto que yo no permito que nadie gue mis pasos (o por lo menos no me gusta aceptar que eso ocurre). A Carla, mujer fabulosa y excelente compaera, que tanto trabajo puso sobre este libro para hacerlo algo visualmente atractivo, y que tanto amor me ha brindado en todo este tiempo. A Sergio, por ser lo que fue conmigo. A mis amigos, que me ayudaron a pasar de la mejor manera posible todo este largo perodo de trabajo. Como no, a Blizzard, Squaresoft e Interplay, por haberme dado tantas ideas y permitido que olvide por momentos el trabajo. A usted querido lector, si encuentra interesante algo en estas pginas.
Jeu Azarru
Indice
Agradecimientos............................................................................................................................. 2 Indice ............................................................................................................................................... 3 Captulo 1: Introduccin...............................................................................................5 1.1 Objetivo General................................................................................................................. 6 1.2 Objetivos Especficos......................................................................................................... 6 1.3 Gua del Lector.................................................................................................................... 7 Captulo 2: Teora de la simulacin..............................................................................9 2.1 Definicin de simulacin ................................................................................................... 9 2.2 Simulacin por computadora ............................................................................................ 9 2.3 Avances de la simulacin por computadora Las APIs............................................... 9 2.4 El porqu de la simulacin de trfico ............................................................................ 10 2.5 Tipos de simuladores notables para este estudio.......................................................... 11 2.6 Clasificacin de la Simulacin ......................................................................................... 11 2.6.1 Segn el contexto en el que se desenvuelve .......................................................... 11 2.6.2 Segn la forma en que se simula el sistema ........................................................... 12 2.6.3 Segn la forma de actualizacin .............................................................................. 12 2.6.4 Segn la escala y el foco de inters ......................................................................... 12 2.7 Terminologa utilizada en el mbito de la simulacin.................................................. 13 2.8 Disciplinas tiles a la Simulacin .................................................................................... 13 2.8.1 Estadstica y Probabilidad ........................................................................................ 13 2.8.2 Inteligencia Artificial (IA)......................................................................................... 14 2.8.3 Paradigma de Orientacin a Objetos (OO)........................................................... 14 2.8.4 Redes Neurales (NN)................................................................................................ 15 2.8.5 Lgica Difusa ............................................................................................................. 16 2.8.6 Computacin Paralela y Distribuida....................................................................... 16 2.8.7 Grfica Computarizada............................................................................................. 16 2.9 Anlisis, verificacin y validacin de los simuladores.................................................. 16 2.9.1 Lo que incluye el Anlisis Descriptivo ................................................................... 16 2.9.2 Lo que incluye el Anlisis Prescriptivo................................................................... 17 2.9.3 Lo que incluye el anlisis Post-Prescriptivo........................................................... 17 Captulo 3: Introduccin a la simulacin de trfico................................................... 18 3.1 Simulador de trfico.......................................................................................................... 18 3.2 Utilidad de un simulador de trfico................................................................................ 18 3.3 Un entorno de trabajo bsico de simulacin de flujo vehicular................................. 19 3.4 Anlisis del marco de trabajo microscpico en la simulacin de trfico ................. 20 3.5 Estructuracin del simulador de trfico como Comportamiento Emergente ......... 22 3.6 Microsimulacin de Sistemas Abiertos y Cerrados...................................................... 22 3.7 Los simuladores existentes en el mundo ....................................................................... 23 Captulo 4: Introduccin a la Inteligencia Artificial y a los Agentes Inteligentes..... 27 4.1 Definiciones de Inteligencia Artificial............................................................................ 27 4.2 Categorizacin de los sistemas de IA segn las definiciones...................................... 28 4.3 Agentes Inteligentes.......................................................................................................... 29 4.3.1 Definiciones de Agentes Inteligentes ..................................................................... 29 4.3.2 Definicin de Agente Inteligente para nuestro caso particular .......................... 31
3
Juan E. de Urraza - Utilizacin de Agentes Inteligentes dentro de un mbito de Simulacin Microscpica de Trfico Autnomo
4.3.3 Relacin de la IA con los Agentes Inteligentes y temas claves en su estudio .. 31 4.3.4 El problema de la seleccin de la accin................................................................ 33 4.3.5 Estructura de los Agentes Inteligentes................................................................... 35 4.3.6 Relacin entre los agentes y el ambiente................................................................ 38 4.3.7 Agentes vs. Objetos: una comparacin.................................................................. 39 Captulo 5: EasyTraf, un simulador microscpico construido para utilizar Agentes Inteligentes...................................................................................................................... 41 5.1 Aspectos generales del microsimulador......................................................................... 41 5.2 El entorno de trabajo del modelo................................................................................... 44 5.3 Componentes del modelo................................................................................................ 44 5.3.1 El Modelo de Representacin del Ambiente......................................................... 44 5.3.2 El modelo de Representacin Fsico...................................................................... 55 5.3.3 El Modelo de Control de la Simulacin................................................................. 57 5.3.4 El Modelo de Control de Demanda y Poblacin ................................................. 63 5.3.5 El Modelo de Comportamiento y Decisin .......................................................... 65 5.3.6 El Modelo de Almacenamiento y Distribucin de Informacin........................ 65 5.3.7 El Modelo de Visualizacin ..................................................................................... 67 5.3.8 El Modelo de Representacin de las Reglas de Trfico....................................... 67 5.3.9 El Modelo de Sensores y Toma de Datos ............................................................. 68 Captulo 6: Construccin de Agentes Inteligentes para la simulacin de trfico...... 70 6.1 Acercamientos en el modelado de Agentes Inteligentes dentro de la simulacin... 72 6.2 Un agente Inteligente para la simulacin de Trfico.................................................... 76 6.3 EasyAgent, y la problemtica de crear los Agentes Inteligentes para EasyTraf ...... 78 6.4 Arquitectura del EasyAgent............................................................................................. 81 6.4.1 Mdulo fsico ............................................................................................................. 82 6.4.2 Mdulo de Toma de Decisiones ............................................................................. 84 6.4.3 Mdulo de Interrelacin........................................................................................... 93 6.4.4 Mdulo de Planificacin........................................................................................... 94 6.4.5 Mdulo de Conocimiento ........................................................................................ 96 6.4.6 Mdulo de carcter.................................................................................................... 98 6.5 Comportamiento Emergente en el EasyAgent............................................................. 98 Captulo 7: Estudio de casos y consideraciones experimentales............................. 100 7.1 Calibracin del simulador ..............................................................................................100 7.2 Simulacin de un caso simple........................................................................................101 7.3 Simulacin de un caso real.............................................................................................116 7.4 Anlisis del rendimiento en una simulacin de trfico utilizando al EasyAgent ...120 Captulo 8: Conclusiones.......................................................................................... 124 Aporte a la simulacin por computadoras ....................................................................125 Aporte a la Inteligencia Artificial....................................................................................126 Referencias................................................................................................................ 128 Apndice I: Resumen de los resultados obtenidos en una simulacin de prueba .. 134 Apndice II: Tabla con resultados de la simulacin de rendimiento...................... 146 Abreviaturas................................................................................................................................148
Captulo 1: Introduccin
Ley de Pugh: Si el cerebro humano fuera lo suficientemente simple para que pudiramos comprenderlo, nosotros seramos demasiado simples para lograr hacerlo
Antiguamente, el crecimiento de las ciudades era escasamente planificado, y se iba dando como una expansin desordenada y anrquica segn las necesidades del momento. Esto ha causado problemas de todo tipo a nivel social y organizacional. Los cambios y el crecimiento demogrfico de las ciudades en muchas situaciones ha causado trastornos en el trfico automotriz, an ms al aumentar el parque motor privado y la cantidad de transporte pblico necesario para movilizar a toda la poblacin a travs de distancias cada vez ms largas y congestionadas. Muchas de las decisiones tomadas en la administracin del trfico aos atrs pueden convertirse en serios problemas y cuellos de botella que deben ser evaluados para conseguir cambios beneficiosos en el flujo vehicular. Estas decisiones suelen estar relacionadas a innumerables variables y configuraciones posibles, de las cuales hay que evaluar las ms tiles, tomando una que brinde una solucin del problema mejor a la actual y que contine siendo til en un futuro de mediano plazo [48]. Ejemplos de decisiones de este tipo pueden ser el cambio de sentidos de calles, construccin de autopistas, reduccin o ampliacin de carriles, agregado de semforos o cambios en sus tiempos, prohibicin de estacionar en ciertas calles, posibilidad de giro a la izquierda, uso de rotondas, pavimentacin de calles empedradas, cambios en las velocidades mximas o mnimas de los carriles, construccin de viaductos, agregado de pelcanos, transformacin de calles en peatonales, y muchos otros casos semejantes [44]. Lastimosamente, realizar pruebas de campo sobre diferentes posibilidades de flujo vehicular puede ser costoso (se necesita tener a un equipo especializado de gente realizando pruebas y midiendo los resultados por das o semanas en diferentes horarios), engorroso (hay que llevar un detallado recuento de estadsticas evitando errores en conteos que muchas veces suelen ser manuales, adems que si se necesitan medir casos especiales, como condiciones climticas adversas, se debe esperar hasta que la naturaleza colabore con el experimento), problemtico (ciertos parmetros son difciles de obtener, como velocidades y aceleraciones promedio, tiempo de viaje, tiempo medio de espera, etc.) e inclusive peligroso (por ejemplo, hacer pruebas de cambios de sentidos de calles puede ser confuso para los conductores y causa de accidentes). Es por esto que desde hace varias dcadas se han ido creando modelos de simulacin a travs de computadoras que pudieran asistir a los ingenieros de trfico en sus funciones, permitiendo corroborar o rectificar teoras y alternativas de trfico propuestas a un costo bajo y con cada vez mayor fiabilidad [11]. Un simulador de trfico que quiera ser lo suficientemente realista para realizar experimentos y validaciones sobre modelos de flujo vehicular en una red de carreteras, necesita modelar esos flujos en forma certera, normalmente mediante un acercamiento microscpico [32]. Esto implica que el simulador debe modelar cada vehculo circulante como una entidad individual. Por lo tanto, se deben crear perfiles de conductores, con diferentes comportamientos, preferencias, motivaciones, conocimientos y actitudes. Muchos simuladores utilizan meras estructuras matemticas o modelos simplificados del comportamiento humano para realizar la simulacin [6, 25, 27, 28, 30], en especial debido al hecho de que la interaccin de muchos entes independientes puede llevar a una complejidad de
clculo intratable. Para que los resultados de la microsimulacin sean confiables, se necesita que el nivel de detalle de la misma satisfaga condiciones especiales. Una microsimulacin con escaso nivel de detalle, o con meros ndices y promedios, no sirve para prever el comportamiento real de los flujos de vehculos [12, 17, 32, 42, 44, 61]. La microsimulacin normalmente utiliza cientos o miles de vehculos autnomos dentro de grandes reas geogrficas. Por otro lado, versiones ms complejas de entidades inteligentes han sido utilizadas con xito en simulaciones interactivas, con pocos individuos, para lograr un mayor impacto de realismo sobre la persona que se sumerge en la simulacin o para conducir automviles robticos en escenarios reales [13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 26, 27, 28, 42, 71, 86, 87, 88]. La simulacin interactiva requiere el uso de un microsimulador de pequea escala (unas cuadras a la redonda), pero con una fidelidad extrema, puesto que el humano que conduce no debe notar fallos en el comportamiento o en las acciones de los componentes del ambiente que lo rodea. Aqu se utilizan a lo ms decenas de vehculos inteligentes, pero simulados a gran nivel de detalle. Lo que an queda pendiente en el estado actual de la investigacin sobre simulaciones es la implementacin de Agentes Inteligentes dentro del mbito de la simulacin microscpica, ampliables al uso de simulaciones interactivas. La simulacin microscpica puede realizarse en Tiempo Real [3] o en Pasos de Tiempo [22]. La simulacin en Tiempo Real siempre ha sido difcil de utilizarse con Agentes Inteligentes, debido a sus requerimientos estrictos de tiempo, pero en la simulacin de pasos, al no existir estos requerimientos (pudiendo durar la simulacin inclusive un tiempo mayor al real) ocurre lo contrario. Las nuevas tecnologas en computadoras personales [2, 4, 11, 23, 24, 33, 34, 35, 43] y redes de computadoras [9, 10, 23, 24, 38, 39, 40, 41] permiten realizar simulaciones complejas con un mayor nmero de entidades circulando sin la necesidad de utilizar supercomputadoras para el efecto, por lo que este es un momento clave para el uso de Agentes Inteligentes en un simulador microscpico, tema que demuestra ser un motivo de investigacin importante. La Municipalidad de la ciudad de Asuncin se mostr sumamente interesada en el proyecto llevado adelante a travs de esta tesis y la de Ariel Romero [95] y colaboraron brindando datos realistas de entrada para el simulador y verificando que los resultados obtenidos fueran acordes a la realidad. Su aporte y su aprobacin respecto a la calidad del simulador y el correcto modelado de los agentes de software fue de gran importancia en la consecucin de los objetivos propuestos.
1.1 Objetivo General

Verificar la utilidad de los Agentes Inteligentes dentro del mbito de la simulacin microscpica, en este caso en particular, la de trfico automotriz.
1.2 Objetivos Especficos

Realizar un diseo modular y reutilizable de Agentes Inteligentes dentro del mbito estudiado, capaz de sincronizarse con un simulador microscpico a travs de una interfaz bien definida. Modelar correctamente el comportamiento de los conductores dentro de las calles, siguiendo patrones de conducta diferentes segn la personalidad de cada uno.
6
Revisar las posibilidades de orientacin a objetos tiles para la modelizacin de los agentes. Desarrollar protocolos de comunicacin entre los Agentes que comparten el mundo virtual, expandibles a sistemas distribuidos. Evaluar la accin de los Agentes en situaciones crticas o fuera de lo normal, as como sus reacciones y decisiones ante dichos eventos. Evaluar las relaciones entre Agentes y la forma en que juntos logran crear situaciones generales sin una programacin directa de ellas (comportamientos emergentes). Estudiar tcnicas de Inteligencia Artificial sobre toma de decisiones y modelos de representacin del conocimiento. Verificar las capacidades de las nuevas PCs para la realizacin de simulaciones importantes, campo hasta ahora concedido a las supercomputadoras. El Objetivo General se alcanz diseando un modelo especfico de Agente Inteligente con caractersticas bien definidas (a discutirse en captulos posteriores) que se utiliz dentro del simulador EasyTraf [95] para as evaluar tanto la correctitud de su comportamiento como el costo en rendimiento que implic su uso. Por lo tanto se analizaron las propuestas existentes y se extrajeron ideas de ellas para crear un modelo til, liviano y adecuado al mbito de software con el que se trabajan los agentes diseados. Los agentes inteligentes modelados son conceptualmente tiles para ser utilizados en dos mbitos importantes: La microsimulacin, y la simulacin interactiva, aunque esta tesis se basa en experiencias nicamente del primer caso (para evaluar el segundo caso es necesario un simulador interactivo compatible con el modelo EasyTraf, el cual no existe an). Se realizaron numerosas simulaciones de casos especficos con diferentes grados de complejidad, evaluando el correcto funcionamiento del agente en cada una de ellas, desde los puntos de vista del planeamiento, la respuesta inmediata a peligros, toma de decisiones acertadas, reaccin a cambios del ambiente, uso de experiencias anteriores, y cumplimiento de expectativas, as como su rendimiento computacional, para obtener los resultados aqu expuestos. Adems se llev a cabo una simulacin de importancia asistidos por profesionales e ingenieros de trfico de la Municipalidad de Asuncin, quienes nos brindaron los parmetros exactos de entrada segn sus mediciones y verificaron la correctitud de los resultados de la salida del simulador. Finalmente se realiz un anlisis de rendimiento del simulador y del uso de los Agentes Inteligentes en el mismo, con la obtencin de importantes resultados para brindar una respuesta al problema estudiado.
1.3 Gua del Lector

Para facilitar la lectura de este libro de tesis, a continuacin se presenta una gua con la descripcin de cada uno de los captulos posteriores, de tal manera que el lector pueda decidir cuales son los captulos de inters para l y cuales son los puntos ms resaltantes de cada uno. En el captulo 2 se brinda una introduccin a la teora de la simulacin. La misma es muy necesaria, puesto que sus conceptos sern utilizados a lo largo de todo el resto del trabajo. Se realiza una definicin de la misma, de su terminologa, utilidad, campos de investigacin y las diferentes clasificaciones que tiene.
El captulo 3 brinda un estudio pormenorizado de la simulacin de trfico, la cual es el caso particular de estudio de esta tesis. Se analizan las diferentes propuestas existentes y la utilidad de la microsimulacin en el anlisis de trfico automotor. El Captulo 4 trae consigo una rpida introduccin a los conceptos fundamentales de Inteligencia Artificial necesarios para poder valorar este trabajo de tesis, y luego se sumerge en el estudio de los Agentes Inteligentes, sus definiciones, usos, diseos, estado del arte, construccin y caractersticas deseadas de los mismos. Aqu se provee una definicin propia de lo que es un Agente Inteligente para nuestro caso de estudio particular. Tambin se brindan algunos ejemplos y se analiza su utilidad en el campo de la microsimulacin como modelo de toma de decisiones simple, rpido, seguro y til. Lo que se describe en el Captulo 5 es al simulador EasyTraf, diseado especialmente para realizar microsimulacin con entidades inteligentes conduciendo en el trfico. Se explica su estructura, funcionamiento, capacidades, limitaciones y todo lo requerido para describir su funcionamiento, puesto que es el marco en el que los Agentes Inteligentes diseados actuarn, y estarn limitados por l. El captulo 6 estudia ya propiamente el diseo y la utilizacin de Agentes Inteligentes como entidades que representan a la toma de decisiones de conductores en un sistema de trfico, y su aplicacin en la microsimulacin. Se analizan las propuestas existentes en el mundo de agentes que cuadran en uno u otro aspecto con los requerimientos de nuestro agente en cuestin y se disea un agente completamente nuevo tomando las premisas de lo ya existente y agregando elementos propios y nicos. Luego se estudia la problemtica de la toma de decisiones en ambientes dinmicos y poblados por otras entidades como es el trnsito vehicular y tambin se estudian las restricciones propias de EasyTraf, as como los mtodos de interconexin entre el simulador y las entidades inteligentes. Posteriormente se presenta el modelo de agente implementado (al cual denominamos EasyAgent) y su definicin modular, con una descripcin profunda del funcionamiento interno de cada mdulo y de su relacin con los dems mdulos, con el simulador y con otros agentes similares. Finalmente se analiza el comportamiento emergente como una realidad propia de los Agentes Inteligentes y como afecta ste al EasyAgent. En el Captulo 7 se realiza el estudio de casos prcticos y de simulaciones ya con el agente propuesto dentro del marco EasyTraf. En primera instancia se realizaron pruebas de Simulacin simples para comprobar el correcto funcionamiento del Agente, de las cuales se presentaron varios ejemplos descriptivos. Luego, con ayuda de expertos de la Municipalidad de Asuncin se realiz una simulacin de un caso de estudio real para comprobar la correctitud del simulador y de los agentes. Finalmente se realiz un anlisis de rendimiento y de incidencia del uso de Agentes Inteligentes en una simulacin con computadoras de escritorio, y se obtuvieron resultados de gran inters terico-prcticos. Finalmente, en el captulo 8 se presentan los resultados obtenidos en este trabajo de tesis y los trabajos futuros que podran realizarse en cuanto a lo investigado y desarrollado. Por ltimo, se tienen los apndices con tablas y resultados de simulaciones para quienes tengan un inters de ver ms en detalle lo descrito en los captulos anteriores.
8
Captulo 2: Teora de la Simulacin
Captulo 2: Teora de la simulacin

Ley de Gilb acerca de la falta de confiabilidad: No se debe confiar en las computadoras, pero menos an en los seres humanos
2.1 Definicin de simulacin

En general, el trmino simulacin hace referencia a aquello que permite enfrentar un problema trabajando con una imitacin del mismo en vez de lidiar con el problema real [1].
2.2 Simulacin por computadora

La simulacin por computadora es aquella disciplina que involucra por un lado, disear el modelo de un sistema fsico-terico o real y por otro ejecutar el modelo en una computadora digital, valindose luego de los resultados del mismo para fines bien determinados [10]. La misma se utiliza cuando las pruebas sobre el sistema real no son factibles porque sobrepasan los lmites aceptables de tiempo, costo y/o seguridad de las personas. Se desarrolla entonces un modelo matemtico para el sistema fsico utilizando las leyes fsicas que describen el problema. Este modelo es luego traducido en trminos de un programa de computadora para generar la solucin del problema. Este programa en ejecucin representar entonces una aproximacin discreta al sistema en el mundo real [1]. Como toda disciplina, puede dividirse en Metodologa y Aplicaciones. La simulacin cuenta con un ncleo terico de conocimiento que es independiente del mundo de las aplicaciones. Esta teora se aplica a tres sub-campos de la simulacin: Diseo del modelo, ejecucin del modelo y anlisis de la ejecucin.
2.3 Avances de la simulacin por computadora Las APIs

El campo de la simulacin por computadoras es de alrededor de 40 aos de antigedad, y an est en un continuo crecimiento. Al desarrollarse hardware cada vez ms rpido, con arquitecturas optimizadas y con mayores capacidades, las viejas formas de simulacin han progresado notoriamente y nuevos mtodos de simulacin emergen con prestaciones antes inimaginables [10]. Tradicionalmente los equipos y costos de desarrollo han sido muy altos para simulaciones con capacidades y realismo adecuados, pero los avances en las PCs y las tecnologas asociadas han reducido dramticamente los costos de crear ambientes realistas virtuales. Nos encontramos en un momento en el que existe la posibilidad de crear simuladores accesibles, basados en arquitecturas de microcomputadoras con componentes estndares, para aplicaciones que tradicionalmente requeran sistemas basados en estaciones de trabajo de muy alto costo, supercomputadoras o equipos especficos para simulacin con dispositivos grficos especiales [2, 4, 11, 23, 24, 33, 34, 35, 43]. Adems, los nuevos sistemas operativos (Windows NT, Linux, OS/2), lenguajes orientados a objetos (C++, Java, SHIFT [37]), bibliotecas de todo tipo aplicables a la simulacin (C++SIM [36], SLX [38]) y APIs grficas estndares (MESA, OpenGL, DirectX, Fahrenheit), proveen facilidades en la programacin que llevan a ahorrar miles de horas/hombre en el desarrollo de nuevos simuladores.
9
Los elementos de ingeniera de software, tiempo de desarrollo de cdigo fuente y facilidad de mantenimiento eran un problema en las microcomputadoras. Las demandas de alto rendimiento no permitan explotar los beneficios de las APIs independientes de la mquina, exigiendo el desarrollo de programas centrados en quitar el mximo provecho a la computadora y no en obtener los resultados ms convenientes de una tcnica de simulacin. Sin embargo, para que un sistema de software sea de mantenimiento sencillo se debe proveer una solucin que sea portable y re-utilizable [35]. El objetivo debe ser asegurar que el costo de desarrollo del sistema se mantenga alrededor de un nivel mnimo sobre el ciclo completo de vida. El uso de APIs estndares reduce el costo total sobre su tiempo de vida. A pesar de que el remover cdigo fuente para pasarlo a una interfaz de alto nivel puede causar una sensible degradacin en el rendimiento, el continuo avance del hardware y uso de nuevas tcnicas compensa esta prdida. A esto se suma la ventaja de que el hardware puede ser actualizado sin reescribir software, lo que en otro caso hubiera significado un costo muy alto como para mantener proyectos de simulacin. La abstraccin del hardware a travs del uso de manejadores de dispositivos e interfaces de aplicacin es necesaria para asegurar que el cdigo sea portable entre dispositivos de hardware. El grado de maduracin de los sistemas operativos para microcomputadoras actuales permite contar con este tipo de requerimientos.
2.4 El porqu de la simulacin de trfico

La mayora de las veces es peligroso y hasta imposible realizar experimentos con sistemas reales. Para las simulaciones interactivas ciertas pruebas experimentales requeriran de prototipos costosos, que inclusive podran destruirse durante el experimento, especialmente en los casos donde el resultado del experimento es incierto. Los modelos de simulacin son por lo general ms baratos y seguros que la realidad que stos simulan. Dado que estos modelos son una descripcin adecuada1 de la realidad, experimentar con ellos producen los mismos resultados deseables al experimentar con la realidad sin poner en peligro grandes inversiones ni la seguridad de las personas, permitiendo inclusive realizar pruebas sobrepasando los lmites de seguridad que el experimento impone en la realidad [1, 3, 10, 11]. Respecto a la simulacin de trfico, la realizacin de pruebas de campo sobre diferentes posibilidades de flujo vehicular puede ser: Costoso: Se necesita tener a un equipo especializado de gente realizando pruebas y mediciones por das o semanas en diferentes horarios. Engorroso: Hay que llevar un detallado recuento de estadsticas evitando errores en conteos que muchas veces suelen ser manuales. Adems, la investigacin bajo situaciones especiales como fenmenos climticos, congestin de vas de acceso, accidentes y otros, obligan a retrasar el avance de las pruebas hasta que se den las condiciones requeridas. Problemtico: Ciertos parmetros son difciles de obtener, como velocidades y aceleraciones promedio, tiempo de viaje, tiempo medio de espera, etc. Peligroso: El nivel de desconocimiento de la va por la que se circula es normalmente uno de los indicadores probabilsticos a favor de los accidentes. Realizar pruebas no permanentes de sealizaciones, semforos y cambios de sentidos de calles puede resultar confuso para los conductores y causar accidentes.
Cuando se dice descripcin adecuada se hace referencia al nivel de precisin particular deseado para lograr los objetivos de la experimentacin.
1
10
Debido a todos estos problemas que se utilizan cada da ms los simuladores de trfico. Hace ms de una dcada, la simulacin era considerada el ltimo recurso2 a ser utilizado para resolver un problema; hoy en da, dados los adelantos tecnolgicos en la rama digital, los bajos costos y sobre todo la gran disponibilidad de esta tecnologa, ella es considerada en muchos casos una herramienta de primera mano [3].
2.5 Tipos de simuladores notables para este estudio

Simulador de Conduccin: Un simulador de conduccin es un tipo de simulador que permite sumergir a una persona en un entorno irreal de tal manera que conduzca algn tipo de vehculo dentro del ambiente simulado, de la forma ms realista posible, de tal manera que se puedan evaluar diferentes ejercicios o pruebas a realizarse sobre el sujeto. Un simulador de conduccin posee una gran cantidad de aplicaciones, tanto con fines de entrenamiento de personas, investigacin y diseo de vehculos. Todo simulador de conduccin tiene los siguientes componentes [12]: Un simulador de la fsica del modelo del vehculo y de la superficie de la pista. Un simulador del entorno, incluyendo otros vehculos y el entorno de stos. Un sistema que permite al operador interpretar el estado del modelo, proveyndole de la retroalimentacin sensorial necesaria. Un conjunto de dispositivos de control del vehculo Simulador de trfico: Herramienta ampliamente utilizada por ingenieros de trfico para evaluar posibles modificaciones a las vas de circulacin vehicular, configuraciones alternativas de sealizacin, construccin de vas nuevas y en general, cualquier tipo de innovacin que an no se ha puesto en marcha. Para que los resultados sean los correctos, se necesita que las predicciones sean precisas. El captulo 3 trata en profundidad a la simulacin de trfico.
2.6 Clasificacin de la Simulacin

2.6.1 Segn el contexto en el que se desenvuelve Simulacin por Anlisis Matemtico: Modelo matemtico que representa un fenmeno a simular. Parte del uso correcto de teoras probabilsticas y matemticas para reproducir un sistema de forma abstracta, obteniendo del mismo una serie de valores que expresan cuantitativamente el resultado esperado y en base al cual se puede luego obtener conclusiones vlidas. Simulacin en Tiempo Real: Aquella donde se requiere que la ejecucin del programa de computadora de un modelo de proceso dinmico ocurra en el tiempo del mundo real, es decir, ni ms rpido ni ms despacio que el fenmeno a simular, representndolo tal como ocurre en la realidad [3]. Esta forma de simular ofrece una representacin mucho ms realista y tangible del sistema a simular, permitiendo una evaluacin tanto cualitativa como cuantitativa de los resultados, que a la vez son mucho ms fciles de deducir. Esta es una tcnica por la cual un sistema fsico puede ser representado matemticamente por un programa de computadora para resolver un problema.
ltimo recurso en el sentido de agotar cualquier otra posibilidad previamente a la implementacin de un simulador, dados los costos y las dificultades que significaban para el proyecto.
2
11
2.6.2 Segn la forma en que se simula el sistema Batch Processing: Cuando las entradas de control para el sistema pueden predeterminarse y programarse. Estas entradas son pasadas a una computadora junto con el programa que realiza la simulacin para su ejecucin en una serie de casos tambin predeterminados. El programa entra en ejecucin tan rpido como la computadora permita hasta devolver los resultados esperados [3]. Human-In-The-Loop: En los eventos donde las entradas de control necesarias para la simulacin son por naturaleza dinmicos o no pueden estar predeterminados, el trmino simulacin es aplicable solo a aquella que involucra restricciones de Tiempo Real. Esta forma requiere una correspondencia estricta entre el tiempo del programa de computadora y el tiempo del mundo real. Igualmente se requiere que las entradas de control estn sincronizadas en el tiempo y no pueden representar proporciones bajo alguna escala de tiempo. Esta forma de simular tambin recibe el nombre de Pilot-In-The-Loop [3]. Hardware-In-The-Loop: Aplicable a eventos con las mismas restricciones que en la simulacin Human-In-The-Loop, con la diferencia que se implementa algn proceso o dispositivo que hace las veces de rgano de control, suficientemente realista como para que suplante (simule) al rgano de control del sistema real. Esta forma de simular tambin recibe el nombre de Computer-In-The-Loop [3]. 2.6.3 Segn la forma de actualizacin Actualizacin basada en el Tiempo: El modelo se actualiza regularmente cada cierto intervalo de tiempo. El Tiempo de Simulacin avanza previo a cada actualizacin, y cada una de estas busca cambiar el estado actual del modelo tal que sea vlido, o sea, se corresponda con el Tiempo de Simulacin actual. El intervalo de actualizacin puede ser nico si existe un solo modelo o mltiple si existen varios modelos, cada uno con un intervalo propio [22]. Actualizacin basada en Eventos Discretos: Son sistemas dinmicos que evolucionan en el tiempo por medio de la aparicin de eventos en intervalos de tiempo no regulares. Este arribo de eventos altera el sistema causando que el mismo pase de un estado a otro [22]. 2.6.4 Segn la escala y el foco de inters Microsimulacin: Cuando se analiza un fenmeno a nivel de grandes cantidades de elementos cuyas dimensiones y factores descriptivos son notablemente menores al rea del fenmeno descrito, siendo ms relevante el comportamiento y la tendencia global antes que la descripcin minuciosa de cada uno de los elementos componentes [1, 10, 64]. Macrosimulacin: Cuando las dimensiones de los elementos y los factores que envuelven al sistema son todos notables a un alto nivel de precisin. En este tipo de sistemas convencionales interesa conocer todos los ms ntimos detalles de una cantidad normalmente reducida de elementos y factores que rodean al fenmeno simulado [64]. Mesosimulacin: Cuando se analiza un fenmeno considerando un nivel intermedio entre las escalas mencionadas con anterioridad. En este caso, la simulacin no se centra en una situacin o en un sistema definido, sino que hace hincapi en el anlisis de un grupo de
12
elementos bien determinados con el objetivo de conocer sus reacciones y darles un seguimiento completo desde que entran y hasta que salen del sistema [64]. Nanosimulacin: Es un tipo especial de microsimulacin donde el objetivo se centra en el anlisis del comportamiento humano. En este campo interesa la descripcin sistemtica de las debilidades del sistema de percepcin y reaccin humano.
2.7 Terminologa utilizada en el mbito de la simulacin

Estado: Una variable que caracteriza un cierto nivel o valor descriptivo del sistema. Evento: Un suceso que incide en un punto del tiempo que tiene la capacidad de alterar el estado del sistema. Entidad: Todo objeto identificable que es reconocido por el modelo como parte integrante del sistema. Cola: Referente a una lista de entidades o tareas en espera de ser atendidas sistemticamente por el modelo. Creacin: Relativo al arribo de una nueva entidad o tarea al sistema en algn momento futuro. Planificar: Asignar un evento futuro a una entidad existente. Inicializacin: Mecanismo que establece el estado inicial de la simulacin. Dinmica del Sistema: Estudio riguroso de problemas en el comportamiento de sistemas, utilizando principios de retroalimentacin, dinmica y simulacin caracterizado por una bsqueda de soluciones tiles a problemas reales en su entorno por medio de modelos de simulacin por computadora tal que se pueda comprender mejor el problema y encontrar vas de solucin. Los modelos de simulacin se basan en modelos mentales, cualitativos y tcnicas numricas [1].
2.8 Disciplinas tiles a la Simulacin

2.8.1 Estadstica y Probabilidad Provee tcnicas matemticas para comprender los datos resultantes de una simulacin. A continuacin se definen los trminos ms utilizados para el presente estudio: Espacio muestral: Dominio sobre el cual se ejercen los estudios estadsticos [1]. Variable Aleatoria: En muchas situaciones experimentales se desea asignar un nmero real x a cada uno de los elementos s del espacio muestral S. Esto es, x = X(s) es el valor de una funcin X del espacio muestral a los nmeros reales. Sea un experimento y S el espacio muestral asociado con el experimento. Una Funcin X que asigna a cada uno de los elementos s S, un nmero real X(s), se llama variable aleatoria [73]. Funcin de probabilidad: Sea X una variable aleatoria discreta. Por tanto, el numero de valores posibles de X (esto es Rx, el recorrido) consta a los ms de un nmero de valores, x1, x2, x3 .... infinito numerable. Con cada resultado posible xi asociamos un nmero p(xi) = P(X = xi), llamado la probabilidad de xi siempre que: p(xi)0 i i=1 p(xi) = 1 entonces p es la funcion de probabilidad de X [73].
13
Distribucin: La regla que gobierna las caractersticas probabilsticas de una variable aleatoria [1]. Proceso Estocstico: Es una coleccin de variables aleatorias {X(t),tT}, todas definidas bajo un espacio muestral probabilstico comn donde X(t) representa al estado para el cual t es un ndice de tiempo del conjunto T [1]. Esperanza: Referida al valor promedio esperado de una variable aleatoria. Formalmente, sea X una variable aleatoria y sea Y = H(X) una variable aleatoria discreta con valores posibles y1, y2... y sea q(yi) = P(Y = yi), entonces la esperanza de Y esta dada por: E(Y) = i=1 yi q(yi) [73] Varianza: Nmero que establece el promedio de los cuadrados de la desviacin estndar en torno a la media. Formalmente, sea X una variable aleatoria. La Varianza de X denotada con V(X) y 2x esta dada por: V(X) = E[X E(X)]2 [73] Desviacin estndar: Nmero que indica qu tanto, en promedio, cada valor en una distribucin se desva de la media (o centro) de la distribucin. Esta dada por el cuadrado de la Varianza y se denota con x [73] Distribucin del muestreo: Describe probabilidades asociadas con valores estadsticos cuando una muestra aleatoria es extrada del espacio muestral. Estimacin: Es el proceso por el cual se utilizan datos de muestra para indicar el valor de una cantidad desconocida en una poblacin. 2.8.2 Inteligencia Artificial (IA) Ciencia que permite introducir a los modelos de simulacin el uso del lenguaje natural y del conocimiento cualitativo. La mayora de los procesos humanos involucran el intercambio de conocimiento por medio del lenguaje natural, por lo que se debe contar con un mecanismo de traduccin de informacin cualitativa a las estructuras de los sistemas artificiales, que manejan informacin cuantitativa. Este mapeo cualitativo-cuantitativo es mejor tratado utilizando tcnicas de IA. La IA tambin brinda un marco acabado respecto a la codificacin del proceso de toma de decisiones: La simulacin involucra una continua toma de decisiones dado el estado del sistema. Las decisiones ms correctas pueden ser guiadas por sistemas de bsqueda, reglas y modelos matemticos, as como por sistemas expertos o Agentes Inteligentes [10]. 2.8.3 Paradigma de Orientacin a Objetos (OO) El objetivo central de la simulacin consiste en encontrar el mapeo ms efectivo entre el mundo real con sus objetos3 y un programa de computadora. La forma ms directa de obtener un modelo que logre este mapeo es utilizar un lenguaje de programacin que permita la definicin de objetos abstractos tal que stos se correspondan con los objetos reales. Los mayores beneficios de la programacin orientada a objetos incluyen la reutilizacin del software, un mantenimiento ms fcil, interoperabilidad y la creacin rpida de prototipos [46]. Adems, el uso de objetos se ha demostrado til para paralelizar procesos de simulacin en el que mltiples entidades pueblan un ambiente, y sus clculos pueden distribuirse en una red de computadoras [64].
3
El mundo real representa la escena y el ambiente, y sus objetos representan los actores y agentes que se desenvuelven en ella e interactan entre s [10].
14
Los dos mayores acercamientos para la reutilizacin de cdigo en los diseos orientados a objetos con la herencia de clases y la composicin de objetos. Cada acercamiento tiene sus ventajas y desventajas. Herencia: La herencia permite que subclases extiendan y especialicen una clase padre agregando datos, mtodos, y permitiendo el uso del polimorfismo. Las clases generales se ponen ms arriba en la jerarqua de herencia y los objetos especializados ms abajo, por lo que muchas subclases pueden reutilizar a la clase padre. Sin embargo, la herencia rompe la encapsulacin exponiendo la implementacin de la clase padre a sus subclases. Cambios en la implementacin de la clase padre normalmente implica cambios en las subclases. Problemas de herencia mltiple y los requerimientos de compilacin diluyen el valor de la herencia para la reutilizacin. La herencia promueve las dependencias implementativas. Composicin de objetos: La composicin de objetos es la construccin de una clase utilizando instancias de otras clases como componentes. Debido a que las clases componentes son accedidas a travs de su interfaz (mtodos pblicos), la encapsulacin no se rompe y existen menos dependencias de implementacin. La composicin de objetos, sin embargo, es ms difcil. Requiere que las clases componentes tengan interfaces bien definidas para promover la reutilizacin. Adems, los objetos deben respetar esas interfaces ya que no se tienen detalles de su implementacin. Finalmente, la composicin de objetos hace que tengamos numerosas y pequeas clases componentes, ya que cada componente debe realizar pocas tareas. Esto usualmente requiere muchas interrelaciones entre las clases componentes que normalmente se encapsularan en una clase mayor. La modelizacin en este paradigma no desecha por completo el paradigma imperativo. Enfocar el diseo por medio de objetos no elimina el provecho que pueda quitrsele a procesos y actividades, ya que estos ltimos permiten modelar las transiciones de estados como parte del comportamiento de los objetos de una forma natural. La orientacin a objetos permite adems crear metforas del mundo real para ciertas tareas, mediante estructuras de datos y procesos que permiten representarlas de forma abstracta. Luego, estas metforas pueden ser insertadas dentro de programas en los cuales slo ser necesario definir el contexto en el cual la metfora se desempear, evitando as entrar en sus detalles implementativos. 2.8.4 Redes Neurales (NN) Existen dos aproximaciones utilizadas en la aplicacin de las redes neurales a la simulacin: Como un modelo de comportamiento para vincular la entrada de un sistema genrico con su salida. La red neural acta como repositorio de comportamiento de cualquier sistema. Como un modelo de la actividad del cerebro y del comportamiento humano. El sistema en cuestin cumple el papel de elemento pensante, y su modelo se somete a validacin por medio de la contrastacin respecto a datos empricos obtenidos bajo experimento. Las redes neurales son ampliamente utilizadas en aquellos campos donde se desea captar la esencia de ciertos sistemas [10], o donde se considera muy dificultoso o costoso determinar el estado de un sistema mediante mecanismos convencionales. El principal efecto negativo respecto a la simulacin es el costo computacional que implica, lo que lo vuelve prohibitivo para la mayora de los simuladores, especialmente si stos tienen restricciones de tiempo real.
15
2.8.5 Lgica Difusa Complementa la utilizacin de redes neurales con las mismas aplicaciones. La idea de la lgica difusa es la de aproximar el proceso de toma de decisin humano en trminos del lenguaje natural en vez de trminos cuantitativos clsicos. Se crea entonces un modelo de simulacin comportamental equivalente a un modelo probabilstico, pero asumiendo que no se cuenta con suficientes indicadores como para valerse de la estadstica. 2.8.6 Computacin Paralela y Distribuida La simulacin normalmente genera demasiada carga en la computadora en la cual el modelo se ejecuta. Para acelerar la ejecucin del modelo y optimizar el uso de la arquitectura de la computadora se recurre normalmente a la paralelizacin de algoritmos. Adems, los procesos pueden distribuirse en varias computadoras interconectadas entre s para lograr un mayor rendimiento [10]. De esta manera se permite adems distribuir el modelo entre un conjunto de computadoras especializadas en determinadas tareas, logrando as un sistema colaborativo de alta eficiencia. Las desventajas de utilizar estas tcnicas residen en la necesidad de modelar el problema de forma tal que las tareas puedan fraccionarse, sincronizarse, controlar la carga de cada nodo, reducir la dependencia entre las partes, reducir la carga del medio de comunicacin considerando el retraso que generan y solucionar problemas respecto a las restricciones de tiempo. Adems debe existir un mecanismo que gue y regule la localizacin de los datos, as como su consistencia [10]. 2.8.7 Grfica Computarizada Los resultados de cualquier simulacin pueden ser entendidos fcilmente en muchos casos con la simple revisin de una salida grfica, ya sea en forma de tablas o diagramas, o a travs de grficos dinmicos que muestran la evolucin del sistema a travs del tiempo. En simuladores interactivos, la calidad grfica y velocidad de respuesta permiten que la simulacin sea una mejor experiencia y se aproveche mejor.
2.9 Anlisis, verificacin y validacin de los simuladores

Un simulador es una representacin del mundo en una forma disminuida y controlada. Como tal, puede contener errores tanto de concepto como de implementacin, que deben ser cuidadosamente revisados. El anlisis de sensitividad trata con la evaluacin de las medidas de rendimiento respecto a los parmetros de inters, provee gua para el diseo y las decisiones operacionales, adems juega un papel muy importante en la identificacin de los parmetros ms significativos, as como en los cuellos de botella de los subsistemas. Existen tres procesos de anlisis bsicos [1]: 2.9.1 Lo que incluye el Anlisis Descriptivo Identificacin y formulacin del problema: Identificar las entradas controlables y no controlables, identificar las restricciones a las que estn atadas las variables, definir la medida del rendimiento del sistema y una funcin objetivo, desarrollar una estructura preliminar del modelo para interrelacionar las entradas y la medida de rendimiento.
16
Recoleccin de datos y anlisis: Independientemente del mtodo utilizado para recoger los datos, la decisin de cuanto recoger es un trade-off entre costo y certeza. Desarrollo del modelo de simulacin computarizado: Adquirir suficiente entendimiento del sistema para desarrollar un modelo conceptual, lgico y de simulacin apropiado es una de las tareas ms difciles en el anlisis de la simulacin. Validacin del modelo: Se puede dividir en tres tipos: Validacin: Est interesada en la correspondencia entre el modelo y la realidad. El trmino validacin se aplica a aquellos procesos que buscan determinar si una simulacin es o no correcta respecto al sistema real, comparando la salida del modelo con el comportamiento del fenmeno. Verificacin: Enfoca la consistencia interna del modelo La verificacin revisa si la implementacin del modelo de simulacin corresponde a la realidad, comparando el cdigo programado con el modelo para asegurar que ese cdigo es la correcta implementacin del modelo. Calibracin: Revisa si los datos generados por la simulacin cuadran con los observados. Consiste en poner a punto los parmetros existentes respecto a los verdaderos resultados sin agregar nuevos parmetros. Anlisis de entrada y salida: Realiza un chequeo intensivo en los datos de entrada incluyendo variables externas, aleatorias y determinsticas. Evaluacin del rendimiento del simulador. 2.9.2 Lo que incluye el Anlisis Prescriptivo Optimizacin: Requiere una simulacin intensiva para construir una funcin de aproximacin de la respuesta. 2.9.3 Lo que incluye el anlisis Post-Prescriptivo Estimacin de la sensitividad: Necesario para comprender las relaciones significativas entre los objetos o datos de modelos complicados.
17
Captulo 3: Introduccin a la Simulacin de Trfico
Captulo 3: Introduccin a la simulacin de trfico

Ley de la conduccin segn Lovka: No hay trfico hasta que se necesita doblar a la izquierda
3.1 Simulador de trfico

Herramienta ampliamente utilizada por ingenieros de trfico para evaluar posibles modificaciones a las vas de circulacin vehicular, configuraciones alternativas de sealizacin, construccin de vas nuevas y en general, cualquier tipo de innovacin que an no se ha puesto en marcha o que se desea evaluar.
3.2 Utilidad de un simulador de trfico

Existen numerosos ejemplos y citas de los usos de un simulador de trfico [3, 5, 6, 9, 11, 12, 27, 42, 43, 44, 50, 64, 86, 87], por lo que he preparado un resumen estructurado de los mismos: Evaluacin de toma de decisiones sobre cambios de infraestructura: Mediante la simulacin podemos evaluar todos los aspectos una zona determinada mediante trfico realista dinmico que la surque. As se pueden simular los efectos de reducir o ampliar carriles, agregar semforos, analizar el giro a la izquierda en avenidas, agregar o eliminar rotondas, pavimentar calles, construir viaductos, agregar cruces peatonales, etc. Los resultados de estas simulaciones pueden ser la base para el desarrollo de proyectos de mejoramiento vial. Simulacin del efecto de las medidas de control como: Se puede evaluar el impacto en la circulacin vehicular al modificar lmites de velocidad, franjas de adelantamiento para camiones, restricciones de cambio de carril, cambio del sentidos de calles, prohibicin de estacionar en zonas problemticas, cambio de velocidades mximas y mnimas permitidas en arterias o avenidas o modificacin de tiempos de semforos. Simulacin en situaciones especiales: Se puede configurar el simulador para que se ajuste a parmetros especiales poco comunes o difciles de conseguir en la realidad, como ser lluvia intensa, niebla, clausura de calles, grandes movimientos de automviles debido a eventos, etc. Deteccin de los ncleos de congestin, y de los motivos de su formacin: Mediante un simulador es fcil detectar cuellos de botella causantes de congestionamientos y realizar pruebas de diferentes estrategias que ayuden a minimizarlos. Disminucin de costos: La simulacin permite minimizar los costos debido a que no se necesita efectivamente utilizar vehculos, combustible o personal calificado que realice las pruebas y releve los datos en largos perodos de tiempo. Recoleccin de datos: La mejor manera de recolectar datos experimentales sobre el comportamiento de entidades es simularlas en una computadora, la cual puede extraer todos los datos relativos al evento en cada momento de la simulacin, construir tablas y bases de datos con los resultados obtenidos e inferir conclusiones a partir de ellos. Disminucin de peligro: Hacer pruebas de cambios de sentidos de calles, sealizaciones o semejantes puede ser confuso para los conductores y causa de accidentes en la vida real.
18
Evaluacin de dispositivos a bordo: En este caso se investiga el uso de dispositivos como sistemas de navegacin, informacin y alerta para obtener una medida de su impacto en la conduccin vehicular. Diseo de sistemas de autopistas automticas: El simulador se utiliza para investigar y desarrollar autopistas automatizadas, en las que el conductor puede confiar en un piloto automtico que realice la mayora de las acciones y toma de decisiones en el proceso.
3.3 Un entorno de trabajo bsico de simulacin de flujo vehicular

A continuacin se presenta un esquema mnimo de representacin de trfico [32, 45]. Tal esquema debe considerar como mnimo a las vas utilizadas para la circulacin, los carriles de cada va, los cruces de vas, incluyendo semforos y los mviles. Estos ltimos pueden considerarse como puntos centrados en cada carril.
El trfico se desarrolla de acuerdo a un modelo matemtico sencillo que permite el avance de los mviles en base a cuantos discretos de espacio y tiempo. As, la simulacin se ejecuta cada cierto periodo constante y las vas de circulacin se encuentran lgicamente divididas en celdas de tamao fijo dentro de las cuales deben estar suscritos los mviles, a lo ms, uno por vez. t
S(x+1) = S(x) + V(x).t
t(x
Sea c el tamao fijo de cada celda. S(x+1) se redondea a la posicin de la siguiente celda correspondiente avanzando el equivalente de S/c celdas. Aqu se controla que: Si dos mviles caen sobre la misma celda a un mismo tiempo ti, se produce una condicin de choque que termina obstruyendo una o ms celdas permanentemente. Si un mvil cae fuera del segmento de va actual, la interseccin lo traslada inmediatamente al siguiente segmento de va sin contar a la interseccin como una celda. Si un mvil cae fuera de la regin simulada, el mismo se destruye.
19
Por otro lado, el trfico se desenvuelve en base al siguiente juego de reglas: Los mviles adaptan su velocidad de acuerdo a las variables de movimiento del mvil que se encuentra directamente frente a l para evitar condiciones de choque. En caso de no contar con un mvil de frente, el mvil establece su velocidad a la mxima permitida por el mvil y por la va sobre la cual circula. Si un automvil se aproxima a una distancia de L metros respecto a una obstruccin, ste debe reducir su velocidad en una cantidad inversamente proporcional a L. Si un automvil se aproxima a una distancia de una celda respecto a una obstruccin, este se detendr por completo. Este esquema no es suficientemente realista ya que no toma en cuenta los tiempos de reaccin del conductor, que tanto se puede frenar o acelerar, la naturaleza y limitaciones de cada situacin y otros factores. An as, los problemas que presenta no alejan al modelo de la naturaleza bsica de las respuestas que se obtienen del mismo. El trabajo con modelos ms precisos requiere de clculos matemticos mucho mas pesados y complejos; y en casos sencillos y de poca carga las respuestas finales no se desvan considerablemente respecto al modelo simplificado. En contraste, si el volumen de trfico es considerable y, sobre todo, si se hace evidente la heterogeneidad en los mviles y en el comportamiento de los mismos, los resultados son totalmente equvocos.
3.4 Anlisis del marco de trabajo microscpico en la simulacin de trfico

Tradicionalmente los modelos de trfico se construyen utilizando analogas al flujo de fluidos, o sea, asume que cada carretera en la red puede ser representada por un arco que tiene una cierta capacidad de flujo. Este tipo de modelo es suficiente para sistemas donde se espera un flujo libre en todo momento, excepto cuando ocurre algn evento que obstruya la carretera. Adems, los modelos tradicionales asumen que el estado de la red tiende al equilibrio, definido por los datos demandados entre origen-destino. En la mayora de los casos, sin embargo, la demanda en una red es dinmica y tal equilibrio nunca se presenta. Tambin suelen existir suposiciones implcitas en un modelo basado en flujos, que indican que el flujo en un arco es instantneo y homogneo. Comnmente no existe representacin del agrupamiento de trfico detrs de vehculos lentos, los patrones de uso de carriles y el efecto de las ondas formadas en contra del sentido del viaje cuando un mvil disminuye y aumenta la marcha en un periodo pequeo de tiempo, conocido como ondas de tipo gusano o detenerse y seguir. Para modelar el flujo de trfico de forma certera, inclusive envolviendo sealizacin compleja e independiente, es necesario utilizar el acercamiento microscpico [32, 57, 58]. Requerimientos de un simulador microscpico: Un simulador microscpico debe poder representar a cada vehculo en la red de carreteras considerndolo como una entidad separada. Los mecanismos tradicionales de modelos microscpicos deberan abarcar aspectos complejos como el comportamiento del chofer, las caractersticas del vehculo, dimensiones de los carriles, ngulos de giro y un gran conjunto de informacin relacionada.
20
Un modelo microscpico satisfactorio debe poder enfrentar estos problemas, pudiendo dar a los ingenieros y planificadores de trfico la informacin detallada respecto al promedio, rango y variacin en el tiempo de las condiciones del trfico; ms que slo un sencillo conjunto de flujos equilibrados. Este tipo de resultados detallados aparecen como una necesidad absoluta para redes de carreteras con problemas de congestin. Para ello, la definicin de la matriz OD (OrigenDestino) genera caminos predefinidos de una zona a otra. Para cada vehculo con conductor y pasajeros conceptuales se crea un nico camino, as como un conjunto de parmetros que definen sus caractersticas comportamentales y fsicas. Este nivel de detalle de la parametrizacin permite simular la complejidad de un sistema de trfico real, a ser modelado con mucha mayor precisin que en los modelos de flujo, los que no realizan prcticamente distincin entre el tipo de vehculo y tipo de conductor. La diferenciacin entre tipos de vehculos es vital para la exactitud de los resultados esperados de la simulacin. Un incidente es causado comnmente por un vehculo con uno de sus parmetros con valores o estados que rodean uno de los extremos permitidos, llevando as la simulacin a una situacin inestable que normalmente tiene como desenlace a la congestin. Los resultados que brinda un simulador microscpico suelen ser los siguientes [70]: Resmenes espaciales: Resmenes de lo que sucedi fsicamente en las carreteras, como ser el desplazamiento de los automviles individuales, el flujo total en un tramo, la cantidad de mviles que pasaron por un cruce, velocidad promedio de los mviles en un tramo, etc. Resmenes temporales: Datos sobre los tiempos de viaje, como ser el tiempo promedio de recorrido de un punto a otro, el tiempo promedio de espera en un semforo o en una esquina, etc. Cuadros Estticos: Se toman en perodos de tiempos controlados, fotos de lo que est ocurriendo en ese momento, con detalles definidos segn la necesidad. Estos datos podran ser desde la posicin de cada vehculo en cada momento hasta complejos reportes de lo que ocurri en cada instante incluyendo todas las variables del sistema y el estado interno de las entidades inteligentes con sus decisiones y motivaciones. Estos archivos pueden utilizarse para luego realizar grficas dinmicas de la simulacin, o para recuperar datos que no se brindaron en los resmenes espaciales o temporales. EasyTraf, el simulador implementado como resultado de este trabajo de Tesis, es un microsimulador diseado para cumplir con todas estas especificaciones y otras nuevas que surgieron en funcin a las investigaciones realizadas. Detalles sobre el funcionamiento de EasyTraf se vern en el Captulo 5. Objetivos deseables en el manejo de los vehculos dentro de la simulacin [45]: Manejar vehculos autnomos con el mximo de flexibilidad. Agregar y quitar vehculos autnomos, permitiendo cambiar sus propiedades de velocidad, posicin, comportamiento y recorrido. Las propiedades deben ser independientes del cdigo y pueden ser alteradas segn las necesidades y sin tener que recompilar el programa. Permitir la manipulacin de situaciones especficas en estudio, induciendo comportamientos poco normales en momentos claves.
21
3.5 Estructuracin del simulador de trfico como Comportamiento Emergente

A diferencia del Entorno de Trabajo Bsico introducido en el apartado 3.3 donde los mviles no interactan entre s y presentan un comportamiento automatizado muy bsico [45], la estructuracin como Comportamiento Emergente supone que cada vehculo es representado como un objeto con mtodos que modelan el comportamiento del conductor por medio del anlisis y posterior reaccin respecto al ambiente de simulacin [44]. Estos mtodos contienen parmetros que influencian el comportamiento de los modelos de conduccin, como ser: Parmetros Cuantitativos, como velocidad esperada, aceleracin y desaceleracin mxima, distancia mnima entre autos, lmites de espacio para adelantamientos, entre otros. Seleccin entre expresiones booleanas para decisiones como los cambios de carril. Control de la inclusin o exclusin de reglas de comportamiento en el modelo del conductor. Manejo de las proporciones entre diferentes modelos dentro de la poblacin de conductores. Tambin existen valores de configuracin a nivel del modelo global: Parmetros globales como el flujo medio de trfico, geometra de la calzada y promedio de velocidad esperada. Variables acotadas entre valores mnimos y mximos que no son conocidas de forma precisa o que se presentan como funciones o relaciones respecto a otros parmetros.
3.6 Microsimulacin de Sistemas Abiertos y Cerrados

El realismo en la representacin de flujos de mviles depende en gran manera de la forma como se inyectan los mviles al sistema y de cmo se controla su trayectoria y permanencia. La mayora de los estudios tericos de dinmica del trfico apuntan a sistemas cerrados (SC), tpicamente anillos, apelando a la simplicidad terica. Los sistemas reales, sin embargo, son sistemas abiertos (SA) cuya dinmica se comporta de manera muy distinta comparada a la de los sistemas cerrados. Las principales diferencias son [44]: Los SA deben imponer condiciones de lmites no triviales en los lmites de entrada y salida de flujo. El principal parmetro es el flujo de trfico, en contraste a la densidad de trfico en los SC. La combinacin de SA con cuellos de botella lleva a situaciones de trfico congestionado que no son manejables en SC. La implementacin de condiciones de frontera4 es complicada debido a que la informacin puede viajar en ambas direcciones: En el sentido del flujo por el movimiento de cada vehculo y en el sentido inverso al flujo debido a las ondas tipo "detenerse y seguir" y otros movimientos colectivos contra la direccin de conduccin. Para que el modelo sea consistente matemticamente, las condiciones de frontera deben ser adaptadas dinmicamente durante la simulacin.
Condiciones de frontera: Referente a los clculos y controles que se realizan cada vez que un mvil altera su posicin en el sistema, con el objetivo de alterar su estado de movimiento en caso que se pronostique o produzca una colisin [1].
4
22
Los microsimuladores de trfico orientados a brindar informacin realista de la dinmica del trfico vehicular deben modelarse como Sistemas Abiertos donde existan sumideros y colectores como puntos de produccin y consumicin de trfico respectivamente, que al mismo tiempo representen el ritmo de generacin de mviles en cada zona por periodos diferenciados no mayores a 15 minutos5.
3.7 Los simuladores existentes en el mundo

En esta seccin se presenta una descripcin sumaria de simuladores comerciales y cientficos, relativos a la conduccin y al trfico, cuya funcionalidad fue observada y tomada a consideracin para el presente trabajo de tesis. Estos simuladores dan una visin acabada del estado del arte actual. Una gran parte de los simuladores de trfico representativos desarrollados en el mundo son interactivos y permiten la participacin de una persona de forma activa con el ambiente simulado, preferentemente con fines de entrenamiento. Otros son microsimuladores, o simuladores que permiten regenerar artificialmente todo el flujo vehicular de un rea que normalmente involucra una gran cantidad de mviles. Los ms destacados en el estudio son: STISIM [2]: STISIM es un simulador interactivo de conduccin automotriz basado en plataforma PC, diseado por Systems Technology Inc. (STI) para representar una serie de tareas psicomotoras, de atencin dividida y cognoscitivas relacionadas con la conduccin. La simulacin incluye la dinmica del vehculo, informacin grfica tanto de la simulacin como del estado del sistema (a travs de proyectores o monitores), informacin sonora (a travs de parlantes), y un sistema para medir el rendimiento del conductor. Las tareas pueden programarse a travs de un Scenario Definition Language (SDL) que permite al usuario especificar secuencias arbitrarias de tareas, eventos e intervalos de medida del rendimiento. El simulador fue diseado para ejecutarse en una sola PC de alto rendimiento. NASA Langley Research Center (LaRC) [3]: El centro de simulacin en tiempo real LaRC trabaja con dos supercomputadoras Hewlett Packard/CONVEX (C3840 y C3830) y dos computadoras SGI ONYX (con ocho procesadores R4400 cada una) para satisfacer los requerimientos computacionales de los proyectos de investigacin sobre tiempo real. Utilizan sistema operativo UNIX y como lenguaje de programacin el C, C++, FORTRAN y ADA. Numerosos equipos estn conectados a travs de una Switch Network, consistente en una matriz que puede conectar hasta 36 sitios en simultneo. Los simuladores se sincronizan a travs de un reloj de tiempo real que permite a cada sitio interactuar con el resto a travs de operaciones estratgicas de grupo. La red provee un ambiente SCRAMNet para disponer de memoria compartida entre las computadoras. El sitio combina todo tipo de simuladores aeronuticos, cada uno de los cuales con sus propia interfaz fsica especial y cabina. Simulador de conduccin de Renault [4]: Es un proyecto europeo de 12 millones de dlares, cuya arquitectura est basada en PCs bajo Windows NT y un sistema visual basado en SGI, que sera reemplazado tambin por sistemas PC. El software de simulacin tiene una
Como parte de las investigaciones realizadas para el desarrollo del presente trabajo, el Ing. Jos Rivarola y el Ing. Ibez, Ingenieros de Trfico del proyecto CETA de la Municipalidad de Asuncin contribuyeron con su conocimiento y experiencia. Entre otras grandes contribuciones se mencion que para sistemas abiertos, los parmetros de flujo entrante y saliente son aceptables a lo ms por un periodo de 15 minutos corridos, en horarios en los que se manifieste mucha variabilidad de las condiciones de trfico, tpicamente en los lmites de horarios pico.
5
23
arquitectura modular que incluye dinmica del vehculo, imagen, sonido, generacin de trfico y control de escenarios. El trfico est compuesto de vehculos autnomos que tienen comportamiento inteligente. El trfico puede ser controlado por el propio escenario o por un instructor utilizando una estacin de control. IDS (Iowa Driving Simulator) [5, 9, 27]: Es un ambiente virtual inmersivo de alta fidelidad para simulacin de conduccin que sirve para un gran rango de aplicaciones, desde investigaciones sobre seguridad de trfico hasta pruebas y evaluaciones completas para el diseo y fabricacin de nuevos vehculos. El IDS pone un operador al control de un modelo de vehculo computacionalmente detallado en un ambiente interactivo que incluye trfico, caminos y caractersticas ambientales, mientras provee de retroalimentacin visual, auditiva, de movimiento y fsica. Una gran variedad de escenarios y eventos pueden ser especificados para alcanzar las metas del experimento. El simulador est montado en una plataforma mvil de 6 grados de libertad, dentro de la cual est la cabina de un automvil, con todos los controles funcionando. RUG-COV Driving Simulator [6, 25]: Es el simulador de la Universidad de Groningen, en Holanda. Fue diseado especialmente para estudiar el comportamiento de las personas que manejan, enfocando los aspectos psicolgicos de la participacin en el trfico automotor. Provee un entorno interactivo en el que se ponen a prueba a los conductores para medir sus reacciones bajo diferentes circunstancias. Los vehculos virtuales son controlados por agentes inteligentes. El simulador utiliza una cabina BMW 518, con todos los controles operacionales, y tres proyectores grficos muestran los grficos computarizados frente a la cabina. DriS [7, 94]: Es un simulador creado en Portugal. Integra el cuerpo real de un auto con una computadora SGI Onyx Reality Engine. Tambin utiliza una PC para generar sonido y otra para controlar los sensores y seales. Sus intereses son estudiar el comportamiento de los conductores, dinmica del vehculo y diseo de rutas. Simulador de la Universidad de Leeds [8]: Es un simulador de base Fija, utilizado para investigar temas de seguridad, telemtica y comportamiento del conductor. El sistema utiliza la cabina de un Rover 216GTi, una computadora SGI ONYX Reality Engine, 3 vdeoproyectores para el frente y uno para la parte trasera, adems de un procesador de sonido digital Roland S760. Una PC se encarga de monitorear los controles del vehculo, y enviar los datos a la SGI. El software permite generar complejos escenarios virtuales interactivos, programables y a partir de los cuales se pueden extraer datos para posteriores estudios. HYSIM (Highway Driving Simulator) [11]: Es un simulador interactivo de base fija creado para el anlisis de factores humanos en la conduccin, especialmente casos que involucren seguridad, conduccin de menores o personas en estado de ebriedad y adems el desarrollo de prototipos de vehculos inteligentes. El HYSIM utiliza imgenes poligonales generadas por computadora para la simulacin. La cabina utilizada es la de un Ford Fairmont, con todos sus controles funcionales. Utiliza una computadora SGI IRIS 4D/35TG para realizar el total de la simulacin, tanto grfica como de dinmica del vehculo. El sistema posee cuatro proyectores para desplegar los grficos, mientras que unos pistones adheridos a las ruedas simulan las vibraciones del automvil.
24
NADS (National Advanced Driving Simulator) [12]: NADS es un simulador de base mvil, con 360 de movimiento, el mas grande del mundo en su tipo (400 m2 de movimiento). Las imgenes son mostradas a travs de proyectores, y se tienen 4 cabinas de vehculos completamente equipadas para su uso. Es el primero que genera imgenes 3D inmersivas para lograr el efecto de realismo buscado en los simuladores interactivos. HLA Warrior [23]: Es el traspaso de un antiguo simulador militar llamado Janus de mquinas HP corriendo Unix como sistema operativo a un ambiente PC con Windows NT. El nuevo simulador es compatible con la arquitectura de control jerrquico HLA6, utilizando orientacin a objetos, interfaces grficas actualizadas, y terrenos implementados en forma modular. El simulador mantiene compatibilidad con DIS tambin, permitiendo participar en ambos tipos de simulacin distribuida. ModSAF [24]: Es un paquete de software utilizado para generar y controlar entidades semiautomticas (vehculos terrestres, marinos, areos, etc.) en un campo de batalla simulado, para ejercicios sobre el protocolo DIS. ModSAF es un sistema distribuido, cuyas componentes pueden ejecutarse en varias computadoras, comunicndose entre s. ModSAF corre en varias estaciones de trabajo UNIX (SGI, Sun, IBM, HP, DEC Alpha, etc.), pero ha sido portado a PCs corriendo Windows NT y Linux. TRANSIMS (Transportation Analysis Simulation System) [57]: Microsimulador desarrollado en "Los Alamos National Laboratory". Utiliza una aproximacin a autmata celular para proveer la velocidad computacional necesaria para simular una regin completa a nivel de cada vehculo en la red. La tcnica del autmata celular provee una manera de simular un gran nmero de vehculos y mantener una velocidad de ejecucin aceptable. Cada carril en la red de carreteras se divide en un nmero finito de celdas. Por cada avance del tiempo de simulacin, cada celda es revisada para saber si tiene un vehculo ocupndola. Si se encuentra un vehculo, el mismo deber avanzar a otra celda siguiendo una regla de avance muy sencilla. El tamao de la celda y la complejidad de la regla de avance determinan la fidelidad y el rendimiento del microsimulador. PARAMICS [60]: Herramienta de software comercial creada por QuadStone Technologies para modelar el movimiento y comportamiento de vehculos individuales en redes de carreteras urbanas. Consta de un modelador, un procesador de simulaciones, un visor y un analizador. Al ejecutarse se debe proveer al microsimulador de una serie de parmetros geogrficos y otros asociados a los viajes individuales. Genera la simulacin en ambientes UNIX utilizando computadoras de alto rendimiento y obtiene informacin estadstica que luego la procesa en trminos de informacin de flujo, orientados al estudio de la capacidad de transporte de las redes de carreteras. MIDAS (Massachusetts Interactive Driving and Acoustic Simulator) [91]: Es un simulador interactivo de tiempo real desarrollado en el MIT que provee alta calidad de salida grfica y sonora sobre una base fija. Incluye la simulacin de peatones y animales. Utiliza dos
6 HLA: High Level Architecture, o Arquitectura de Alto Nivel. Estndar de comunicacin utilizado por simuladores militares cooperativos para modularizar y distribur la carga entre los componentes. El HLA reemplaza al protocolo DIS (Distributed Interactive Simulation- IEEE 1278) para permitir mejor adaptacin a las nuevas tecnologas de comunicacin y operar con protocolos hbridos, dando as mucha mayor flexibilidad a los componentes de la simulacin [39].
25
computadoras SGI ONYX Reality Engine para el procesamiento grfico y cuenta con sistemas de seis parlantes para simular el efecto Doppler. IVIS (In-Vehicle Information Systems) [92]: Es un simulador de tiempo real desarrollado en el Oak Ridge National Laboratory, utilizado principalmente para evaluar el uso de dispositivos de informacin, trfico automatizado y sistemas de gua de vehculos. Se basa en el simulador STISIM. SHIVA (Simulated Highways for Intelligent Vehicle Algorithms) [18, 71, 86, 87, 88]: Es un simulador creado en el instituto de robtica de la universidad de Carneige Mellon. Se utiliza para evaluar el accionar de entidades inteligentes dentro de trfico realista. La misin de este simulador es probar diferentes algoritmos y modelos de inteligencia artificial (como el SAPIENT) en un simulador para, luego de seleccionarlos, aplicarlos a robots capaces de conducir en entornos reales. Provee informacin programada de sensores similares a la realidad, comunicacin entre vehculos (mediante paso de mensajes, para indicar intenciones o eventos), varios modelos de conductores y la integracin eficiente con robots reales. El simulador corre en computadoras Sun Sparcstations con X-Windows y SGI. MITSIM [48]: Microsimulacin de trfico desarrollado por el laboratorio de simulacin del MIT. Utiliza el modelo del autmata celular para la representacin del trfico y planificacin dinmica de viajes. Est implementado en C++ y utiliza arrays de supercomputadoras para su ejecucin.
26
Captulo 4: Introduccin a la Inteligencia Artificial y a los Agentes Inteligentes

Cita equivocada de Grossman sobre H.L. Mencken: Los problemas complejos tienen soluciones errneas sencillas y fciles de comprender
En este captulo se da una introduccin a la Inteligencia Artificial (IA) y a los Agentes Inteligentes, junto a nociones bsicas importantes para los captulos subsiguientes. Adems, nos adentraremos en las caractersticas principales de los agentes, su estructura interna, la problemtica de tomar decisiones y una comparacin entre los agentes y la orientacin a objetos.
4.1 Definiciones de Inteligencia Artificial

El campo de la IA ha sido explorado en gran medida desde hace dcadas atrs, y cada vez se ha vuelto ms interesante y ha aportado novedades mayores a la ciencia de la computacin, sobre todo debido a la aparicin de herramientas y lenguajes de programacin especializados en ella y al avance del hardware, permitiendo realizar millones de complejos clculos por segundo, que hasta hace poco tiempo eran imposibles de conseguir. El trmino Inteligencia Artificial ha sido definido de diferentes maneras y para diferentes contextos. Cito a continuacin algunos de los ms interesantes [63]: La automatizacin de actividades que asociamos con el pensamiento humano, como la toma de decisiones, resolucin de problemas y aprendizaje (Bellman, 1978). El esfuerzo de hacer a las computadoras pensar, tener mquinas con mente, en el sentido literal de la frase (Haugeland, 1985). El estudio de facultades mentales a travs de modelos computacionales (Charniak y McDermott, 1985). Un campo de estudio que busca explicar y emular comportamiento inteligente en trminos de procesos computacionales (Schalkoff, 1990). El estudio de como crear computadoras que realicen cosas que, hasta el momento, la gente hace mejor (Rich and Knight, 1991). El estudio de computaciones que hacen posible percibir, razonar y actuar (Winston 1992). La rama de la ciencia de la computacin que se preocupa de la automatizacin del comportamiento inteligente (Luger y Stubblefield, 1993). Como hemos visto, la pregunta acerca de lo que es la Inteligencia Artificial, y si las mquinas pueden pensar es difcil de responder, y para ello debemos definir lo que significan las palabras inteligencia y pensamiento. Algunos aspectos de la inteligencia que tienen en comn la mayora de las definiciones son:
27
Planeamiento. Aprendizaje. Razonamiento. Resolucin de problemas. Percepcin.
4.2 Categorizacin de los sistemas de IA segn las definiciones

Las definiciones de IA se pueden organizar en cuatro categoras [63]: Sistemas que piensan como humanos: Esto requiere entrar dentro de la mente humana para ver como funciona y luego comparar nuestro programa con esto. Esto es lo que intenta realizar la ciencia cognitiva. Otra forma de hacerlo es observar a un humano resolviendo un problema y hacer que nuestro programa acte de manera similar. Un ejemplo es el GPS (General Problem Solver), que era un programa de computadoras que intentaba modelar el pensamiento humano. Los desarrolladores no estaban muy interesados en si el GPS resolva o no los problemas correctamente, sino en que los resolviera como la gente comn, pasando por los mismos pasos y tomando alrededor del mismo tiempo en realizar esos pasos. Sistemas que actan como humanos: En este tipo de sistemas se intenta crear un programa que acte de manera similar a un humano. Un ejemplo de esto sera la creacin de un programa capaz superar el test de Turing. Para ser considerado inteligente, el programa debe ser capaz de actuar suficientemente humano como para engaar a un interrogador. El humano interroga al programa y a otro humano a travs de una terminal en forma simultnea. Si luego de un perodo de tiempo razonable el interrogador no puede saber cual es cual, el programa pasa la prueba. Este test evita el contacto fsico y se concentra en facultades mentales de nivel ms alto. Pasar este test requiere: Procesamiento del lenguaje natural. Representacin del conocimiento. Razonamiento automatizado. Aprendizaje de la mquina. Sistemas que piensan racionalmente: Aristteles fue el primero en intentar codificar el pensamiento. Sus silogismos proveyeron estructuras de patrones de argumentos que siempre daban conclusiones correctas, dadas premisas correctas. Por ejemplo: Todas las computadoras utilizan energa. Usar energa siempre genera calor. Por lo tanto, todas las computadoras generan calor. Esto inici a la lgica. La lgica formal se desarroll a finales del siglo diecinueve. Este fue el primer paso hacia permitir que los programas razonaran lgicamente. En 1965 existan programas que, dados suficiente tiempo y memoria, tomaban una descripcin del problema en notacin lgica y encontraban la solucin, si es que exista. La tradicin lgica en IA espera construir este tipo de programas para crear inteligencia. Existen dos obstculos principales a este acercamiento: Primero, es difcil hacer al conocimiento informal lo suficientemente preciso para el acercamiento lgico, particularmente si existe incertidumbre en el conocimiento. Segundo, existe una gran diferencia entre estar capacitado para resolver un problema y lograr hacerlo en la prctica. Sistemas que actan racionalmente: Actuar racionalmente significa actuar de tal manera que se obtengan ciertas metas, dados ciertas creencias. Un agente es algo que percibe y acta. En el acercamiento lgico de la IA, el nfasis estaba en las inferencias correctas. Esto
28
es a menudo parte de ser un agente racional debido a que una manera de actuar racionalmente es razonar lgicamente, y entonces actuar segn las conclusiones. Pero esta no es toda la racionalidad, debido a que los agentes a menudo se encuentran en situaciones donde no hay una cosa correcta que hacer, y a pesar de eso deben hacer algo. Tambin hay formas de actuar racionalmente sin envolver inferencias, como por ejemplo las reacciones reflejas. El estudio de la IA como el diseo de un agente racional tiene dos ventajas: Es ms general que el acercamiento de la lgica porque la inferencia correcta es slo un mecanismo til para conseguir la racionalidad, no uno necesario.
Es mejor para el desarrollo cientfico que los acercamientos basados en el comportamiento humano o pensamiento humano, porque la racionalidad estndar se puede definir independientemente de los humanos.
Conseguir la racionalidad perfecta en ambientes complejos no es posible debido a que las demandas computacionales son demasiado elevadas.
4.3 Agentes Inteligentes

4.3.1 Definiciones de Agentes Inteligentes En lneas generales, no hay un acuerdo bien formalizado de lo que es un Agente Inteligente, o en qu difieren los agentes de programas normales. Esto se debe a que cada investigador ha definido a los agentes segn sus investigaciones o necesidades especficas, llevndolos a definiciones ms abiertas o cerradas segn fuera el caso. El vocabulario Agente Inteligente, adems, se utiliza en muchos mbitos y productos donde est mal empleado o no cumplen requisitos mnimos para ser considerados agentes, en muchos casos porque suena bien y vende, es moda. Por lo tanto, se tienen diferentes definiciones del trmino Agente Inteligente, as como de su utilidad o aplicaciones [13, 15, 63, 65, 67, 68, 72]: Agente MuBot: El trmino agente representa dos conceptos ortogonales. El primero es la habilidad del agente de tener una ejecucin autnoma. El segundo es la habilidad del agente de realizar razonamiento orientado a dominios especficos. Agente AIMA: Un agente es algo que puede ser visto como algo que percibe al mundo a travs de sensores y acta en su ambiente a travs de effectors. Agente de Pattie Maes: Los agentes autnomos son sistemas computacionales que habitan algn complejo ambiente dinmico, perciben y actan autnomamente en este ambiente, y haciendo esto cumplen una serie de metas o tareas para los cuales fueron diseados. Agente KidSim: Se define al agente como una entidad de software persistente dedicada a un propsito especfico. Tienen sus propias ideas acerca de como cumplir sus tareas y son mucho ms pequeos que aplicaciones multifuncionales. Agente Hayes-Roth: Los agentes inteligentes continuamente realizan tres funciones: percibir condiciones dinmicas en el ambiente, actuar para afectar a las condiciones del ambiente y razonar para interpretar percepciones, resolver problemas, realizar inferencias y determinar acciones. Agente IBM: Los agentes inteligentes son entidades de software que realizan un conjunto de operaciones en vez de un usuario o de otro programa con algn grado de independencia
29
o autonoma, y, haciendo esto, emplean algn conocimiento o representacin de las metas o deseos de los usuarios. Agente Wooldridge-Jennings: Un sistema computacional de hardware o software que tiene las siguientes propiedades: Autonoma: Los agentes operan sin intervencin directa de humanos, y tienen algn tipo de control sobre sus acciones y estado interno. Habilidad Social: Los agentes interactan con otros agentes (y posiblemente humanos) a travs de algn mecanismo de comunicacin. Reactividad: Los agentes perciben su ambiente y responden en un tiempo a los cambios que pudieran ocurrir. Pro-Actividad: Los agentes no slo simplemente actan en respuesta a su ambiente, sino que son capaces de exhibir comportamiento basado en metas tomando iniciativas. Todas las definiciones mencionadas muestran claramente que no hay un acuerdo de lo que es un agente, o en qu difieren los agentes de programas normales. Esto se debe a que cada investigador ha definido a los agentes segn sus investigaciones o necesidades especficas, llevndolos a definiciones ms abiertas o cerradas segn fuera el caso. Algunas caractersticas se repiten a lo largo de varias definiciones, otras son menos comunes. Vamos a hacer un resumen de las caractersticas esperadas normalmente de un agente: Relacionamiento con algn tipo de ambiente: Todo agente se sita en un ambiente. Puede percibir lo que ocurre en el ambiente mediante algn tipo de sensores y producir acciones que modifiquen el estado del ambiente. Reactividad: Responder en forma semi-inmediata a cambios en el ambiente que le afecten, normalmente esto incluye algn medio de recepcin de informacin sensorial y de respuesta y manipulacin del ambiente. Orientado a metas (Pro-Activo): No acta slo en respuesta al ambiente sino que tiene metas que desea cumplir y realiza tareas por voluntad propia para conseguirlas, sin involucrar reacciones referentes al mundo exterior. Las metas pueden ser estados finales a los cuales el agente desea simplemente llegar o un valor (premio) que intenta maximizar. Autonoma: Tomar el control de sus propias acciones y decisiones sin intervencin externa, basado nicamente en los datos obtenidos de sus sensores y el conocimiento del estado del mundo que maneja. Adaptativo, Aprendizaje: Tiene cambios en su comportamiento basados en experiencias anteriores, normalmente esta adaptacin le permite mejorar su competencia en la consecucin de sus metas. Las adaptaciones pueden ser cambios menores a corto plazo o cambios ms significantes a largo plazo. Razonamiento de dominio: El Agente funciona en cierto dominio, con cierto ambiente especfico y puede no funcionar en otros ambientes ni conocer otro tipo de informacin. Social: Se comunica con otros agentes e inclusive con gente, puede incluso colaborar con otros agentes para conseguir un objetivo comn. Flexible: es capaz de realizar tareas sin ser explcitamente programados, esto ocurre sobre todo en casos de agentes sociales y con comportamiento emergente. Carcter: Tienen personalidad y estados emocionales que distinguen a unos de otros.
30
4.3.2 Definicin de Agente Inteligente para nuestro caso particular Tomando en cuenta todas las caractersticas y propuestas en el tpico anterior, definiremos ahora lo que, para el caso particular de este trabajo de tesis, significa el trmino Agente Inteligente: Un agente inteligente es un tipo de software flexible, capaz de interactuar con un ambiente especfico, mostrando un cierto tipo de autonoma, habilidad social, aprendizaje, y combinando comportamientos pro-activos y reactivos. 4.3.3 Relacin de la IA con los Agentes Inteligentes y temas claves en su estudio A pesar de que la IA apunta a estudiar a la inteligencia sintetizando sistemas artificialmente inteligentes, normalmente se ha concentrado en problemas que son muy diferentes a los de modelar agentes adaptativos autnomos. Algunos puntos clave que distinguen a la IA tradicional del estudio de agentes autnomos son [68, 80, 81]: La IA tradicional se ha enfocado en sistemas que demuestran competencias aisladas (sistemas expertos, programas para jugar ajedrez, reconocimiento de patrones, etc.). Los sistemas tradicionales de IA proveen profundidad en vez de anchura en su competencia. En contraste, un agente autnomo tiene mltiples competencias integradas. Tpicamente, las competencias son de bajo nivel. Por ejemplo, un robot tiene capacidades de locomocin, navegacin, mantenimiento de bateras, recoger objetos, comunicarse con otros robots, etc. La IA tradicional se ha enfocado en sistemas cerrados que no tienen interaccin directa con el dominio del problema sobre el cual se codifica el conocimiento y resuelven problemas. Su conexin con el ambiente es muy controlada e indirecta a travs de un operador humano. El operador reconoce un problema y lo describe al sistema en el lenguaje simblico que el sistema comprende. El sistema entonces devuelve una descripcin simblica de la respuesta, que luego debe ser implementada por el operador en el dominio real. En contraste, un agente autnomo es un sistema abierto. El agente est situado en el ambiente. Est directamente conectado al dominio del problema a travs de sensores y actuadores. Puede cambiar el dominio a travs de esos actuadores. El dominio del problema es tpicamente muy dinmico, lo que significa que el sistema tiene un tiempo limitado para actuar y que eventos impredecibles pueden suceder. Normalmente tambin incorpora otros agentes actores (humanos o artificiales). La mayora de los sistemas de IA tratan con un problema a la vez. El problema que el sistema debe resolver se presenta al sistema por el operador humano. A menudo, el sistema no tiene restricciones para resolver el problema y no debe lidiar con interrupciones (aunque el operador pueda lidiar con esos problemas). Para el punto de vista del sistema, el dominio del problema no cambia mientras est computando. En contraste, un agente es autnomo: el sistema es completamente auto contenido. l debe monitorear el ambiente y decidir por s mismo cual es el siguiente problema o meta a cumplir. Tiene que lidiar con problemas que dependen del tiempo, y debe sopesar varias metas conflictivas simultneamente. La IA tradicional se enfoca en la pregunta de que conocimiento tiene el sistema. Los sistemas de IA tienen estructuras declarativas de conocimiento que modelan aspectos del dominio que conocen. Todas las estructuras internas, aparte del intrprete, son estticas. El sistema es solo activo cuando recibe un problema del operador humano, y en ese caso el intrprete utiliza estructuras estticas de conocimiento para determinar la solucin del
31
problema. En contrapartida, el nfasis de la investigacin en agentes inteligentes se centra en que comportamiento demuestra el sistema cuando se lo pone en su ambiente. Las estructuras internas del agente son mdulos dinmicos de produccin de comportamiento, opuestamente a las estructuras de conocimiento estticas. No tienen porqu ser iniciadas por una meta formulada por el usuario. Es menos importante si el agente puede responder una respuesta sobre el dominio del problema. Tambin es menos importante que el usuario pueda inspeccionar las estructuras internas e identificar aquellas que son responsables de aspectos particulares del comportamiento resultante. Por ejemplo, es aceptable para metas o planes que sean propiedades observables o emergentes que no se puedan atribuir a una estructura interna particular, sino una compleja interaccin entre un conjunto de estructuras y el ambiente. La IA tradicional no est usualmente preocupada del aspecto sobre como evolucionan las estructuras a lo largo del tiempo. No tienen que adaptarse a situaciones cambiantes (por ejemplo, el fallo en un componente). La mayora del trabajo en el aprendizaje de mquinas tradicional asume que una gran cantidad de conocimiento est disponible. En contraste, la investigacin de agentes inteligentes tiene un fuerte nfasis en la adaptacin. Esto a menudo significa que el sistema mejora sus propias estructuras internas (y por lo tanto su comportamiento) a lo largo del tiempo, basado en su experiencia en el ambiente. El agente explora activamente y actualiza sus estructuras utilizando un mtodo inductivo incremental. En otros caso, esto significa que el diseador toma un acercamiento incremental a la construccin del agente: el usuario gradualmente evoluciona a un sistema ms sofisticado agregando nuevas estructuras al sistema existente. El problema principal a ser resuelto en la investigacin de agentes es llegar a una arquitectura para agentes autnomos que resulte en que el agente demuestre un comportamiento adaptativo robusto y efectivo. Adaptativo significa que el agente mejora su competencia en resolucin de problemas con el tiempo. Robusto significa que el sistema nunca colapsa completamente, sino que demuestra una degradacin lenta cuando fallan componentes del agente o cuando suceden imprevistos. Efectivo significa que el agente es exitoso al cumplir sus metas. Una forma de estudiar a los agentes se funda en las dinmicas de interaccin entre componentes simples que llevan a una complejidad emergente. La investigacin de agentes se funda en la creencia de que moverse al dominio de la interaccin en ves del dominio de los componentes resolver ms fcil el problema de construir sistemas inteligentes. La idea se aplica a diferentes niveles [68, 74, 75, 76, 77, 78, 79]: Dinmica de interaccin entre el agente y su ambiente que pueda llevar a una estructura emergente o a una funcionalidad emergente. Esto significa que las estructuras internas que controlan al agente no necesitan ser complejas para conseguir un comportamiento complejo. En muchos casos es suficiente estudiar las propiedades particulares del ambiente y el ciclo de interaccin, un conjunto de mecanismos reflejos o de retroalimentacin que producirn el comportamiento deseado. Una consecuencia es que necesitamos un entendimiento mejor de las caractersticas particulares del ambiente. Si queremos ser capaces de comprender o probar aspectos acerca del rendimiento resultante de los agentes autnomos, tendremos que modelar al agente y a su ambiente. Dinmica de interaccin simple entre diferentes componentes dentro del agente puede llevar a una estructura emergente o a una funcionalidad emergente. Por ejemplo, un robot que sigue a una pared no tiene un componente que pueda ser atribuido a la capacidad del
32
robot de seguir las paredes. Un mdulo se encarga de mover el robot hacia la pared, mientras que otro se encarga de alejarlo de la misma si se acerca demasiado. Ninguno de los dos mdulos es responsable del comportamiento del robot a seguir paredes, pero su interaccin lo consigue. Dinmica de interaccin entre los componentes del agente de un sistema social puede llevar a una estructura emergente o funcionalidad. Por ejemplo, insectos sociales pueden seguir simples reglas locales para producir una complejidad emergente tal como un camino a una fuente de comida. Lo que es importante es que tal complejidad emergente es en muchos casos ms robusta, flexible y tolerante a fallas que una complejidad organizada en top-down. Esto es as porque ninguno de los componentes es ms crtico que cualquier otro. Cuando uno se daa, el sistema demuestra una leve degradacin del rendimiento. 4.3.4 El problema de la seleccin de la accin El problema de la seleccin de la accin es complejo y ha sido estudiado en numerosas ocasiones [68, 82, 83, 84, 85]. El agente debe decidir que hacer a continuacin para avanzar en su progreso hacia mltiples metas que varan en el tiempo. Tambin debe lidiar con contingencias u oportunidades que surjan y arbitrar entre metas conflictivas. Si el agente puede aprender de la experiencia, adems debe actualizar su conocimiento. Todo esto debe hacerlo en tiempos especficos y utilizando sensores y actuadores imperfectos. Es tericamente posible computar la poltica de accin ptima a realizarse para un agente que tiene una cantidad fija de metas y que vive en un ambiente determinstico o probabilstico. Lo que normalmente hace imposible este acercamiento para los agentes reales es: Limitaciones de recursos (tiempo, poder de procesamiento, memoria). Informacin posiblemente incompleta e incorrecta (datos de sensores). Un ambiente dinmico, no determinstico, no probabilstico. Metas que varan en el tiempo. Distribucin de probabilidades desconocida o cambiante. Las metas que el agente intenta satisfacer pueden tomar diferentes formas: Metas finales: estados finales a los cuales se desea llegar. Metas negativas: estados que deben ser evitados. Necesidades, deseos, tareas, motivaciones, etc. El agente tpicamente tiene mltiples metas conflictivas. Ser un sistema completo siempre tiene una combinacin de metas de autopreservacin como otras metas orientadas a tareas. Las metas del agente pueden ser implcitas o explcitas. En el primer caso, el agente no tiene una representacin interna de las metas que desea conseguir. El agente se construye de tal manera que, situado en su ambiente, el comportamiento tiende a conseguir ciertas metas. Las metas implcitas son fijas, no pueden cambiarse a menos que el agente se reprograme. Agentes ms complicados tienen metas explcitas que varan a lo largo del tiempo y ofrecen niveles de intensidad, opuestamente a las reglas booleanas de encendido-apagado. Dado que es tericamente imposible probar cual es la poltica de accin ptima para un agente, Cmo se debe evaluar una propuesta de solucin particular? Los investigadores en agentes autnomos adaptativos no estn interesados en probar la seleccin ptima de la accin, sino que desean que esta accin seleccionada sea robusta, lo acerque a su meta, y cumpla con los requerimientos y limitaciones del agente en el ambiente especificado.
33
El mecanismo de seleccin de la accin debera: Favorecer acciones que contribuyan con las metas, en particular, aquellas que resulten en un mayor progreso que otras. Ser capaz de tratar en forma flexible con oportunidades y contingencias, en un tiempo que le permita tomar la accin en el ambiente actual antes de que sea tarde o la oportunidad haya pasado. Minimizar las idas y venidas entre acciones que llevan a diferentes metas. Mejorar su rendimiento basado en su experiencia. Puede decidir entre explotar su mejor accin actual o explorar otras acciones que le podran dar mejores resultados. Debe incorporar una retroalimentacin del mundo en sus estructuras de produccin de comportamiento. Demostrar una degradacin leve del sistema cuando los componentes se rompen o suceden cambios inesperados. Nunca quedarse atrapado completamente en un ciclo o situacin de deadlock, o hacer que el agente busque sin pensar una meta imposible. Ser suficientemente bueno para el ambiente y la tarea que debe realizar. Esto significa que siempre que el agente consiga sus metas con las restricciones establecidas (tiempo, calidad, etc.) por el problema, la solucin se considera aceptable, aunque no hubiese conseguido la solucin ptima. No es posible decidir que un modelo de seleccin de accin es mejor que otro salvo que se describa cuales son las caractersticas particulares del ambiente, la tarea y el agente. Por ejemplo, en un ambiente donde el costo de acciones incorrectas es muy alto, el agente debera realizar una mayor anticipacin, mientras que si el costo de las acciones incorrectas no tiene importancia, puede realizar las tareas de una manera ensayo/error sin preocuparse; en un ambiente donde muchas cosas cambian rpidamente un agente necesita ser rpido; un agente con muchos sensores ruidosos debera tener una cierta inercia en sus acciones de tal manera que la lectura errnea de un sensor no haga que el agente haga algo completamente diferente; un agente con muchos sensores puede confiar en el ambiente para guiar sus acciones, mientras que un agente con menos sensores deber confiar ms en su estado interno o en su memoria para decidir que hacer a continuacin. A pesar de que se ha conseguido un gran avance hacia el estudio de modelos de seleccin de la accin, muchos problemas se mantienen: Se ha realizado muy poca investigacin acerca de la naturaleza de las metas y las interacciones entre ellas. En muchos de los casos propuestos escalar el problema a una dimensin mayor es un desastre. Especialmente cuando los comportamientos se modelan a mano, porque no hay soporte para el diseador del agente sobre como construir una red de arbitraje compleja que gobierne el comportamiento. No se ha puesto suficiente esfuerzo en hacer que las piezas de los agentes sean reutilizables en otros agentes. La dinmica de las interacciones entre los agentes y su ambiente y entre los diferentes mdulos y su ambiente no estn bien entendidas. Existen comportamientos emergentes que son difciles de comprender. Muchas de las arquitecturas son completamente descentralizadas y no tienen un estado central. Pueden quedarse atrapadas en ciclos o en deadlocks.
34
4.3.5 Estructura de los Agentes Inteligentes El trabajo de la IA es disear el programa del agente: esto es una funcin que implementa el mapeo del agente de percepciones a acciones. Se asume que programa correr en algn tipo de dispositivo computacional llamado la arquitectura. Agente = Arquitectura + Programa [63]. La arquitectura toma las percepciones de los sensores disponibles al programa agente, corre el programa y alimenta a los mecanismos de interaccin con el ambiente con las elecciones tomadas. Antes de disear un programa agente, debemos tener una muy buena idea acerca de las posibles percepciones y acciones, las metas y la medida de rendimiento que el agente debera conseguir, adems de en qu tipo de ambiente operar. Todos los programas de agentes tienen bsicamente un mismo esqueleto: Aceptan percepciones del ambiente y generan acciones. Por ejemplo: funcin AGENTE-PRIMITIVO(percepcin) retorna accin esttico: memoria, la memoria del agente sobre el mundo memoria - ACTUALIZAR-MEMORIA(memoria, percepcin) accin - ELEGIR-MEJOR-ACCIN(memoria) memoria - ACTUALIZAR-MEMORIA(accin) retornar accin Cada agente utiliza alguna estructura de datos que es actualizada al recibir nuevas percepciones. Estas estructuras de datos operan en los procedimientos de toma de decisiones para generar la eleccin del agente, que luego se pasa a la arquitectura para ejecucin. Buenas estructuras de datos son muy importantes en la IA. Los agentes reciben las percepciones individualmente. Queda a cargo del agente construir una secuencia de percepciones en memoria si lo desea. En algunos ambientes es posible salir exitoso sin guardar la secuencia de percepciones, y en dominios complejos, es imposible guardar la secuencia completa. Ahora vamos a considerar cuatro tipos de programas agentes. Para evaluarlos vamos a tomar el ejemplo de un conductor de taxi, esto es: una entidad que percibe datos de un ambiente (en este caso de una red de calles), interacta con otras entidades (se comunica con otros conductores), toma decisiones (tanto reflejas e inmediatas como de planificacin a largo plazo) y afecta al ambiente de alguna manera (el resultado de la decisin va a modificar los parmetros de movimiento de su vehculo) 4.3.5.1 Agentes reflejos simples: Computar una solucin a partir de tablas de resultados no es una opcin viable. No podemos tener una respuesta prefijada para cada posible suceso que pudiera ocurrir a cada instante. Sin embargo, podemos resumir ciertas porciones de la tabla al notar asociaciones de entrada/salida que ocurren normalmente. Por ejemplo: si el automvil de adelante frena, entonces nuestro chofer tambin debe frenar. En otras palabras, al tenerse una condicin (luz de freno de adelante encendidas), se ejecuta una accin preestablecida (frenar). Esta conexin se llama condicin-accin y se escribe de la siguiente manera si condicin entonces accin.
35
funcin AGENTE-REFLEJO-SIMPLE(percepcin) retorna accin esttico: reglas, un conjunto de reglas de condicin-accin estado - INTERPRETAR-ENTRADA(percepcin) regla - ENCONTRAR-REGLA(estado, reglas) accin - REGLA-ACCIN(regla) retornar accin 4.3.5.2 Agentes que mantienen un estado del mundo. La mayora de los agentes reflejos simples slo funcionan si la accin correcta puede seleccionarse basndose slo en la percepcin actual. Inclusive para la regla de frenado anterior, necesitamos alguna descripcin interna del estado del mundo (para determinar si un auto adelante est frenando, deberamos comparar la imagen actual con la previa para ver si las luces se acaban de encender). Este problema ilustra que para dominios complejos, los sensores no proveen el acceso al estado completo del mundo. En tales dominios, el agente debe mantener un estado interno que se actualiza cuando llega nueva informacin de los sensores. Actualizar el estado requiere que el agente tenga dos tipos de informacin: primero, necesita informacin sobre como el mundo cambia en el tiempo. Segundo, necesita informacin sobre como sus acciones afectan al mundo.
36
funcin AGENTE-REFLEJO-CON-ESTADO(percepcin) retorna accin esttico: estado, una descripcin del estado actual del mundo. reglas, un conjunto de reglas de condicin-accin estado - ACTUALIZAR-ESTADO(estado, percepcin) regla - ENCONTRAR-REGLA(estado,reglas) accin - REGLA-ACCION(regla) estado - ACTUALIZAR-ESTADO(estado, accin) retornar accin 4.3.5.3 Agentes basados en metas. Conocer el estado del mundo no siempre es suficiente para que el agente sepa que hacer a continuacin. Por ejemplo, al llegar a una interseccin, el conductor puede doblar a la izquierda, a la derecha o seguir derecho. Lo que haga depende de su meta. Las metas describen estados que son deseables y que el agente debera intentar de conseguir. El agente puede combinar informacin de metas con informacin de las acciones que puede realizar para planificar secuencias de acciones y conseguir sus metas. La bsqueda y planificacin son los sub-campos de la IA que se dedican a encontrar secuencias de acciones que consigan metas. La toma de decisiones aqu es fundamentalmente diferente de las reglas de condicin-accin, ya que envuelve consideracin acerca del futuro. En el diseo de agentes reflejos esta informacin no fue utilizada debido a que el diseador precalcul la correcta accin para varios casos. Un agente basado en metas debera razonar que si el automvil de adelante est frenando, entonces su velocidad disminuir. De la manera en la que el mundo evoluciona, la nica accin que conseguir la meta de no chocar al automvil de adelante es desacelerar. Hacer eso requiere presionar el freno. El agente basado en metas es ms flexible pero tarda ms tiempo en tomar las decisiones.
4.3.5.4 Agentes basados en utilidad. Las metas solas no son suficientes para generar comportamiento de calidad. Por ejemplo, existen muchas secuencias de acciones que llevarn al conductor a su destino, pero algunas son ms rpidas, seguras, confiables, baratas, etc.
37
Las metas tan slo proveen una distincin cruda entre los estados feliz e infeliz, mientras que una medida de rendimiento debera permitir una comparacin entre diferentes estados del mundo. El nivel del nivel de felicidad del agente se llama Utilidad. La Utilidad puede ser representada como una funcin que mapea estados en nmeros reales. Cuanto ms grande sea el nmero, mayor ser la utilidad del estado. Una especificacin completa de la funcin de utilidad permite dos tipos de decisiones racionales donde las metas tienen problemas. Primero, donde existen metas conflictivas, y slo algunas de ellas pueden conseguirse (por ejemplo, velocidad contra seguridad), y la funcin de utilidad especifica la proporcin correcta. Segundo, cuando existen muchas metas a las cuales debe apuntar el agente, ninguna de las cuales puede ser conseguida con seguridad, y la funcin de utilidad provee una manera en la que la posibilidad de suceso pueda contrapesar a la importancia de las metas.
4.3.6 Relacin entre los agentes y el ambiente Como se mencion anteriormente, uno de los factores importantes al tratar a los agentes inteligentes es que se relacionan con algn tipo de ambiente comprendiendo lo que sucede en l y modificndolo al realizar diferentes acciones. Es importante entender como los agentes se relacionan con el ambiente externo. Ahora se describirn las principales propiedades de los ambientes [63]: Accesibles vs. Inaccesibles: Si el aparato sensorial del agente da acceso al estado completo del ambiente, decimos que el ambiente es accesible. Cuando el ambiente es accesible, se necesita un estado interno menor. Determinsticos vs. No Determinsticos: Si el prximo estado est completamente determinado por el estado actual y las acciones seleccionadas por el agente, entonces el ambiente es determinstico. Un agente no necesita preocuparse sobre incertidumbre en un ambiente accesible determinstico. Si el ambiente es inaccesible, puede parecer no determinstico. Es mejor pensar en un ambiente como determinstico o no determinstico desde el punto de vista del agente. Episdicos vs. No Episdicos: En un ambiente episdico, la experiencia del agente se mide en episodios. La calidad de las acciones del agente durante un episodio depende slo de ese episodio, debido a que los episodios subsecuentes no dependen de episodios previos.
38
Estticos vs. Dinmicos: Si el ambiente puede cambiar mientras que el agente est deliberando, decimos que el ambiente es dinmico para el agente, si no vara durante la deliberacin, es esttico. Discretos vs. Continuos: Si existe un nmero limitado de percepciones y acciones diferentes, decimos que el ambiente es discreto. De otro modo es continuo. 4.3.7 Agentes vs. Objetos: una comparacin En esta seccin presentamos una comparacin entre los paradigmas Orientado a Objetos y de Agentes basada en lo estudiado en [72], identificando para ello similitudes, as como principales diferencias. Esta comparacin nos servir como punto de partida para una evaluacin de la aplicabilidad del paradigma de objetos al modelado de agentes. Un objeto es una entidad que encapsula un estado y una coleccin de mtodos, correspondientes a operaciones que pueden ser ejecutadas sobre ese estado. Los mtodos son tpicamente invocados como resultado de un mensaje enviado al objeto. Por otra parte, un agente es una entidad autnoma, social, reactiva, pro-activa, que posee nociones mentales, racionalidad y aprendizaje. El comportamiento pro-activo puede ser representado en trminos de una librera de planes de la cual el agente puede seleccionar algn plan. Los agentes razonan acerca de sus creencias a fin de seleccionar el plan que podra lograr satisfacer sus objetivos. Debido a que los agentes operan en un ambiente complejo, formado por otros agentes, entidades software no necesariamente agentes y usuarios humanos, requieren de mecanismos y comportamiento que les permitan comunicarse con estas entidades. Al coexistir con otros agentes, es necesario algn mecanismo o propiedad que pueda diferenciar a un agente de otro; por tanto cada agente debe poseer una identidad que sea independiente de su contenido. Un agente adems de lo anterior debe mantener ciertas propiedades que determinan su estado, a partir del cual puede determinar las acciones a realizar y el comportamiento a seguir. Se pueden encontrar ciertas analogas entre agentes y objetos, por ejemplo: Estado: Los agentes y los objetos tienen un estado interno basado en su historia e influenciado por su comportamiento. Identidad: Tanto los objetos como lo agentes poseen identidad que no est determinada nicamente por los valores de sus atributos. Encapsulacin: Los agentes y los objetos pueden proteger u ocultar datos y comportamiento. Comportamiento: Los objetos y los agentes pueden reaccionar recibiendo o enviando mensajes. Podemos considerar a los agentes como objetos autnomos de tiempo real que poseen un comportamiento pro-activo. Pero existen varias diferencias. Entre ellas podemos destacar: Cada objeto ejecuta secuencialmente mtodos, mientras que un agente ejecuta un razonamiento autnomo que le permite elegir de forma inteligente una alternativa. Los objetos poseen datos y comportamiento, mientras que los agentes poseen adems creencias, deseos e intenciones. Un agente reflexivo ejecuta un razonamiento autnomo para seleccionar un plan, mientras que un objeto no razona.
39
Un objeto simplemente responde a mensajes y eventos, mientras que los agentes no son slo reactivos, sino tambin activos en el sentido de que son capaces de actuar dirigidos por objetivos sin un estmulo externo. Los agentes son flexibles, es decir, pueden cambiar su comportamiento en tiempo de ejecucin; son capaces de lidiar con situaciones no previstas o inesperadas, etc. En sntesis, los agentes pueden ser interpretados como objetos autnomos e inteligentes, que estn equipados con capacidades de conocimiento y razonamiento para satisfacer varios objetivos.
40
Captulo 5: EasyTraf, un simulador microscpico construido para utilizar Agentes Inteligentes

Ley de Booker: Una onza de aplicacin, vale una tonelada de abstraccin
En la Tesis de Ariel Romero [95] se analiza en forma profunda la problemtica de la microsimulacin de trfico, as como las posibles soluciones a los diferentes mecanismos aplicables para llevarla a cabo. En este captulo se describir resumidamente al simulador construido con la base de esa investigacin, y se describirn sus caractersticas principales.
5.1 Aspectos generales del microsimulador

Lo primero que se definir como parte del modelo final son los aspectos generales del simulador que afectarn todos los mdulos. Para ello empezamos atacando el problema del esquema de simulacin a ser utilizado. Problemas del Anlisis de Flujo y del Autmata Celular Los modelos que trabajan con analogas al flujo de fluidos son suficientes para aquellos sistemas donde se espera un flujo libre y continuado todo el tiempo, pero arroja resultados invlidos cuando ocurre algn tipo de corte en el flujo. El diagrama fundamental del flujo de trfico muestra que pueden existir dos valores de densidad para cada valor del flujo, en particular, el Flujo Cero podra interpretarse como una carretera vaca o una congestin total de la misma [70]. Por otro lado, este tipo de modelos asumen que el estado de la red de carreteras tiende continuamente al equilibrio, definido por los datos de demanda de origen y destino. En la mayora de los casos, la demanda de una red es dinmica y nunca se presentan estados de equilibrio[70]. Tambin es comn observar que existen suposiciones implcitas en un modelo basado en flujos, que determinan que el flujo en un segmento de va es instantneo y homogneo. Por ello no existe una representacin adecuada del agrupamiento de trfico tras un grupo de conductores ms lentos que el promedio, los patrones de utilizacin de carriles y el efecto de Viaje en reversa7.
Tambin conocido como efecto Gusano, se produce cuando un grupo de mviles bien aproximados uno al otro se encuentra detenido y posteriormente es liberado. Como los mviles de frente avanzan primero y empiezan a distanciarse progresivamente del resto se forma una onda del lugar donde los mviles empiezan a distanciarse que recorre en sentido contrario a la circulacin. El efecto inverso sucede cuando los mviles estn circulando a cierta velocidad media y llegan a un punto de congestin.
7
41
Situacin estacionaria
Un modelo microscpico exitoso debe poder lidiar con estos fenmenos del trfico y con otros que surjan como resultado del trfico congestionado. Para que el simulador que utiliza aproximaciones al flujo de fluidos otorgue resultados reales, normalmente se aplica al mismo ciertos factores de escurrido retrasado en funcin a tablas ya definidas segn el tipo de va a simular [64]. Por otro lado, los modelos que utilizan aproximaciones al autmata celular estn centrados en limitar la cantidad de informacin a ser manejada por el simulador para permitir el manejo de un volumen mayor de mviles en tiempo real, y como lo presenta [64] se presentan una serie de otras limitaciones: Estas limitaciones no permiten conocer el movimiento real del mvil en el carril, tanto longitudinal como transversalmente, limitando con ello el control de las interacciones que se suceden entre los mviles. El resultado de las interacciones entre mviles no son evidenciadas en el comportamiento y las decisiones de stos, dado que la granularidad de las dimensiones recorridas superan ampliamente los mrgenes de espacio y tiempo requeridos para corregir la direccin de un mvil o dar grandes saltos en la velocidad por cada paso de simulacin. El esquema de simulacin a utilizar en el modelo final se basa en la simulacin sobre espacio continuo en cuantos de pasos de tiempo fijo, basado en las conclusiones del SHIVA [89]. Este esquema permite que los mviles ocupen arbitrariamente cualquier posicin en el sistema de carreteras, que las interacciones entre mviles sean evidenciadas directamente y que la simulacin sea sensible a todos los cambios de aceleracin, velocidad, giro, posicin transversal y longitudinal. De esta manera, el anlisis de comportamiento se evaluar sobre la base de situaciones controlables sin pasarse por encima detalles de relevancia, y con mrgenes de error mnimo. El movimiento del mvil permitir cuatro grados de libertad (movimiento longitudinal, movimiento transversal, giro horizontal y elevacin en torno al eje transversal). Estas simplificaciones frente a otros sistemas como el IDS [5, 27] se realizan dado que los dems grados de libertad no afectan a los resultados esperados de una microsimulacin, debido a que los factores del terreno y el nivel de respuesta del vehculo se manejan a nivel de las velocidades y aceleraciones extremas permitidas, como se ver mas adelante.
Avance del tiempo
42
Como unidades bsicas de medida se adoptaron las siguientes:
Longitud: El centmetro (cm). Unidades de menor precisin pueden perder detalles en trficos congestionados donde los mviles van muy prximos unos de otros, especialmente en cuanto a la posicin transversal y al momento en que se llega al detenimiento completo. Tiempo: El segundo (s), utilizando inclusive fracciones de hasta centsimas de segundo para la programacin de los eventos y el control de la ejecucin de los mdulos. De estas unidades bsicas derivan luego la velocidad (en cm/s) y la aceleracin (en cm/s2). Los ngulos de giro se manejan en grados enteros. Todos los clculos de movimiento se realizan bajo las leyes de la fsica de Newton, para los cuales no se requiere el uso de clculos diferenciales ni integrales, como si lo requieren algunos simuladores de muy alta precisin como el IDS [5, 9] y el LaRC [3]. En cuanto a la forma de representar la realidad, se opt por seleccionar la representacin por medio de objetos y no por ambientes geomtricos puros. La representacin por medio de objetos permite encapsular el comportamiento del trfico y al mismo tiempo simplificar la consideracin de factores geo-posicionales que para una microsimulacin no representan diferencias importantes. Las adaptaciones para considerar los detalles geomtricos del terreno se logran por medio del desarrollo de interfaces entre objetos que permitan describir distintas topologas sin perder la esencia del comportamiento del trfico, como lo proponen las arquitecturas del TRANSIMS [57], el PARAMICS [60] y el MITSIM [48]. Sistemas de coordenadas: Inspirado en el VRED [9, 27] y en las recientes consideraciones del modelo, se presentan dos sistemas de coordenadas complementarios: Coordenadas relativas: Sistema de coordenadas de dos dimensiones que describe el posicionamiento del mvil en el objeto componente del sistema de carreteras actual. Permite obtener directamente el desplazamiento horizontal a lo largo del eje de la ruta y el desplazamiento lateral respecto a este eje. Este sistema de coordenadas permite realizar clculos de posicin relativa al objeto contenedor, as como clculos de proximidad longitudinal y lateral respecto a mviles vecinos y otros objetos. La posibilidad de contar con este sistema de coordenadas facilita de sobremanera los clculos para la toma de decisiones y permite un alto nivel de optimizacin en las consultas al modelo de representacin de carreteras. Coordenadas absolutas: Sistema de coordenadas de tres dimensiones con las coordenadas absolutas del sistema, en funcin a un punto origen nico. Gracias a este sistema, los mviles cuentan con un sistema de orientacin que permite al mdulo de navegacin y gua, el conocimiento de las direcciones y sentidos, el seguimiento de las tablas OD, la seleccin del camino mas cercano, el clculo de proximidad entre objetos distintos del sistema de carreteras y clculos de ubicacin en zonas de simulacin distintas.
43
5.2 El entorno de trabajo del modelo

Dadas las ventajas que ofrece el modelado orientado a objetos [64], se describir en adelante los diferentes componentes de la simulacin basado en el citado paradigma. Cada elemento integrante del mundo real ser modelado como un objeto con identidad y comportamiento propio. A este punto, se presentar el entorno de trabajo con todos los sub-modelos participantes de la microsimulacin. Para ello se expone a continuacin el diagrama de flujo de informacin y dependencias entre estos componentes. El sentido de la flecha indica el sentido de la dependencia entre mdulos, as:
A B
... significa: A ...depende de... B

Toma de Decisiones
Modelo de Comportamiento y Decisin
Entidades
Modelo de Control de Demanda y Poblacin
Dinmica del mvil

Modelo de Representacin Fsico
Visualizacin Control de la simulacin Distribucin

Modelo de Almacenamiento y Distribucin de Informacin
Sealizacin
Modelo de Representacin de Reglas de Trfico
Red de Carreteras
Modelo de Representacin del Ambiente
Monitoreo
Modelo de Sensores y Toma de Datos
5.3 Componentes del modelo

5.3.1 El Modelo de Representacin del Ambiente
DEPENDE DE : (ninguno) DE ESTE DEPENDEN : Entidades Visualizacin Sealizacin Control de la Simulacin Monitoreo
El ambiente y el sistema de carreteras son modeladas como un conjunto de vas de circulacin independientes e intersecciones. Siguiendo las ideas del VRED, la representacin abstracta del sistema se realiza por medio de un grafo jerrquico dirigido. Este consiste en una serie de nodos interconectados por arcos que representan las vas de circulacin.
44
La condicin de grafo jerrquico permite al nodo contener un grafo de segundo nivel que a su vez representa cada una de las intersecciones. En estas intersecciones se representan las bocas de entrada con nodos y las maniobras por medio de arcos que unen las bocas de entrada. Los arcos dirigidos tienen pesos asociados que a su vez representan el porcentaje de permiso/posibilidad de realizar cada maniobra en el caso que el conductor la haya preseleccionado.
1 1
En la figura se muestra una situacin de un cruce de dos calles de dos carriles con sentidos de ida y vuelta. Las maniobras resaltadas muestran que continuar sobre el carril actual y girar a la derecha son elegibles en un 100%. El giro a la izquierda tiene asociado solo un 40% dado que este giro significa perder la prioridad del carril y tener que esperar que todos los mviles del carril paralelo crucen. El giro en U esta prohibido, por ello tiene una asignacin del 2%, lo que significa que solamente un conductor con mucha agresividad y poco respeto a las reglas de trfico elegira esta maniobra en caso de necesitarla. Si una maniobra es fsicamente irrealizable, la misma no es considerada en el grafo.
45
Representacin de las diferentes clases que forman la estructura de carreteras:
Zona
Escenario
Ruta
Nodo
Seales
Tabla OD
Bocacalle
Carril
Mvil
Maniobra
Cola de mviles (en carril)
Cola de mviles (en interseccin)
Clase: Objetivo:
Zona Representar cada una de las regiones en que se subdivide el sistema de carreteras Descripcin: Encargado de dividir el sistema de carreteras en celdas rectangulares previamente determinadas en funcin a la densidad de trfico existente en la zona y a la potencia del procesador al que se asigna. Cuenta con miembros que determinan las dimensiones de la zona, los parmetros de red de la computadora que lo simula y la informacin de las zonas vecinas en cada una de sus cuatro aristas. La zona trabaja de la mano con el modelo de distribucin de informacin para encaminar las consultas inter-zonas y coordinar los requerimientos de actualizacin del simulador8. Por otro lado, cuenta con miembros que permiten al sistema de visualizacin definir una sub-zona de atencin interna para la cual, todos los objetos que fueran afectados, deben reportar sus estados a una frecuencia predeterminada para mostrar dinmicamente las posiciones y el comportamiento de las entidades simuladas, optimizando el flujo de informacin requerido.
Esta idea est inspirada en el mecanismo de manejo de los clipped regions o regiones recortadas, tcnica comnmente utilizada en el diseo de interfaces grficas y APIs.
8
46
Clase: Escenario Objetivo: Coordinar las entidades y sus actividades dentro de una zona Descripcin: Contenedor de todos los elementos estticos y dinmicos de la zona. Por medio de este objeto, el modelo de control puede coordinar todas las actividades de los dems mdulos (ver Modelo de Control de la Simulacin). La lgica de relacionamiento de objetos y control de entidades se centra en una jerarqua de objetos contenedores. Esta estructura est fundamentada en conseguir un mecanismo de localizacin de entidades con un costo computacional muy bajo en la que se combinan tcnicas de: Bsqueda Binaria Ordenada: Cuando se cuenta con una coleccin de objetos a un mismo nivel previamente ordenados y se desea encontrar un subconjunto de stos que cumpla con ciertos requerimientos, por ejemplo, al buscar carriles candidatos para una maniobra o al crear la Tabla OD. Acceso por Indireccionamiento: Cuando dos objetos estn ntimamente relacionados entre s por una unin de dependencia o jerarqua. Si el modelo lo permite, estos objetos estn referenciados entre s por medio de listas encadenadas o enlaces (punteros a objetos). Algunos ejemplos del uso de esta tcnica constituyen las relaciones de pertenencia de un carril a una ruta, de un mvil a un carril, del orden relativo de los mviles en una cola de espera, entre otros. Clase: Ruta Objetivo: Representar a una va de circulacin, sea una calle, avenida o carretera. Descripcin: Con esta representacin se busca abstraer la condicin de un contenedor de carriles que vincula todos los carriles de una misma va de circulacin entre s, estableciendo un orden relativo entre ellos, el eje de la carretera y definiendo el sentido de cada uno. Al abstraer la estructura interna de la va de circulacin facilita el trabajo de creacin de Tablas OD al sistema de navegacin y gua y permite establecer parmetros generales a nivel de todos los carriles como ser: Intersecciones que conecta. Posicionamiento sobre el sistema de coordenadas absoluto. Trayectoria del centro de la ruta, que sirve como gua a los carriles inscritos en ella. Preferencia Informacin del flujo de mviles, ocupacin y escurrimiento. Clase: Carril Objetivo: Representar a cada uno de los andariveles de una va de circulacin. Descripcin: Es la estructura atmica mas importante para el tratamiento de las entidades estticas y dinmicas. Contiene las colas de mviles, peatones y controles asociados al andarivel correspondiente y est fuertemente vinculado a la ruta, a los carriles adyacentes y a las intersecciones terminales por medio de sus bocas de acceso como se muestra en la figura.
47
Relaciones Carril izq. Carril
Relaciones Carril -
Sentido Relacin Bocacalle Relacin Carril - Ruta
Esto facilita el proceso de desplazamiento de las entidades dinmicas dentro del carril y su traspaso consistente a otros elementos dentro del sistema de carreteras. Cada carril tiene asociado una funcin r(d), donde d es la distancia recorrida respecto al origen del carril, que define el trayecto recorrido dentro del carril utilizando as su propio sistema de coordenadas relativo como se present en el tpico 5.2. Cada carril a su vez cuenta con un desplazamiento lateral respecto al eje de la ruta que lo vincula con el sistema de coordenadas absoluto. A nivel de los carriles se registra: Identificador nico del carril. Posicin y dimensiones absolutas (largo y ancho). Posicin relativa en la ruta. Contenedor y entidades relacionadas (zona, ruta, bocacalles, nodos extremos, seales de trfico). Sentido de circulacin admitido. Tipos de vehculos admitidos. Carriles vecinos, y con ello la informacin relativa a la posibilidad de pasar de un carril a otro. Situacin actual de cada mvil en el carril. Calidad de la ruta (permite manifestar los efectos de los diferentes tipos de pavimento en funcin a libertad de acelerar a la velocidad crucero establecida por el conductor de los mviles). Velocidad mxima permitida. Permisos de detencin y estacionamiento. Condicin de bloqueo en caso de detencin. Situacin de bloqueo actual. Los carriles estn ordenados de forma relativa en funcin a cada uno de los sentidos de circulacin de la va, as a cada uno de los extremos del centro de la ruta se despliega un nmero determinado de carriles numerados de afuera para dentro empezando con 1 (que identifica a un carril tipo vereda), luego el valor 0 que representa al primer carril y as siguiendo. El carril con mayor nmero de orden limita con el trayecto del centro de la ruta.
48
Todo el sistema de posicionamiento, as como el movimiento longitudinal y transversal de los mviles dentro de un carril se lleva a cabo con respecto al sistema de coordenadas relativo, cuyo origen coincide con el punto origen del carril. Nodo Esta clase cuenta con objetivos bien diferenciados en funcin al perfil del nodo: Nodo Interseccin: Son aquellos nodos que permiten interconectar carriles entre s y que representan al cruce de rutas. A nivel del simulador, este tipo de nodos puede utilizarse tambin para representar la fusin/bifurcacin de carriles de una misma ruta. En todos los casos son nodos intermedios en el sistema de carreteras y su misin principal consiste en permitir el paso controlado de las entidades dinmicas del extremo final de un carril al extremo inicial de otro. Nodo Conector: Son aquellos nodos terminales o extremos del grafo que se encargan de producir/consumir los mviles del sistema, o bien los traspasan a zonas adyacentes que seran simuladas en otras computadoras. Descripcin: Los nodos representan el punto de confluencia de los carriles en una simulacin. La clase registra para todos los casos: Identificador nico del nodo. Zona en la que se ubica. Posicin absoluta. Dimensiones de la zona de influencia. Tipo. Puede ser Interseccin o Conector (Productor/Consumidor o conector entre zonas). Adems, segn el tipo de nodo, la clase registra datos particulares para cada tipo: Nodo Interseccin. Se registran cada una de las maniobras que conectan los carriles entre s. (ver clase maniobra). Nodo Conector En el caso que sea un Conector Productor se registra la cantidad de mviles por minuto que debe generar e introducir al sistema En el caso que sea un Conector Consumidor se registra el porcentaje respecto al total de entidades dinmicas en la zona que deban consumirse por este nodo En el caso que sea un Conector Interfaz entre zonas, la clase registra el identificador a la zona adyacente a la que se conecta. Los nodos productores/consumidores comnmente se ubican en las aristas que delimitan las zonas externas del sistema de carreteras como puntos de generacin/destruccin de mviles. Estos nodos pueden ubicarse tambin en determinados lugares dentro de una zona para representar puntos de entrada/salida de vehculos representativo, como son por ejemplo los estacionamientos, edificios, centros de compras y otros lugares de gran concurrencia.
49
Clase: Objetivo:
Dada la funcionalidad otorgada a un nodo conector, sea productor,
consumidor o interfaz, es necesario que estos no coincidan posicionalmente con un nodo interseccin ni puedan ejercer simultneamente ambas funciones, ya que los nodos conectores deben tener una nica bocacalle de entrada y de salida Clase: Tabla OD Objetivo: Describir trayectos a seguir para las entidades dinmicas de la zona simulada Descripcin: Una Tabla OD es una secuencia de nodos que se inicia en un nodo productor y termina en un nodo consumidor, pasando por una serie de 0 o ms nodos intermedios que pueden ser intersecciones o interfaces entre zonas. Esta secuencia de nodos se genera en el momento que el nodo productor (donde se inicia la secuencia) solicita la creacin de una nueva entidad dinmica. Dicha secuencia servir posteriormente al sistema de navegacin como un prototipo gua que en camina las decisiones para seleccionar los carriles y las maniobras que permitan al mvil recorrer este trayecto. Las Tablas OD se generan de tal manera que inicialmente existe una forma permitida para recorrer el trayecto descrito. En caso que durante la simulacin ocurran accidentes, bloqueos o cambios en las condiciones del trfico que no permitan mantener este plan de viaje original. La Tabla OD podr regenerarse a partir del siguiente nodo hacia el cual se est avanzando. REFERENCIAS:
Nodos Ruta empedrada Ruta asfaltada Tabla original Modificacin la tabla OD OD
Bloqueo de va a
La misma Tabla OD cuenta con miembros que permiten evaluar en funcin a la demanda actual de mviles por parte del escenario y a la distribucin de los mismos, seleccionar el par de nodos origen/destino y la secuencia de nodos intermedios basados en una serie de patrones gua, a saber: Conocimiento del sistema de carreteras Conocimiento anticipado de vas Favoritas y vas Evitables Conocimiento anticipado de situaciones de bloqueo Preferencia de las vas Calidad de las vas Maximizacin de la velocidad mxima permitida Densidad del trfico por va Existencia de carriles que unan cada par de nodos de la Tabla OD para los cuales est permitido el trafico del tipo de mvil actual. El criterio del camino de menor costo (menor distancia recorrida)
50
Algunas Tablas OD se establecen previamente al inicio de la simulacin, y se aplican a ciertos tipos de mviles que tienen trayectos predefinidos Clase: Objetivo: Bocacalle Representar en un nodo un conjunto de carriles que, independiente al sentido, lo conectan con otro nodo del sistema. Descripcin: La bocacalle es una representacin interna del sistema que permite: Vincular todos los carriles de una misma va entre s, diferenciando los carriles de sentido entrante y saliente. Abstraer la existencia del conjunto de carriles de igual sentido de una ruta con el objetivo de manejar el flujo de mviles independientemente del carril especfico por el que entra o sale del nodo. La misma situacin es aplicable para las maniobras. Asociar los semforos y otras sealizaciones a todos los carriles entrantes provenientes de una misma ruta. Optimizar el proceso de construccin de trayectos para las consultas al sistema de carreteras La bocacalle maneja informacin respecto a: Nodo al que pertenece Carriles que en este terminan. Nodo al cual se accede por su intermedio. En adelante, cuando se hace referencia al trmino boca o bocacalle, ste se referir en particular a la interfaz terica que existe entre un nodo y el grupo de todos los carriles de un mismo sentido que desembocan en l desde un mismo nodo y por una misma ruta.
BOCAS ENTRANTES BOCAS SALIENTES
Clase: Objetivo:
Maniobra Representar cada uno de los trayectos permitidos dentro de un nodo tipo Interseccin, que permitan conectar carriles entrantes y salientes entre s Descripcin: La clase maniobra es en s un miembro de la clase nodo con especializacin de tipo interseccin. Como se mostr al comienzo del presente apartado, cada
51
maniobra es un enlace que determina la posibilidad de que un mvil acceda a un carril de una bocacalle saliente a partir de un carril de una bocacalle entrante. Este emparejamiento de carriles entrantes/salientes registra: El nodo interseccin en cuestin La posibilidad (fsica) de que una maniobra se realice. El nivel de permisividad o elegibilidad de la maniobra, basado en las reglas de trfico y en el peligro que representa realizar ciertas acciones en un cruce. La longitud de la maniobra El trayecto que sigue la maniobra dentro del nodo Por medio de esta informacin, el modelo de control podr determinar mecanismos para prevencin y deteccin de colisiones. Cada maniobra es en s un carril con su propia cola de mviles en trnsito. La principal diferencia radica en que un carril convencional est asociado a una ruta y una maniobra est asociada a una interseccin. Por otro lado, un mvil en un carril puede realizar adelantamientos que le permiten cambiarse rpidamente al carril de al lado. Las maniobras sin embargo no cuentan con otros elementos similares adyacentes a su trayectoria. En el caso que un mvil pueda adelantarse durante su paso por el nodo, deber existir una maniobra independiente que defina esta trayectoria. Esta simplificacin se realiz con el fin de evitar la existencia de movimientos no controlados dentro del nodo; con el objetivo de optimizar el tiempo de clculo de colisiones entre todas las trayectorias posibles. Clase: Mvil Objetivo: Representar a las entidades dinmicas presentes en el sistema de carreteras Descripcin: El mvil es finalmente el centro de todo el proceso de simulacin. A diferencia de los dems componentes del sistema de carreteras, estos no se instancian al iniciar la simulacin sino que se crean en el momento que entran al sistema de carreteras y se destruyen a su salida. El mvil es manejado primariamente por el sistema de navegacin del modelo de control y por el Modelo de Representacin de Entidades, en cuya explicacin se considerarn todos los detalles de su composicin y funcionamiento. El mvil registra internamente: Zona en la que se simula. Carril o Maniobra en la que se encuentra actualmente. La Base de Datos del Conocimiento del mvil, en la que se representa todo lo que el mvil conoce y decide (incluye tambin a la Tabla OD que determina su trayecto). El tipo de mvil al que se asocia. El tipo de conductor al que se asocia. Los valores crucero, mnimo y mximo correspondientes a su velocidad, aceleracin y desaceleracin. Su posicin longitudinal y transversal respecto al sistema de coordenadas relativo de su contenedor actual. Su situacin respecto a otras entidades dinmicas vecinas
52
Clase: Objetivo:
Seales Representar a las regulaciones del trfico y a las entidades estticas (seales de trfico y obstrucciones) presentes en el sistema de carreteras Descripcin: Si bien la mayora de las reglas de trfico son representadas a nivel de las propiedades de las vas de circulacin, existen otras que se representan por medio de seales y afectan independientemente a un carril o a toda una boca. Por simplicidad sobre el trabajo con el modelo no se registran seales asociadas a las maniobras, ya que por su condicin de componentes empleados para la transicin de mviles entre carriles, no se pierde generalidad al suponer que las condiciones al entrar a una maniobra se mantendrn invariables hasta finalizar la transicin en la interseccin. Los efectos de las seales se aplican en funcin a ciertos Tipos de Control predeterminados, manejados por el Modelo de Sealizacin. Existen tres tipos de seales: Seales monoestado: Son aquellas seales que no cambian a lo largo de una simulacin y afectan a un rea pequea y bien definida de un componente del sistema de carreteras en la simulacin. Estas registran: Tipo de seal, y con ello el efecto que tiene sobre los mviles que circulan en el sistema de carreteras. Componente al que afecta, que puede ser un carril o una maniobra. Zona en la que afecta, tpicamente considerada a partir de una posicin inicial y una longitud Las seales estticas controlan el ancho completo del carril o maniobra. Seales multiestado: Son aquellas seales que cambian de estado con el avance de la simulacin. En esta categora se incluyen a los semforos y a las seales electrnicas. En particular, esta versin del modelo contempla solamente a los semforos, dado que en nuestro medio an no se implementaron seales electrnicas. El diseo de los semforos requiere la representacin de dos componentes: La diagramacin de los estados de cada uno de los juegos de luces de un semforo. Esto a su vez requiere representar: Cada uno de los estados o etapas por los que pasa cada juego de luces El tiempo que se demora cada estado o etapa en pasar a la siguiente La representacin de cada semforo. Esto requiere: Determinar cuales son los juegos de luces que cada semforo tiene habilitado. Este modelo se restringe a los dos juegos ms comnmente utilizados: La circulacin principal y las flechas de giro a la izquierda. Determinar cuales son los diagramas de estados asociados a cada juego de luces habilitado. Asignar retrasos en la habilitacin y avance inicial de estados a ciertos semforos para lograr los efectos de coordinacin a nivel de una misma interseccin y las ondas a nivel de una secuencia de intersecciones con semforo. Obstrucciones: El concepto y la representacin de una obstruccin es equivalente al de un mvil, con la diferencia que no registra componentes de estado, de movimiento ni de comportamiento. Las obstrucciones pueden ser
53
interpretadas como una zona de reparacin, un bache importante, un accidente u objeto que bloquea temporalmente el carril, etc. Por su condicin de elementos estticos, las obstrucciones no son actualizadas por el modelo de control. Estas pueden ser introducidas la sistema desde el inicio o programticamente en algn momento durante la simulacin, inclusive pueden ser retiradas posteriormente. Clase: Cola de mviles Objetivo: Representar la secuencia de mviles presente en un carril o maniobra Descripcin: Como el objeto principal de la simulacin es el manejo de las entidades dinmicas, el modelo de representacin cuenta con una clase especial que modela la secuencia de mviles de un carril o maniobra para optimizar el proceso de consulta de la situacin de un mvil en relacin a sus vecinos del mismo carril, de carriles adyacentes e inclusive de maniobras y otros carriles que se encuentran posteriormente. Esta forma de representacin permite al modelo de control el manejo de varias instancias simultneas de la cola de un mismo carril o maniobra con el objetivo de realizar las actualizaciones de cada paso de la microsimulacin respecto a un mismo estado consistente, sin depender del orden en que se actualizan los componentes del sistema de carreteras. Por otro lado, el manejo de colas independientes permite la representacin relajada del estado de los mviles de una zona distinta, que se actualiza de a intervalos mucho mayores a los utilizados dentro de una misma zona debido a las limitaciones del enlace y el retraso que produce la comunicacin entre dos o ms computadoras. Representacin del Sistema de Carreteras:
REFERENCIAS :
Zona Ruta Carril Nodo Interseccin Nodo Productor/Consumidor Nodo Conector
54
5.3.2 El modelo de Representacin Fsico

DEPENDE DE : Entidades DE ESTE DEPENDEN : Entidades Control de la Simulacin
Este modelo analiza la representacin de los fenmenos fsicos. Est muy sujeto al modelo de Control de la Simulacin y define en gran manera los parmetros generales utilizados. Analizada la problemtica inherente al modelo, surge la pregunta relativa al nivel de fidelidad que se quiere lograr con la simulacin. Aproximaciones extremas: Computar la interaccin de cada una de las ruedas con la pista, incluyendo la fsica del vehculo, considerando la masa, velocidad, aceleracin y gradiente de fuerzas resultante sobre el vehculo, determinando as sus efectos y el movimiento exacto [5, 9, 27]. Cada mvil es un punto cuyas variables de movimiento se promedian con el de los vehculos que circulan por la misma carretera en bsqueda de un equilibrio. Se considera solo la posicin y la velocidad. Los cambios de velocidad son bruscos y se realizan exclusivamente para adecuarse al vehculo u obstculo de enfrente [57, 60]. Aproximacin propuesta: Cada mvil se representar como un objeto independiente, insertado en un ambiente tridimensional. No se considerar la fsica independiente de las ruedas ni el balanceo del vehculo. Slo se considerar su movimiento horizontal en relacin a la carretera, los vehculos y obstrucciones vecinas y las variables de comportamiento del mvil, calculndose independientemente uno respecto al otro. Las funciones de movimiento a utilizarse estn basadas en las ideas del IDM9 [59]. La nueva idea apunta a utilizar una versin modificada que no requiera clculos diferenciales ni integrales y que al mismo tiempo se adecue al tipo de mvil y tipo de conductor a ser representado. Como se present anteriormente, el movimiento del mvil permitir cuatro grados de libertad, estos son: 1. Movimiento longitudinal 2. Movimiento transversal 3. Giro sobre el plano del mvil 4. Elevacin en torno al eje transversal Las dos primeras se aplican directamente a la velocidad como una funcin del ngulo de giro respecto a la direccin del carril, as sean: SL: Movimiento Longitudinal ST: Movimiento Transversal v: Velocidad a: Aceleracin : Angulo de giro (=0 : Frente, >0 : Izquierda, <0 : Derecha)
9
IDM: Intelligent Driving Model o Modelo de Conduccin Inteligente, presentado por el MITSIM, simulador experimental del MIT.
55
: t p: g:
Angulo de elevacin sobre la horizontal Intervalo de tiempo por paso aceleracin de la gravedad
S L = v cos( ) t p
S T = v sen ( ) t p
donde para cada paso,
v = vo + (aefectiva t p )
La elevacin induce cambios sobre la aceleracin del mvil, afectando indirectamente a la velocidad, as:
aefectiva = f (amotor , a freno ) + ( g cos( ))

El miembro derecho de esta igualdad hace referencia a una funcin heurstica f que determina la aceleracin equivalente del tipo de vehculo utilizado en base al estado actual de circulacin (acelerando, frenando). Este valor se determina como resultado de la intencin del conductor y las capacidades del vehculo, que se fija entre valores mnimos y mximos establecidos desde que el mvil ingresa al sistema Para representar los trayectos recorridos, cada objeto componente de la red de carreteras cuenta con un trazado tridimensional representado por un polinomio de aproximacin por Splines, construido por una serie de puntos que aproximan una curva, como lo presenta el VRED [9, 27]. Al mismo tiempo cuenta con funciones que permiten aproximar la posicin del mvil de forma paramtrica, en funcin a la longitud total del trayecto. En caso que no sea relevante la consideracin de las curvas de un carril10, como lo es en la mayora de los casos, estos trayectos y las funciones de posicin se calculan sobre la funcin de la recta en el plano, donde:
ST STi = m(S L S Li )
donde m es la pendiente del vector director. La profundidad Z se obtiene como resultado de la funcin paramtrica del plano:
Z i = h(S L , S T )
por la cual se asocia a cada punto del plano un valor de altura, simplificando los clculos de posicin en la mayora de los casos.
10 Esta suposicin se establece sobre la base de que una curva leve en un carril no afecta la circulacin del trfico a menos que el ngulo sea demasiado pronunciado o que implique directa o indirectamente una disminucin de la velocidad promedio, en cuyo caso se utilizarn soluciones complementarias recurriendo a representaciones equivalentes.
56
La combinacin de estas funciones permite conocer la direccin y el sentido del movimiento sin perder generalidad, al tiempo que mejoran de sobremanera el rendimiento de un simulador que opera sobre sistemas polinomiales tipo Splines o B-Splines Este modelo tambin simplifica los efectos de la potencia del motor, freno y agarre de las ruedas, acotando para cada tipo de vehculo la aceleracin permitida. No se consideran aspectos fsicos relativos al agarre lateral dado que las velocidades extremas en ambientes urbanos para los cuales est preparado el simulador no superan los umbrales de peligro que requiere una supercarretera o una ruta con lmite de velocidad superior a los 100 Km/h. Finalmente, las suposiciones de simplicidad aplicadas al caso del autmata celular, por le cual se establece el tamao de una celda entre 8 y 15 metros, son vlidos para el presente modelo an en el peor de los casos. En este sentido, un mvil que circula por un sistema de carreteras con velocidad mxima absoluta de 100 km/h se desplazar 8 (o ms) metros en un paso si el intervalo entre pasos es igual (o mayor) que 0,288 segundos. Como se ver en el siguiente tpico, el Control de la Simulacin fue diseado para que actualice el sistema de carreteras en intervalos de 0,1 o 0,2 segundos, aunque podra determinarse intervalos menores de ser necesario. 5.3.3 El Modelo de Control de la Simulacin
DEPENDE DE : Distribucin carga de DE ESTE DEPENDEN : Entidades Distribucin Sealizacin Dinmica del Mvil Monitoreo Visualizacin Red de Carreteras Toma de Decisiones
Este modelo est diseado con la misin de coordinar las actividades de todos los dems mdulos integrantes de la simulacin. Similar al caso del modelo de Representacin Fsico, antes que nada debe definirse aqu el tipo de control de avance que coordinar los pasos de la simulacin. Para ello se cuenta con dos aproximaciones extremas: Discreto: Usado comnmente en microsimulacin. Divide los carriles en celdas de tamao fijo y determina que un solo mvil puede ocuparla por vez. El las funciones de movimiento se modelan en funcin a un nmero de celdas de avance por paso. Dada una celda, slo existen 4 posibles celdas adyacentes por lo cual el proceso de decisin y control es sumamente sencillo. Adems, es computacionalmente barato aunque poco real. Continuo: Usado comnmente en simulacin interactiva. El mvil se desplaza segn una ecuacin de movimiento que permite circular sin suposiciones discretas. Es mucho ms real pero requiere mucho ms clculo a la hora de tomar decisiones, determinar colisiones y aplicar las funciones de movimiento. Propuesto: Aproximacin fsica continua, como se haba determinado en el apartado anterior, pero sobre intervalos de actualizacin discretos. El control del tiempo
57
El modelo de control cuenta como herramienta principal al mdulo de Control del Tiempo. La finalidad de este mdulo es la de posibilitar la coordinacin de actividades y la administracin del tiempo de simulacin, diferenciada frente al tiempo real de ejecucin. Este mdulo cuenta con miembros que permiten configurar el periodo de cada paso de la simulacin, controlar el avance del tiempo y proveer a todo el sistema una visin uniforme de las diferentes versiones de entidades respecto al momento que fueron actualizadas por ltima vez. El programador de tareas Es el coordinador de todas las acciones del simulador y constituye la plataforma sobre la que se lanzarn posteriormente los mdulos que realizan cada una de las tareas requeridas por la simulacin. El programador debe lanzar tareas para: Modificar sus miembros de control del tiempo y del estado general de la simulacin. Solicitar la creacin de nuevas entidades dinmicas que entran al sistema de carreteras. Actualizar las entidades dinmicas presentes en los carriles y maniobras. Analizar la situacin de cada mvil y definir las acciones a tomar. Determinar posibles colisiones e incidentes. Actualizar el estado de las seales de trnsito multiestado. Actualizar los sensores. Sincronizar y actualizar la visin que las otras computadoras integrantes del sistema tienen de la zona actual. Actualizar al sistema de visualizacin. Cada una de estas tareas puede lanzarse por motivaciones pro-activas o reactivas, o bien pueden programarse de forma cclica cada cierto tiempo. Cada forma de manejar estas tareas o eventos tiene consideraciones e intervalos de ejecucin distintos. Acciones Programadas: Incluye las siguientes tareas con sus intervalos de programacin: Mdulo de actualizacin de los estados de movimiento de las entidades dinmicas en carriles y maniobras. Intervalo tpico: 0,2 segundos. Mdulo de actualizacin de la informacin distribuida: Actualiza la informacin que otras zonas tienen de la zona actual. Intervalo tpico: 2 segundos. Mdulo de visualizacin. Debe actualizarse al menos al mismo ritmo que el mdulo de actualizacin para no perder detalles. En caso que se simule un sistema con varias zonas que trabajan de manera asncrona, es preferible que el mdulo de visualizacin se actualice con una frecuencia an mayor. Modulo de actualizacin de las seales de trnsito multiestado. Los semforos y carteles elctricos no cambian de estado con mucha frecuencia lo que permite establecer intervalos de entre 0,5 y 2 segundos. Acciones Pro-activas: Modulo de inicializacin y cambio de estado de la simulacin. Slo requiere ejecutarse en momentos especficos, al inicio de la simulacin y cuando es necesario alterar algunos parmetros de la simulacin con el objetivo de forzar ciertas situaciones de especial inters.
58
Mdulo de creacin de nuevas entidades: Se ejecuta solamente cuando se detecta un alejamiento importante en la cantidad esperada de mviles del sistema, o cuando se desbalancea la utilizacin de ciertas vas respecto a otras. Actualizacin de la visin que tienen las otras zonas del sistema actual: Cada vez que se detecta una diferencia importante entre la informacin real y la informacin que maneja una zona respecto de otra, la zona que administra los datos reales enva la informacin necesaria a las zonas afectadas. Toma de decisiones: Cada vez que una entidad dinmica decida que es necesario cambiar su estado de comportamiento actual, modifica sus variables de movimiento, en particular, la aceleracin y el giro, apuntando a mejorar su situacin actual. Acciones Reactivas: considerar tiempos de reaccin para decisiones Toma de decisiones: El proceso de toma de decisiones puede ser invocado tambin fuera del ciclo de ejecucin normal dadas ciertas condiciones que requieran de la intervencin del mdulo de toma de decisiones para alterar el estado actual. Deteccin de colisiones e incidentes: Como parte del proceso de actualizacin de estados de movimiento de las entidades dinmicas pueden infringirse las condiciones de frontera de estas entidades, lo que obliga a producir una condicin de choque instantneamente que bloquea el carril en cuestin. Actualizacin de Sensores: Cada vez que una entidad dinmica ingrese a una zona controlada por un sensor o dispare la condicin que lo controla, se ejecuta el mdulo de monitoreo para actualizar la informacin del sensor afectado Para controlar a los mdulos que se ejecutan por acciones programadas, el mdulo de control principal cuenta con un ciclo que avanza el tiempo de simulacin en intervalos de tiempo con la duracin del mximo comn divisor de todos los tiempos de los eventos programados. En cada ciclo, el programador controla si es el momento de ejecutar alguno de los mdulos programados o si se cumplen las condiciones para ejecutar algn mdulo proactivo. Algortmicamente esto es: Inicializar ( simulacin ) Inicializar ( control de tiempo ) Avance = MCD( eventos, Tiempo de Paso ) MIENTRAS < simulador est activo > PARA CADA < evento > SI Tiempo Simulacin % Intervalo( < evento > ) == 0 Ejecutar < modulo del evento > Tiempo Simulacin = Tiempo Simulacin + Avance SI Tiempo Simulacin % Tiempo de Paso == 0 Avanzar ( paso ) Finalizar ( simulacin )
59
El mdulo de Navegacin y Gua Es el mdulo que se encarga del avance de los mviles aplicando las ecuaciones de posicin y movimiento. Este mdulo tiene adems como misin el control de las actividades reactivas y la actualizacin del estado de las entidades dinmicas en el sistema de carreteras, conservando la consistencia de la informacin en todo momento. A continuacin se presenta en detalle la forma como lleva a cabo cada una de estas tareas. Movimiento y control de colisiones Como se present con anterioridad, tanto los carriles como las maniobras manejan una cola de mviles independiente, donde el movimiento de stos est sujeto a un sistema de coordenadas relativo siendo su trayectoria una recta que equivale en longitud a la trayectoria real del carril representado. La solucin a las problemticas que tratan la optimizacin de las consultas apuntan a que cada entidad dinmica, aparte de manejar su informacin de posicin y movimiento, registre tambin cuales son las otras entidades que se encuentran por delante y por detrs de sta, al tiempo que la misma cola registra la secuencia ordenada de dichos mviles. A nivel de ciertas entidades dinmicas se permite que, sobre un mismo carril, una pueda sobrepasar a otra. Para esto, los motociclistas, ciclistas y peatones tienen una propiedad especial de co-permanencia que los diferencia del resto y tienen este tratamiento especial. La posibilidad de compartir una misma ubicacin en un carril es aplicable solamente a dos o ms mviles donde todos tienen la propiedad de co-permanencia. Otras combinaciones no son admitidas. Respecto al control de las condiciones de frontera se busc balancear el nivel de esfuerzo invertido en el control de la gran mayora de los casos importantes sin considerar algunos casos patolgicos cuya probabilidad de ocurrencia es nfima y que no resulta representativa para los objetivos del simulador. El control de las condiciones de frontera se realiza una vez que un elemento de la red de carreteras termin de actualizar las posiciones de las entidades dinmicas que contiene, realizando una serie de verificaciones del orden relativo entre el estado estable anterior y el nuevo estado estable controlando lo siguiente: Para los carriles: Para cada entidad dinmica, se analiza si sus vecinos inmediatos en la cola del carril (anterior y siguiente) se han solapado considerando la posicin, largo, ancho y giro de cada entidad. Si ambas entidades tienen la propiedad de co-permanencia, este calculo se ignora Se controla si hubo algn cambio en el orden relativo entre cada par adyacente de entidades, sin que ambos tengan la propiedad de co-permanencia. Para las maniobras: Para cada entidad dinmica, se analiza si sus vecinos inmediatos en la cola de la maniobra (anterior y siguiente) se han solapado considerando la posicin, largo, ancho y giro de cada entidad. Si ambas entidades tienen la propiedad de co-permanencia, este calculo se ignora Se controla si hubo algn cambio en el orden relativo entre cada par adyacente de entidades, sin que ambos tengan la propiedad de co-permanencia. Para cada maniobra se determina un conjunto de maniobras del mismo nodo que se intersecan con la actual en algn punto y que tiene al menos una entidad dinmica en el estado consistente anterior posicionada antes de dicho punto de interseccin. Se verifica entonces en el nuevo estado consistente si se cumple una de las siguientes condiciones:
60
Ambos mviles cruzaron el punto de interseccin, o Los mviles han infringido sus condiciones de frontera respectivas. En este caso no se considera la propiedad de co-permanencia. Si alguna de estas verificaciones determina que se ha infringido alguna condicin de frontera, se dispara un procedimiento que marca a todas las entidades dinmicas involucradas como chocadas, se disminuyen a cero todas sus propiedades relativas al movimiento conservando su posicin actual, al tiempo que se notifica a los dems mviles del mismo elemento de la carretera lo ocurrido para que el modelo de toma de decisiones reaccione en consecuencia. Actualizacin de los carriles y las maniobras El mdulo de Navegacin se encarga de actualizar (avanzar) a cada una de las entidades dinmicas en funcin al modelo fsico anteriormente descrito. Este debe definir las soluciones a las problemticas presentadas al inicio del captulo referentes a la sincronizacin en la actualizacin y a la representacin uniforme y consistente de la realidad simulada. El mdulo de Navegacin manejar entonces una serie de colas alternativas para cada carril o maniobra de tal manera a poder representar: El estado consistente al que se lleg en el paso anterior: Cada uno de los valores que determinan el estado de posicin y movimiento del mvil y que son exclusivos de cada paso de simulacin. Esta copia debe mantenerse invariable durante todo el paso para que todas las consultas realizadas durante la actualizacin y toma de decisiones sean consistentes. El estado de transicin actual para casos en que no se pueda definir el estado definitivo para el prximo paso. Este estado intermedio contiene la representacin de todas aquellas entidades que requieren de un post-procesamiento antes de ir al siguiente paso. El estado definitivo vlido para el prximo paso. El primero de stos es el estado que se considera como vlido para cualquier consulta del estado de las entidades dinmicas del simulador. La mayora de los datos relativos al conocimiento, intencin y comportamiento del mvil no dependen del paso, por lo que se manejar una copia nica. Al momento de actualizar la red de carreteras, el Modelo de Control recorre la lista de todos los carriles y maniobras. Para cada componente se realiza lo siguiente: Primera pasada: 1. Toma los datos de la copia perteneciente al estado consistente. 2. Aplica los cambios en funcin a este estado de movimiento y a la decisin tomada por le mdulo de comportamiento. 3. Las modificaciones realizadas se aplican: A la copia de transicin si el cambio no es definitivo o requiere post-procesamiento. A la copia preparada para el siguiente paso si el cambio es definitivo Segunda pasada: 1. Se verifica cada una de las entidades que se encuentran en la copia de transicin y se aplican los procesos requeridos. 2. Se elimina la copia de transicin y las modificaciones se aplican a la copia preparada para el siguiente paso. Los casos que necesitan utilizar la copia de transicin son los siguientes:
61
Insercin de un nuevo vehculo en medio de una cola de mviles: Operacin tpica de un cambio de carril. Como la cola est ordenada y el orden relativo entre mviles debe mantenerse, primero deben actualizarse todos los dems mviles del carril en el cual se inserta el mvil para determinar finalmente sin ambigedades si se produjo alguna condicin de choque. Modificacin en el orden relativo de los mviles dentro de la cola: Los adelantamientos de peatones y ciclistas requieren un reordenamiento inmediato de la cola. Para evitar que dos actualizaciones sucesivas de mviles muy cercanos obligue a reordenar la cola varias veces por paso, las entidades de este tipo que se sobrepasan se ubican en la copia de transicin y son insertadas en la copia definitiva una vez que todas hayan sido actualizadas. Finalmente la copia definitiva se reordena si fuera necesario. Traspaso de entidades dinmicas entre elementos del sistema de carreteras Al respecto, se asume que cada entidad dinmica tiene un punto imaginario de control al frente (longitudinalmente) y al centro (transversalmente) del mismo. Ese punto es el origen del sistema de coordenadas relativo de la entidad, y permite a la misma el control de las condiciones de frontera respecto a las dems entidades, as como el momento en el que una entidad entra/sale de un elemento del sistema de carreteras. Para evitar excesivos esfuerzos en controles de consistencia de la representacin, en cantidad de pasadas para actualizar el sistema de carreteras y cantidad de copias intermedias antes de llegar a un estado estable se establecen las siguientes premisas: Una entidad dinmica slo se encuentra en una cola de un elemento de carreteras por estado consistente en un mismo paso. Cada mvil internamente registra los otros elementos de carreteras a los cuales podra estar afectando todava, sean carriles adyacentes o nodos. Las transferencias de una entidad dinmica de un nodo a un carril (o viceversa) se realizan cuando el frente del mvil alcanza o sobrepasa el lmite del elemento de la carretera por el que circula. Las transferencias de una entidad dinmica de un carril a otro carril se realizan cuando el centro del mvil alcanza o sobrepasa el lmite del elemento de la carretera por el que circula. La distancia que una entidad sobrepasa al lmite de un elemento de carretera ser compensado en el elemento al cual se desplaza. Toda consulta realizada al sistema de carreteras en la proximidad de la finalizacin de este deber incluir informacin relativa al estado de las entidades en el elemento del sistema de carreteras adyacente al que se dirige, por lo tanto, el mdulo de navegacin recorre ms de un componente en la mayora de los casos y junta la informacin de todos los componentes consultados bajo una vista nica. Experimentalmente11 se determin que cada entidad dinmica debe contar con informacin de al menos 50 metros por delante o por detrs de su posicin actual, dependiendo de la direccin a la que haga referencia la consulta y al menos un carril ms para el caso de consultas en sentido transversal a la circulacin.
Los valores experimentales se basan en pruebas realizadas sobre carreteras urbanas, con carriles cuyas longitudes no superan los 300 metros y las velocidades mximas no superan los 100 km/h
11
62
Correcciones automticas Otra de las problemticas del modulo de navegacin y gua citadas anteriormente en este captulo tiene que ver con las pequeas correcciones que se deben hacer para mantener el mvil centrado luego de una maniobra de cambio de carril o al decidir una accin de detencin en funcin al mvil de enfrente. El mdulo de Navegacin y Gua maneja internamente unos parmetros de configuracin que establecen mrgenes de seguridad de velocidad, tiempo y distancia para ayudar al modelo de Comportamiento a modificar las variables de movimiento tal que las entidades dinmicas tiendan a centrarse en el carril y que coordinen autnomamente los procesos de detencin y seguimiento de mviles siempre que el estado actual (definido por el modelo de Comportamiento) se mantenga estable. 5.3.4 El Modelo de Control de Demanda y Poblacin
DEPENDE DE : Red de Carreteras Toma de Decisiones Dinmica del Mvil Control de la Simulacin DE ESTE DEPENDEN : Sealizacin Visualizacin Toma de Decisiones Dinmica del Mvil
Este modelo tiene como objetivo conseguir que la escena simulada tenga una cierta densidad de trfico basada en los valores de los parmetros de entrada de la zona de simulacin. Se encarga adems de distribuir convenientemente los mviles segn los tipos existentes asocindoles el plan de viajes por medio de la creacin de Tablas OD. Las clases que definen la estructura del sistema de carreteras permiten definir para cada nodo tipo productor/consumidor los siguientes valores: Densidad Entrante: El nmero de entidades dinmicas por minuto que este nodo debe brindar al sistema de carreteras. Distribucin Entrante: De todos los tipos de mviles y conductores, en que proporcin se espera que estos vayan generndose Densidad Saliente: El porcentaje del total de los mviles del sistema que deben ser consumidos por el presente nodo. Este mecanismo permite representar arbitrariamente cualquier distribucin en el sistema de carreteras, que estar apoyada por el sistema de navegacin una vez que se conozca la tabla OD que tiene asignada. La produccin de los mviles es un proceso de generacin basado en funciones aleatorias con distribucin normal alrededor de un valor medio esperado entrante por minuto Xei para el nodo i en funcin a los parmetros anteriormente establecidos. El presente modelo puede aumentar el valor de Xei para acelerar el proceso de maduracin inicial de la simulacin con el objetivo de completar cuanto antes la cantidad esperada total de mviles en el sistema, que esta dado por:
Xei Xsi
i =1 i =1
Te
Ts
donde Te y Ts son las cantidades de nodos productores y consumidores respectivamente y Xsi es el valor medio esperado saliente por minuto para un nodo i. De todas maneras, la aceleracin de la produccin de mviles no puede ser arbitrariamente alta ya que podra generar situaciones de congestin y accidentes asociados a una produccin irreal mviles, por lo que esta aceleracin deber mantener la proporcionalidad de la produccin de cada nodo
63
frente al total esperado. El factor de proporcin depender exclusivamente de la topologa representada y de la capacidad de las vas de comunicacin. El proceso de creacin e insercin de un nuevo mvil Cada vez que el control de la simulacin llama al mdulo de produccin de entidades dinmicas, lo primero que se decide es la lista de nodos productores que sern afectados durante el presente proceso de produccin, aplicando el acercamiento probabilstico citado con anterioridad. Para cada nodo afectado, se consulta a la (nica) boca saliente y se determina una serie de carriles candidatos, en funcin al tipo de trfico que acepte cada uno. A partir de este punto se aplica un calculo probabilstico semejante asociado a los tipos de entidades dinmicas y conductores con sus distribuciones respectivas, dando mayor peso a aquellos cuya demanda insatisfecha sea la mayor y que al mismo tiempo sea aceptado por al menos uno de los carriles salientes. Una vez definido el nodo y carril de entrada, as como el tipo de entidad dinmica y tipo de conductor, se crea una instancia de la clase mvil. Se asocia entonces el prototipo de entidad dinmica y de conductor preseleccionado y se definen valores particulares de las caractersticas de este mvil, basndose en los valores esperados de su prototipo. Entre estas caractersticas, las ms importantes son: Largo. Ancho. Velocidad y Aceleracin crucero. Velocidad mxima. Aceleracin y Desaceleracin mxima. Angulo de giro mximo. Distancia de seguridad deseada respecto al mvil de enfrente (conduccin y frenado). Preferencia del mvil o Derecho de paso. Llena el carril o tiene propiedad de co-permanencia. Mantiene derecha. Mvil tipo repartidor (Tabla OD fija). Aparte de estas caractersticas, se definen otras que tienen que ver con el comportamiento, como la agresividad, el tiempo de reaccin y otras que se analizaran en detalle ms adelante. Finalmente se asigna a la nueva entidad dinmica, la Tabla OD que utilizar como gua durante su permanencia en el sistema de carreteras. Para esto se determina un conjunto reducido de nodos consumidores que menos demanda satisfecha tienen y aleatoriamente se selecciona uno de ellos. Para determinados tipos de mviles, se indica a travs de un miembro de la clase que la Tabla OD que se le asigna es una tabla fija que no se genera en funcin a la demanda establecida ni a los gustos y/o preferencias del conductor. Este caso especial permite representar aquellas entidades dinmicas que representan sistemas de transporte pblico, como los buses, cuyo trayecto no depende de la situacin, por el contrario, es fijo. El anlisis de trayectos para las tablas OD se realiza a nivel de las zonas. Por lo tanto, el simulador controla la concordancia entre la demanda entrante y saliente de un par de nodos conectores entre zonas relacionadas, en un sistema de carreteras que maneje ms de una zona. Actualizacin dinmica de parmetros con el tiempo (densidades de los nodos)
64
El mdulo de Control de Demanda permite adems actualizar los parmetros de entrada y distribucin de mviles en funcin al tiempo. Esto permite representar situaciones realistas donde el trfico aumenta o disminuye segn el horario en periodos inclusive muy cortos. Esta variacin no solo se parametriza a nivel global, sino que se establecen las nuevas cargas de demanda entrante y saliente por cada nodo terminal del sistema. 5.3.5 El Modelo de Comportamiento y Decisin
DEPENDE DE : Entidades Sealizacin Control de la Simulacin DE ESTE DEPENDEN : Entidades
El simulador podr trabajar en dos modos: Sin IA: Puramente reactivo. Se definir una tabla OD para cada mvil previamente a su ingreso al simulador. El mvil seguir el camino prescrito hasta el destino utilizando el esquema del IDM y ser sealizado por el subsistema de control de trfico o por otros mviles forzando la toma de decisiones simples como los cambios de carril, efectos de los semforos y agentes de trfico y colisiones. Con IA: Reactivo y pro-activo. Se contar tambin con una tabla OD, pero el seguimiento del camino real depender del modelo de comportamiento y decisin, el cual guiar el control del mvil y sus reacciones ante diferentes situaciones. La utilizacin de Agentes Inteligentes dentro del simulador EasyTraf es el tema principal de esta tesis, y su estructura se describe en profundidad en el captulo 6. 5.3.6 El Modelo de Almacenamiento y Distribucin de Informacin
DEPENDE DE : Red de Carreteras Control de la Simulacin DE ESTE DEPENDEN : Control de la Simulacin
A la par del modelo de Control de la Simulacin, este modelo se encarga de complementar la tarea de control supervisando la actualizacin de las imgenes relajadas que manejan los nodos conectores tipo Interfaz entre Zonas respecto a sus zonas adyacentes. El objetivo final del modelo consiste en contar con la informacin actualizada del carril de la zona adyacente al que se conecta el nodo, en el momento que se necesite, minimizando el uso de los recursos de comunicacin. Cuanto menos se utilice el canal de comunicacin entre las computadoras que forman parte de la simulacin, mayor ser la cantidad de zonas (y nodos interfaz por zona) que el simulador puede llegar a manejar simultneamente. Para lograr esto, los nodos interfaz entre regiones cuentan con una boca ficticia con la misma cantidad de carriles (tambin ficticios) que la (nica) boca real que la conecta con los carriles de la zona. Estos carriles ficticios permiten representar de forma relajada la situacin del carril real forneo. A diferencia de los carriles reales, estos carriles ficticios cuentan con informacin de actualizacin asociada a cada mvil dentro de su cola de espera. De esta manera, el presente modelo permite resolver consultas de la situacin actual del mvil basado en una proyeccin de su situacin pasada al tiempo actual. La existencia de un mdulo que se encargue de estas actualizaciones, conjuntamente con el mdulo de Navegacin y el mdulo de Toma de Decisiones permite adems canalizar todas las
65
consultas de una zona en un paso con el objetivo de minimizar la cantidad de pedidos separados de actualizacin [38, 41] por medio de la utilizacin de paquetes de informacin basados en la idea del PDU, siempre que estos no sean absolutamente necesarios en el momento. El modelo maneja dos tipos de actualizacin: Actualizacin programada: Es de un solo sentido. consiste en que cada nodo interfaz enva la informacin del estado de posicin y movimiento de los mviles con una frecuencia entre 10 a 20 veces menor a la frecuencia de actualizacin de los componentes de la red de carreteras. Esta frecuencia puede configurarse de forma distinta segn la demanda y ancho de banda del canal de comunicacin. Actualizacin por demanda: Es de tipo Consulta/Respuesta (doble sentido) o de tipo Notificacin (un solo sentido). La Consulta/Respuesta actualizar un mvil particular en cierto momento, cuando el conocimiento de su estado real es determinante para continuar un proceso, como en el caso de definir la posibilidad de realizar una maniobra en la cercana del nodo, cuando se detectan posibles accidentes, cuando el modelo de decisin lo requiera o para redefinir la Tabla OD. La Notificacin es para avisar a la zona contigua que un mvil acaba de abandonar el carril actual y esta pasando a formar parte de esa zona. En esta caso, la notificacin enva toda la informacin del mvil, incluida la Base de Datos del Conocimiento12 as como toda la informacin de configuracin, estado y relacin con los otros mviles. Zona A
Ejecutndose en CPU A Imagen del Carril B1 Imagen del Carril A1
Zona B
Ejecutndose en CPU B
Carril A1
Flujo de paquetes PDU
Carril B1
Finalmente, otra funcin de gran relevancia de este modelo consiste en coordinar y sincronizar la simulacin entre las zonas que se simulan. Para ello, este modelo lleva un registro de las computadoras que participan de la simulacin y tiene el deber de notificar a todas las dems computadoras cuando la zona ha finalizado los procesos correspondientes al paso actual, detiene temporalmente al Control de Simulacin y queda a la espera de que todas las zonas restantes hagan lo propio. Una vez recibida la confirmacin de todas las dems zonas, libera al control de la simulacin para que prosiga con el siguiente paso.
12
La BDC forma parte del modelo de comportamiento y decisin, como parte de su sistema de representacin del conocimiento
66
5.3.7 El Modelo de Visualizacin

DEPENDE DE : Entidades Red de Carreteras Control de la Simulacin DE ESTE DEPENDEN : (ninguno)
El modelo de visualizacin representa a un proceso en esencia asncrono que no depende del control de la simulacin. El mismo tiene la capacidad de reconocer toda la regin de simulacin identificando dentro de l las zonas en las que se divide y las computadoras que se encargan de realizar la simulacin de cada una. Dentro de la regin global de simulacin define una sub-regin rectangular como se present en la explicacin de la clase Zona. Esta sub-regin puede abarcar una o varias zonas y es de tamao fijo predeterminado. Todos los elementos de carreteras que se vean afectados por la sub-regin de visualizacin deben reportar el estado de sus variables de posicin y tamao al mdulo de visualizacin que se encuentra en una computadora dedicada o que comparte sus funciones con una zona de baja carga. El reporte de actualizacin de estados enviado al mdulo de visualizacin se realiza con una frecuencia configurable, limitada superiormente por la frecuencia de actualizacin del control de la simulacin. Este reporte lo realiza el mismo modelo de visualizacin en cada zona (cada computadora) una vez que se concluyeron las actualizaciones del paso en el cual corresponda enviar la informacin. La computadora que recibe estos datos cuenta con una representacin reducida del sistema de carreteras global y de sus colas de mviles, considerando que no realiza cambios sobre este sistema, solamente lo actualiza en funcin a los datos que recibe de la red, reproduciendo visualmente solo aquella sub-regin que se actualiza y a la misma frecuencia con la que recibe los datos de las dems computadoras 5.3.8 El Modelo de Representacin de las Reglas de Trfico
DEPENDE DE : Entidades Control de la Simulacin Red de Carreteras DE ESTE DEPENDEN : Toma de Decisiones
Si bien este modelo no tendr posteriormente un mdulo que implemente independientemente todas sus controles y funciones, como es el caso de la mayora de los dems modelos, la mayora de sus funcionalidades estn incluidas como parte del modelo de Representacin de Carreteras y del modelo de Comportamiento y Decisin. A continuacin se presentan las diversas estrategias de control implementadas a nivel de cada uno de los modelos involucrados: Modelo de Representacin de Carreteras: Las rutas tienen un valor que permite en todos los casos determinar la preferencia relativa entre dos vas de circulacin. Los carriles tienen propiedades que indican de por s el tipo de entidades que pueden o no circular por la va. Cada carril determina si es estacionable o no y si permite el cambio de carril para la derecha o izquierda.
67
Cada carril determina la velocidad mxima a la que est permitido circular. Cada mvil maneja su distancia de seguridad mnima y otros principios de precaucin aplicables al trfico. Cada maniobra del nodo determina por medio de un valor porcentual la correctitud de su eleccin. Cada bocacalle tiene o no asociado un semforo. En caso de tenerlo, el funcionamiento del mismo est definido en base a una programacin de eventos para el trayecto de frente y para el giro a la izquierda. Los semforos sincronizan sus eventos a nivel del nodo interseccin en el que se encuentran y a nivel de las vas de circulacin con el objetivo de formar ondas verdes. Modelo de Comportamiento y Decisin: Cada mvil tiene un pare implcito de cada bocacalle. El frenado se realiza en funcin a la entidad que circula por delante. Los mismos mviles determinan su Derecho de Paso para el caso de las ambulancias, bomberos, guardia presidencial y otros. Las reglas de preferencia en las esquinas: Prioridad absoluta a los vehculos con derecho de paso. Siguen los semforos o agentes de trnsito. Sin semforos se aplican las diferencias de preferencia entre las calles. A igual preferencia se aplica la regla del que llega primero a la esquina. En caso que lleguen simultneamente a la esquina, el que viene por la derecha tiene derecho de paso. Finalmente, este modelo introduce una serie de entidades estticas que hacen el papel de seales de trfico. Las mismas van asociadas a las bocas (todos los carriles de un mismo sentido de una va) o a un carril especfico y afectan a todo el carril o a una regin especfica delimitada por una posicin de inicio y fin relativo al inicio del carril. Las seales ms comunes modeladas de esta manera son: Pare. Prohibiciones varias (estacionar, detenerse). Direccin obligatoria (complementa los valores asociados a las maniobras). Regulaciones (velocidad mnima y mxima, despacio/cuidado). Seal especial que representa la existencia de una parada de mnibus. Las entidades dinmicas tipo mnibus de transporte pblico definen aleatoriamente con una probabilidad que aumenta proporcionalmente al volumen del trfico si existe algn motivo para detenerse en una parada dada. El modelo no representa seales preventivas como curva peligrosa, fin de carril, use luz baja y otras, ya que no se maneja el nivel de captacin y/o oclusin de la realidad. 5.3.9 El Modelo de Sensores y Toma de Datos
DEPENDE DE : Control de la Simulacin Red de Carreteras Entidades DE ESTE DEPENDEN : (ninguno)
68
Conjuntamente con el modelo de visualizacin, este modelo se encarga de dar salida a la informacin que se produce en toda la regin simulada. Coordinado mediante el Control de la Simulacin, cada componente de la red de carreteras que cuente con una cola de mviles genera un detalle del estado consistente con el que termina cada paso. Este detalle debe contener toda la informacin que permita posteriormente detectar los cambios producidos tanto en los factores fsicos relativos a la posicin y movimiento, como a los factores comportamentales y de relacionamiento con el medio. Adems, el sistema debe reportar una serie de mensajes predefinidos que indiquen los problemas que estn sucediendo con el trfico (o con el modelo de representacin) y que no son fcilmente visualizables, como: Imposibilidad de crear una Tabla OD para cierto tipo de mviles por no existir una conexin que habilite al tipo de mviles en cuestin a circular desde algn productor hasta algn consumidor. Problemas de saturacin de las colas de entrada de los mviles. Aparte de estos reportes genricos, el modelo permite asociar a los carriles, bocacalles, intersecciones y maniobras, una serie de Sensores que monitorean situaciones especficas o puntuales. Los Sensores cuentan con un sistema de agrupamiento que les permiten establecer las Estaciones de Sensores y dar informacin relacionada. Los sensores puntuales cuentan con una zona de aplicacin suficientemente grande como para que a la mayor velocidad posible, una entidad dinmica no pueda pasar de largo la zona de control en un paso, de forma similar al clculo planteado en la problemtica para la correcta deteccin de condiciones de frontera. Por otro lado, cada sensor pone una marca especial a cada entidad que ya fue considerada durante un paso para evitar que su permanencia en la zona de deteccin le obligue a considerarla ms de una vez, a menos que el objetivo del sensor sea determinar el tiempo de permanencia en una zona. Cada sensor registra internamente los siguientes datos: Elemento de carretera en el que se ubica. Regin afectada - Posicin inicial y final. Identificador de Estacin de sensores, para sensores de grupo. Tipo de operacin que realiza. Como los Reportes genricos y Sensores son solo colectores de datos que emiten sus resultados a un archivo para su posterior consulta, es difcil emitir conclusiones directas en base a lo que estos sensores proponen. Por ello se requiere un mdulo de post-procesamiento de la informacin, que tome estos datos y los evale en conjunto. Este mdulo permitir emitir reportes estadsticos de promedios de valores de tiempo, posicin y otros factores de movimiento del mvil.
69
Captulo 6: Construccin de Agentes Inteligentes para la simulacin de trfico

Ley de Patton: Un buen plan hoy, es mejor que uno perfecto maana
Si los modelos fsicos pueden ser encontrados en cualquier simulador, los modelos de comportamiento son la valla ms grande para los programadores y especialistas [20]. El modelado del proceso de toma de decisiones del humano es una tarea difcil en un ambiente impredecible, de cambios rpidos y difcil de analizar. Los requerimientos de simulacin exigen tener cuidado cuando se seleccionan las tecnologas de modelado del comportamiento humano. En un primer momento, los actores inteligentes eran representados por verdaderos operadores humanos. Esta implementacin es flexible y poderosa, pero es cara ya que requiere tener una gran cantidad de personas entrenadas operando el sistema todo el tiempo [21]. Por lo tanto, se debe buscar una manera en que el propio simulador genere sus agentes inteligentes sin la necesidad de recurrir a personal humano. Posteriormente, los comportamientos se representaron codificndose dentro del propio simulador [22], una posibilidad correcta pero cara y difcil de mantener, por lo que normalmente se opta por desarrollar los agentes como mdulos u objetos independientes al programa del simulador, y relacionarlos a travs de mtodos e interfaces con el ambiente simulado. La conduccin a nivel tctico se caracteriza por la batalla constante entre metas a largo plazo y problemas inmediatos. Los conductores deben seleccionar las maniobras apropiadas tales como cambios de carril, acelerar, frenar, etc., conociendo poco o nada de las intenciones de los dems conductores y de lo que suceder en el ambiente. En este problema, es difcil obtener soluciones ptimas, pero las penalidades por las decisiones equivocadas son severas. Desafortunadamente, la seguridad no puede ser asegurada, inclusive con una conduccin conservadora, ya que otros mviles pueden ser los culpables de los accidentes. La conduccin, por lo tanto, fuerza a un balance cuidadoso entre la competencia y la cooperacin, por ejemplo, las maniobras agresivas son correctas siempre y cuando no produzcan un accidente [71]. Normalmente, la conduccin tctica ha sido una actividad nicamente para personas, quienes podan llevarla a cabo correctamente. El problema de navegar en el trfico debe ser examinado en el contexto de toda la tarea de conduccin. En muchos casos, la conduccin se caracteriza como consistente en tres niveles: estratgico, tctico y operacional [15, 71, 86, 87, 88]. En el nivel estratgico, se planea una ruta y se determinan las metas. En el nivel tctico, se seleccionan las maniobras para conseguir objetivos a corto plazo (tal como sobrepasar a un vehculo), y en el nivel operacional, estas maniobras se traducen en aceleracin, frenado o giro. Los Agentes Inteligentes estn siendo utilizados para el modelado de comportamientos racionales en una gran variedad de aplicaciones, incluyendo la simulacin [13]. En una ruta tpica, un conductor ve e interacta con una gran cantidad de vehculos prximos. Un trfico verosmil generado por la computadora debe ser controlado para crear una simulacin creble. Los vehculos sintticos deben obedecer las reglas de comportamientos en la ruta y modelar comportamientos complejos como pasar a otro vehculo, cruzar intersecciones y evitar
70
obstculos. Adems de modelar comportamientos normales, grupos de vehculos deben coordinarse para crear situaciones crticas y eventos requeridos para estudios de trfico. Los agentes inteligentes permiten que los humanos simulados en sistemas de entrenamiento se comporten en una manera ms creble, con un conjunto mayor de comportamientos, incluyendo acciones conjuntas y cambios de roles dinmicos. Las nuevas arquitecturas de agentes proveen adems aprendizaje, memoria, acciones basadas en habilidades y experiencia [21]. El modelado de los agentes en el mbito de la simulacin, sin embargo, se ha vuelto una tarea compleja, al crecer el nmero de entidades y la sofisticacin del escenario. La complejidad de esta tarea se increment an ms por la dificultad de modelar el proceso de decisin humano con suficiente fidelidad usando acercamientos convencionales de software. Un gran problema de los agentes inteligentes actuales es que demuestran fallas con comportamientos predecibles o un nivel de detalle y razonamiento no lo suficientemente bueno [15]. Por lo tanto, se debe lograr que los agentes se comporten en forma impredecible (pero no aleatoria) y creble. Ciertas clases de agentes extienden el modelado del razonamiento a la representacin explcita de la comunicacin entre entidades simuladas y la coordinacin de actividades conjuntas requeridas para el comportamiento de equipo. Uno de los usos tradicionales del comportamiento autnomo en los simuladores de conduccin es la creacin de situaciones, o eventos, que fuercen al conductor en el simulador a realizar ciertas tareas para propsito de entrenamiento, para estudiar las reacciones del conductor, o para verificar el comportamiento del sistema luego de la ocurrencia del evento. En casos simples, estas situaciones pueden envolver nada ms que tareas lineales tales como seguir un camino o estacionar. En casos ms complicados, sin embargo, mltiples entidades necesitan cooperar para crear la situacin. Ejemplos tpicos son entradas a calles, anticipacin de accidentes o seguimiento de vehculos. A pesar de que muchos de los escenarios mencionados pueden ser recreados por trfico no autnomo, utilizando simples gatillos que se accionan por la posicin del conductor, existen numerosos escenarios que no pueden recrearse sin el uso de software autnomo y controladores de alto nivel [28]. Por lo tanto la combinacin de trfico ambiental autnomo con eventos especficos coordinados que deben suceder en cierto momento o en secuencia, requiere de coordinadores especiales para lograrlo [30]. La capacidad de repetir una misma simulacin es algo que se vuelve complicado a la hora de utilizar agentes inteligentes, ya que los vehculos autnomos interactan entre ellos y con conductores humanos, por lo que pequeos cambios en la conducta del chofer pueden afectar dramticamente los patrones de trfico encontrados en una simulacin anterior. Los agentes inteligentes tienen el problema de ser un software grande y monoltico [13] y, consecuentemente, siempre han sido complejos de usar, as como caros y difciles de integrar como componentes a otros sistemas ms grandes. Por lo tanto el diseo de nuevos agentes busca que stos sean livianos y de alto rendimiento. Adems, sera bueno construirlos con un lenguaje de programacin orientado a objetos, que brinde modularidad de cdigo [20], independencia de la plataforma computacional, velocidad en la ejecucin [14] y escalabilidad [15]. De este modo se lograra el re-aprovechamiento de cdigo y flexibilidad en la aplicacin. Es requerido que el diseo y la representacin de los agentes artificiales se d a partir de una librera de bloques jerrquicos de construccin que pueda ser abstrada a un nivel estipulado de fidelidad y resolucin [19]. El problema principal a ser resuelto en la investigacin de agentes es llegar a una arquitectura para agentes autnomos que resulte en que el agente demuestre un comportamiento adaptativo, robusto y efectivo.
71
6.1 Acercamientos en el modelado de Agentes Inteligentes dentro de la simulacin

El modelado de agentes inteligentes dentro de la simulacin tiene ciertos paradigmas o acercamientos importantes y grandemente conocidos, los cuales se enumeran a continuacin. Vale la pena apuntar que la gran mayora de las tcnicas e implementaciones de Agentes Inteligentes estn orientadas hacia el rea militar [13, 14, 15, 16, 19, 20, 21], y por lo tanto muchos de los motores de decisin tienen en cuenta planes, objetivos y tcticas, y adems, la mayora de los agentes se han modelado para el caso de las simulaciones interactivas, con caractersticas extras que no son necesarias para la microsimulacin de trfico, pero de todos modos proveen acercamientos interesantes y diferentes a la solucin del problema de modelar entidades inteligentes que recorren calles o rutas interactuando con otras entidades similares. Los modelos propuestos ms interesantes son los siguientes: Aplicacin de reglas [6, 25, 28, 86]: En este caso se trata de agentes simples que estn programados dentro de la aplicacin. El sistema consiste en muchas (a veces miles de) reglas que forman un rbol de decisin que se evala en cada instante de la simulacin. El agente puede tener un objetivo explcito (como por ejemplo moverse de un punto a otro), y acta de acuerdo a l. Este objetivo se realiza aplicando reglas de decisin jerrquicamente estructuradas. Una regla de decisin evala la informacin que obtiene a partir de sensores, y dependiendo de ella toma decisiones. Una regla de alto nivel puede invocar muchas reglas de niveles inferiores. FSM (Mquina de estados de un nivel) [27, 28]: Un estado actual dicta la accin a tomar, a partir de transiciones entre estados que deciden los cambios de estado basados en la situacin actual. Se construye una mquina de estados que describa todos los estados posibles y las transiciones posibles entre ellos. El sistema es capaz de generar acciones reactivas naturales a todos los eventos descritos. Este modelo es difcil de modificar y depurar, su complejidad crece rpidamente (explosin de estados y transiciones para cada evento a tratar), carece de abstraccin y encapsulamiento, y no es capaz de manejar gran cantidad de situaciones. HCSM [26, 27, 28, 42]: Se emplea el formalismo de Mquinas de Estado Jerrquicas. El trmino jerrquica se utiliza porque cada mquina puede codificar un comportamiento y puede contener estados que a su vez tengan mquinas de estado dentro (es una definicin recursiva). La abstraccin permite modelar actividades reactivas de una manera ordenada. Provee un mecanismo de abstraccin para agrupar a los estados y transiciones de actividades coherentes, esto hace que la programacin y depuracin se vuelva ms tratable, gracias a la modularidad provista por el modelo. La HSCM puede ser secuencial (slo un hijo est activo por vez) o concurrente (todos los hijos se activan de una vez, y no hay transiciones). Las HSCM se comunican entre s mediante el envo de mensajes. El problema de la abstraccin queda resuelto, pero de todos modos se deben modelar explcitamente mquinas para todas las situaciones posibles durante la simulacin. Agentes BDI [13, 14, 21, 22]: Los agentes Creencia-Deseo-Intencin han sido utilizados en numerosas aplicaciones acadmicas e industriales, incluyendo la simulacin militar de entidades independientes y cooperativas. Un agente racional tiene recursos disponibles, entendimiento limitado y conocimiento incompleto de lo que sucede en el ambiente en el que vive. Tal tipo de
72
agente tiene creencias sobre el mundo y deseos que satisfacer, que llevan sus intenciones a actos. En general, un plan es slo parcialmente especificado en el momento de su formulacin debido a que los pasos a ser realizados pueden depender del estado del ambiente donde ellos actualmente habitan. La actividad de los agentes racionales consiste en realizar acciones que ellos desean ejecutar sin ningn razonamiento, hasta que son forzados a revisar sus propias intenciones por cambios en sus creencias o deseos. Las creencias y deseos son llamadas actitudes mentales de un agente. El modelo funciona de la siguiente manera: En reaccin a un evento, por ejemplo un cambio en el ambiente o en sus propias creencias, un agente BDI adopta un plan como una de sus intenciones. Los planes son procedimientos precompilados que dependen de un conjunto de condiciones para ser aplicados. El proceso de adoptar un plan como una de las intenciones puede requerir la seleccin entre mltiples candidatos. El agente ejecuta los pasos del plan que ha adoptado como intencin hasta que una nueva deliberacin sea requerida; esto puede suceder porque nuevos eventos han sucedido o porque se ha dado una falla o conclusin a sus intenciones existentes. Un paso en el plan debe consistir en agregar una meta al agente (pueden existir varias metas en simultneo, pero slo se intenta cumplir una a la vez), cambiar sus deseos, interactuar con otros agentes, o cualquier otra accin atmica en el estado del propio agente o el mundo exterior. Los agentes BDI se separan de los sistemas puramente deductivos debido al concepto de intencionalidad, que significativamente reduce el total de la deliberacin requerida. Adems, son capaces de responder a una gran variedad de acciones tomando en cuanta eventos previos, mientras que los agentes reactivos slo consideran el estado actual del agente. El modelo BDI ha sido adoptado con xito en campos tan diversos como la simulacin de tcticas militares, aplicacin de reglas de negocios en flujos de trabajo y diagnsticos en redes de telecomunicaciones. CGAs [15]: conocidos como Computer-Generated Actors. El componente de modelado del comportamiento humano de un CGA debe desarrollarse utilizando apropiadas representaciones del conocimiento. Sin embargo, la representacin del modelo del comportamiento humano usado por un CGA debe estar separado de las tcnicas de inteligencia artificial utilizadas para el proceso de toma de decisiones utilizadas por el CGA. Los componentes de toma de decisiones permiten al CGA reconocer sus metas, responder en una manera semejante a la humana basado en su base de conocimiento, y desarrollar planes segn esa misma base de conocimiento. Para instanciar un CGA particular, el modelado del comportamiento humano y los componentes de toma de decisiones deben unirse, junto a la dinmica del vehculo, utilizando una arquitectura de software flexible, que asegure que los desarrollos actuales del CGA sern extensibles para futuros requerimientos. La motivacin para el desarrollo de una arquitectura de software general es proveer la fundacin para el diseo de clases amplias de CGAs donde los componentes comunes a todos los tipos de CGAs forman la base de la arquitectura. Para permitir la reutilizacin y otras facilidades de desarrollo, la arquitectura CGA consiste en componentes totalmente modulares. Los motores de decisin estn contenidos en el Componente de Representacin Cognoscitiva (CRC). El CRC es responsable de computar las decisiones del proceso cognoscitivo humano y contiene las metas, el perfil de la entidad, y las bases de conocimiento. El CRC consiste en tres motores de decisin: el LTDE (Long Term Decision Engine), el MTDE (Medium Term Decision Engine) y el CDE (Critical Decision Engine). Estos tres motores tienen diferentes alcances, perodos de tiempo y tareas, y realizan razonamientos de largo plazo, mediano plazo e inmediatos, respectivamente. Esto permite sintonizar conjuntos
73
de comportamientos (por ejemplo planeamiento a largo plazo) con un impacto mnimo en otros comportamientos. Desafortunadamente, cada motor puede computar una solucin diferente para la misma situacin. Por lo tanto, el CRC contiene un cuarto motor de decisin, el AE (Arbitration Engine), para mediar entre las salidas de los otros tres. En la arquitectura, el AE es responsable de seleccionar las decisiones que finalmente se tomarn. Para cumplir esa tarea, el AE pregunta a los dems motores y no slo considera esas decisiones, sino sus mritos de acuerdo al nivel y a la psicologa del actor. De esta manera, el AE puede simular conceptos abstractos como el miedo (eligiendo la decisin CDE) o indecisin (ignorando a los tres motores). Como se dijo con anterioridad, los comportamientos predecibles en los agentes inteligentes pueden minar su utilidad, ya que establecen patrones de comportamiento que el humano puede explotar. Para evitar esto, se desarrolla un modelo psicolgico llamado rasgo-estado, en el que cada individuo tiene un nico perfil psicolgico, que resulta en una variedad de respuestas a varias situaciones estresantes. Se asume que el humano funciona en trminos de rasgos fundamentales, y que cada persona tiene cada rasgo en un grado variable. Normalmente un rasgo es estable, con un valor particular para cada individuo. Los estados, por el otro lado, son derivados de los rasgos, y representan la respuesta transitoria a una situacin. Los rasgos y estados se combinan para crear la respuesta individual a una situacin, entonces los comportamientos son inducidos basados en observaciones del mundo real. Un acercamiento probabilstico puede tomarse para computar efectos apropiados basados en la situacin. El modelo asume que el mejor predictor del comportamiento humano individual es el comportamiento pasado del individuo. Como resultado, este modelo es esencialmente estable, esto es, variaciones grandes en el comportamiento de un individuo son poco comunes, pero no imposibles. CCH/N [16]: Son agentes autnomos llamados Computer Controlled Hostiles and Neutrals. Estos agentes estn divididos en diferentes niveles. En la base est el nivel fsico, que describe la interaccin fsica entre el CCH/N con el mundo virtual. El modelo fsico incluye definiciones de acciones y dinmica de movimiento, etc. Por encima del nivel fsico est el nivel de control, donde comportamientos que requieren continua retroalimentacin son implementados. Esto incluye actividades de movimiento, seguimiento y esquivar obstculos. El nivel de control est compuesto de un administrador y un numero de mdulos de control. El administrador recibe comandos del nivel superior y activa y conecta los mdulos de control apropiados. El mdulo de control toma datos del nivel fsico, la base de datos del ambiente, y otros mdulos de control a travs de puertos. Los datos producidos por los mdulos son enviados por un puerto de salida, que puede estar conectado a otro mdulo de control o al nivel fsico. El siguiente nivel es el de seleccin de accin, donde el conocimiento es aplicado para seleccionar acciones inmediatas. Estas acciones pueden ser acciones fsicas o procesos computacionales del nivel mayor. Este nivel consiste en: una jerarqua de sub-tareas que permiten a la entidad descomponer sus tareas en actividades primitivas, conocimiento de qu sub-tareas pueden cumplir una tarea en un cierto momento, y un motor de interfaz que aplica el conocimiento para empezar sub-tareas y actividades. La capa de seleccin de accin se ejecuta peridicamente como los mdulos de control, pero con un perodo mayor. Adems, eventos significativos pueden hacer que se ejecute la seleccin de acciones antes del tiempo previsto. Largas computaciones se realizan en el nivel de resolucin de problemas, por lo que
74
el agente siempre responde, inclusive cuando est pensando. La seleccin de acciones toma lugar repetidamente en un ciclo de decisin de cerca de un segundo. El nivel mayor es el de resolucin de problemas, donde largas computaciones son realizadas. Aqu se realizan acciones mentales que pueden tomar un tiempo ilimitado. Tpicamente estas son planeamiento de rutas, anlisis de terreno o planeamientos. El tiempo de estas tareas es debido a la bsqueda a travs de espacios de alternativas o de clculos numricos pesados. Las funciones en el nivel de resolucin de problemas son procesos separados de los dems niveles. El CCH/N utiliza una multitarea cooperativa entre los procesos de la entidad, teniendo una prioridad mayor los niveles inferiores, y asegurando que la entidad se mueva y reaccione propiamente inclusive con una carga grande en el procesador. HMM (Hidden Markov Models) [17]: La premisa es que las acciones de conduccin pueden ser modeladas como la salida observable de secuencias de estados mentales internos. Un conjunto de transiciones probabilsticas entre estados determina que tan posible es que un estado pueda ser seguido de otro. Cada comportamiento en un estado es mensurable pero tambin probabilstico. Por lo tanto, el estado no puede ser inferido directamente desde el comportamiento observado (el estado queda oculto), as como las intenciones o futuras decisiones. Uniendo las HMM con un mdulo de decisin, se puede modelar la personalidad del conductor o metas a largo plazo de una manera representativa. Modelos para diferentes conductores pueden crearse modificando los conjuntos de datos. SAPIENT [18, 71, 86, 87, 88]: Es un sistema de razonamiento distribuido que realiza decisiones de nivel tctico en un ambiente simulado de autopistas. Consiste en un nmero de expertos locales y autnomos, conocidos como objetos de razonamiento, que monitorean las entidades de trfico en el ambiente. Cada objeto de razonamiento observa la escena de trfico a travs de uno o ms mdulos de percepcin. Mientras que diferentes objetos de razonamiento pueden usar representaciones internas y tcnicas para hacer decisiones, finalmente todos los objetos expresan sus preferencias como un conjunto de votos y vetos, distribuidos sobre un espacio de accin. Los votos son combinados por un rbitro y luego ejecutados por sistemas operacionales en el vehculo inteligente. Esta arquitectura tiene numerosas ventajas sobre los sistemas tradicionales monolticos. Primero, el ambiente levemente acoplado permite un desarrollo incremental de los sistemas de razonamiento. Segundo, no sufre de la explosin de estados e interacciones observados en los FSM de una capa. Por ltimo, permite acercamientos hbridos al problema tctico de conducir, con diferentes tcnicas aplicadas a diferentes sub-tareas. Sin embargo, la falta de una representacin unificada lleva a complicaciones: El rendimiento del sistema depende de la interaccin entre muchos objetos de razonamiento, cada uno con un gran nmero de parmetros ajustables. La revisin y correccin de los parmetros es tediosa para los humanos, particularmente si no estn familiarizados con la estructura interna de los objetos. La solucin sera ajustar automticamente los parmetros utilizando un algoritmo evolutivo llamado Population Based Incremental Learning, que realiza pruebas evolutivas de configuraciones de parmetros en los vehculos. Este es un problema de aprendizaje difcil, debido a que el ambiente es estocstico por naturaleza, y porque un buen conjunto de parmetros no es garanta de suceso (es posible que un buen conductor entre en colisin por culpa de otros malos conductores en el ambiente). Agentes C3I [19]: Un agente C3I debe exhibir comportamientos que emulen alguna agencia existente o propuesta en algn nivel de fidelidad y resolucin. El comportamiento
75
interno utiliza fuentes de informacin apropiadas y recursos. Un agente C3I debe ser capaz de operar con otros agentes y simulaciones o ser parte de una simulacin particular. La interaccin se logra a travs del uso de mensajes con rdenes, reportes, y pedidos. El agente C3I puede ser visto en trminos de un sistema experto. Sus partes son: La interfaz de la aplicacin: maneja los mecanismos requeridos para que el agente logre comunicarse con su ambiente externo. Una parte importante es el manejo de mensajes. El motor de interfaz: contiene los mecanismos de control del agente que razonan y aplican el conocimiento del agente para realizar tareas especficas. La base de conocimiento del agente: est dividida entre el conocimiento del dominio (objetivos, ambiente, situacin actual) y el conocimiento para resolver problemas (comportamiento, con una metodologa basada en roles). El comportamiento de una agente C3I puede ser estructurado segn diferentes elementos: Respuesta: se refiere a actividades inmediatas en respuesta a estmulos del ambiente externo. Monitoreo: consiste en el acceso a datos nuevos y antiguos re-visitando las fuentes de datos. Valoracin: actualiza las percepciones locales y determina cualquier accin que sea requerida, generando cursos de accin y seleccionando el ms apropiado. GBE (Generic Behavioral Environment) [20]: Propone la creacin de un marco de desarrollo independiente a cualquier implementacin del simulador. La idea principal es la de actividad. Una actividad es la descripcin de una tarea especfica que funciona utilizando otras actividades. Una actividad trabaja slo dentro del marco del GBE sin conocimiento del mundo exterior. El propsito de utilizar actividades es separar el modelo fsico del de comportamiento. El modelo fsico est muy ligado a la implementacin de la entidad, mientras que el de comportamiento se busca sea reusable, escalable y modificable dinmicamente. El GBE viene con mecanismos de alto nivel que pueden ser conectados de una manera eficiente a cualquier sistema de simulacin. Los mecanismos de alto nivel incluyen un broker que desmenuza las actividades y maneja todo el procesamiento de eventos. Una actividad debe ser vista como un objeto autnomo y opaco cuya estructura permanece homognea. Una actividad trabaja con sus propios datos y mtodos. Una actividad puede usar y ser usada por otras actividades. Uno de los objetivos del diseo de actividades es su definicin genrica. Para permitir este principio se necesita un mecanismo que establezca las conexiones entre las descripciones y los recursos. el Administrador de Actividades (AM) es responsable de administrar los eventos en tiempo real y llamar directamente a los mtodos de las actividades. Tambin se encarga de transmitir informacin entre las actividades y el ambiente externo.
6.2 Un agente Inteligente para la simulacin de Trfico

El Objetivo General de esta tesis: Verificar la utilidad de los Agentes Inteligentes dentro del mbito de la simulacin microscpica, en este caso en particular, la de trfico automotriz se realiz mediante el diseo, implementacin y experimentacin de entidades de software en un simulador de trfico microscpico, modelado para el efecto. El simulador utilizado es EasyTraf. En el captulo 5 se describieron las capacidades, problemticas y usos del simulador EasyTraf, desarrollado como parte de la tesis de Ariel Romero [95] y de esta tesis en particular. La meta en el diseo de los agentes es lograr crear entidades relativamente livianas en el clculo, pero con la suficiente inteligencia como para modelar el comportamiento humano
76
razonablemente y tomar decisiones adecuadas segn el momento, generando as un trfico creble y realista. Los agentes diseados concuerdan con la definicin que hemos brindado: Un agente inteligente es un tipo de software flexible, capaz de interactuar con un ambiente especfico, mostrando un cierto tipo de autonoma, habilidad social, aprendizaje, y combinando comportamientos pro-activos y reactivos., y cuentan con las propiedades descritas en el captulo 4: Relacionamiento el ambiente: Los agentes se sitan en el ambiente del simulador EasyTraf. Puede percibir lo que ocurre en el ambiente mediante sensores y producir acciones que modifiquen el estado del ambiente. Cabe resaltar que el ambiente del simulador EasyTraf podra ser fcilmente reemplazado por un robot en el mundo real que tuviera la misma interfaz con el agente, y utilizarse en el mundo real. Reactividad: Los agentes responden en forma semi-inmediata a cambios en el ambiente que le afecten, normalmente esto incluye algn medio de recepcin de informacin sensorial y de respuesta y manipulacin del ambiente. Todo lo que ocurre alrededor de la entidad puede alterar se conducta de diferentes maneras y por diferentes motivos. Por ejemplo, si se identifica a un automvil frenando bruscamente adelante y muy cerca, el vehculo reaccionar frenando tambin, y as evitando un accidente. Comportamiento orientado a metas (Pro-Activo): No acta slo en respuesta al ambiente sino que tiene metas que desea cumplir y realiza tareas por voluntad propia para conseguirlas. Por lo tanto, el agente puede realizar actividades por su propia cuenta, segn sus intereses o necesidades, y no meramente reaccionar a los eventos externos. As, el mvil tiene una meta (realizar un recorrido especfico bajo ciertas circunstancias de su preferencia) que puede cambiar con el tiempo ante eventos externos que le obliguen a reformular su meta. Adems, segn su carcter y preferencias opta por realizar maniobras no totalmente necesarias (como por ejemplo adelantamientos). Autonoma: El agente es capaz de tomar sus propias decisiones sin intervencin externa, ya sea en reaccin a eventos externos captados por sus sensores, por la interrelacin con otros agentes o buscando saciar sus deseos segn los conocimientos que maneja. Adaptativo, Aprendizaje: Tiene cambios en su comportamiento basados en experiencias anteriores, normalmente esta adaptacin le permite mejorar su competencia en la consecucin de sus metas. Las adaptaciones pueden ser cambios menores a corto plazo o cambios ms significantes a largo plazo. Por ejemplo, si el agente se encuentra con una calle clausurada, o con un automvil cercano que est realizando maniobras peligrosas, guarda esta informacin en su base de datos del conocimiento para utilizarla en el futuro. Cada agente tiene su propia base de datos del conocimiento con su propia informacin almacenada dentro. Razonamiento de dominio: El Agente funciona en el dominio de EasyTraf o en otro dominio de trfico que presente la misma interfaz, por lo tanto solamente puede ser utilizado en microsimulacin de trfico o en un simulador interactivo que se base en un microsimulador semejante a EasyTraf, y no es til para otro dominio diferente. Habilidad social: El comportamiento de los dems afecta su conducta y viceversa, comunicndose con otras entidades de la simulacin (por ejemplo, al tocar la bocina a alguien se le advierte de peligro o se le solicita que acelere o cambir de carril). Inclusive podra comunicarse con gente (si estuviera funcionando en un ambiente real, y tuviera sensores y actuadores compatibles con su arquitectura). Esta interrelacin modifica el actuar del agente (no tomara las mismas decisiones si estuviera solo) y produce
77
comportamientos emergentes, esto es, un comportamiento grupal de los mviles como resultado de sus reglas de interaccin, pero que no estn explcitamente programadas (por ejemplo, la forma particular de inicio de movimiento en una cola de semforo cuando ste se pone verde). Flexible: Los agentes son capaces de realizar tareas sin ser explcitamente programados. Por ejemplo, no existe un algoritmo de sobrepasar a un vehculo lento adelante, pero de todos modos sucede. Esto es lo que se llama comportamiento emergente. La habilidad social hace a su vez al agente mucho ms flexible, ya que combinaciones de actuar de mltiples agentes diferentes llevan a resultados totalmente diferentes. Carcter: Cada entidad inteligente en la simulacin tienen su propia personalidad y estados emocionales. Esto es, un nivel de agresividad, de reaccin, preferencias sobre la forma en que maneja, etc. Lo que se busca con la creacin de estos agentes es, en definitiva, obtener una analoga razonable del proceso de decisin humano, o sea, buscar un comportamiento adecuado para la circunstancia de la simulacin de trfico en particular, pero no perfecto y con todos los detalles posibles. Esto significa que se intenta lograr una actividad intelectual semejante a la del conductor humano, pero sin llegar a la complejidad que esto podra significar. La definicin de agente propuesta tiene todas las caractersticas necesarias para la simulacin microscpica de trfico autnomo. Los modelos de agentes diseados se basaron en algunas de las propuestas existentes ms viables (citadas en las seccin 6.1), mezcladas para maximizar su utilidad en la simulacin de trfico. Varias de las propuestas contienen ideas interesantes se combinaron para crear un nuevo modelo de Agente Inteligente til para el efecto. Vale la pena notar que como la mayora de los modelos analizados estn pensados para simulaciones interactivas, su uso no es directo, porque sera un desperdicio de recursos, sino que debieron adaptarse al mbito de la microsimulacin para demostrarse tiles.
6.3 EasyAgent, y la problemtica de crear los Agentes Inteligentes para EasyTraf

El diseo de los Agentes analizados en esta tesis estuvo fuertemente influenciado por la arquitectura del simulador EasyTraf [95]. Por lo tanto, a partir de ahora, llamaremos EasyAgent al agente que concuerda con la definicin provista anteriormente y que funciona en el ambiente provisto por EasyTraf. Tanto EasyTraf como el EasyAgent fueron creados teniendo en mente la realidad paraguaya en cuanto a la conduccin, y los consejos, sugerencias y pedidos del personal de la direccin de trnsito de la Municipalidad de la ciudad de Asuncin. Al analizar la problemtica, tenemos dos ramas de las cuales preocuparnos: por un lado, el uso de Agentes Inteligentes en la microsimulacin de trfico, y por otro, la creacin de Agentes compatibles con las necesidades de EasyTraf. Sobre el primer punto, se debieron atacar los siguientes problemas: El uso de Agentes Inteligentes en un ambiente de microsimulacin no tiene precedentes, puesto que siempre se han utilizado agentes robticos de mnima inteligencia o puramente reactivos. De hecho, la microsmulacin de trfico an est en sus inicios y hay pocas experiencias vlidas que nos fueran de utilidad para el marco de esta tesis. La ms importante de ellas es la propuesta en TRANSIMS [70], pero que no se adecua del todo a
78
nuestra realidad (por ejemplo, asume un conocimiento y respeto totalmente correcto de los conductores que en Paraguay no es comn). Los agentes deben interactuar con el ambiente y comprender su estructura (geometra de las rutas, maniobras posibles, relacin con otras entidades). Los agentes deben poder esbozar planes a largo plazo y metas a cumplir, mientras interactan con un ambiente dinmico, cambiante y que les exige tomar decisiones a corto y mediano plazo. Se necesitan entidades livianas en el clculo para realizar tareas complejas, y deben mostrar capacidad de toma de decisiones a un costo mnimo, puesto que el simulador trabajar con enormes cantidades de agentes en simultneo. Se deben administrar numerosas entidades con diferentes carcteres, cada una tomando sus propias decisiones de acuerdo a sus rasgos propios y nicos. Cada entidad puede conducir un tipo diferente de vehculo, con sus propias caractersticas, velocidad mxima, respuesta de frenado, tamao, etc. Los agentes deben intercambiar informacin con los dems, de una forma simple y directa, evitando sobrecarga en el procesador y en las posibles vas de transmisin de datos. Se deben combinar comportamientos pro-activos y reactivos, dependiendo de la situacin y el momento. Los agentes deben tener memoria y la capacidad de modificar su actuar segn eventos pasados. Deben evitarse los vicios de algunos simuladores simples (por ejemplo, viajar en zig-zag en el carril: el agente se queda atrapado en un ciclo de intentar cambiarse al otro carril, encontrar un problema, volver al carril, y una vez posicionado ver que est incmodo en l e intentar cambiarse nuevamente [71]). Los agentes cuentan con un conocimiento parcial del mundo, y por lo tanto deben tomar decisiones de acuerdo a lo que perciben mediante sus sensores y al conocimiento que tienen almacenado en su BDC, y no de acuerdo a lo que en realidad ocurre en ese momento ya que el conductor no puede saber algo sin percibirlo [87, 88]. Por ejemplo, un automvil se detiene en una esquina antes de cruzarla para observar si no vienen otros mviles, y hasta ese momento no puede tomar la decisin de cruzar o no. Un simulador simple puede ignorar la obstruccin de vista y no frenar en la esquina porque sabe que no hay nadie en la otra calle. Otro ejemplo se da cuando el planificador busca el mejor camino de un punto a otro y una vez obtenido se lo guarda como meta, pero el mvil no puede saber que en realidad una calle est cortada y al llegar a ella lo obligar a un replanteamiento de su situacin. Si el mvil tuviera un conocimiento total de la dinmica de la zona, no hubiera elegido ese camino desde un principio, pero eso es irreal, y embotellamientos debidos a problemas de ese tipo nunca se daran. Sobre el caso particular de EasyTraf, debemos a su vez tener en cuenta los siguientes problemas a resolver: La estructura interna y el funcionamiento de EasyTraf es compleja, y el agente debe poder interactuar con todas las posibildiades que le brinda el simulador (sensores visuales en todas las direcciones para ver otros vehculos, semforos y seales; sensores auditivos de bocina; emisin de mensajes a travs de bocina y luces de freno; comprensin de la representacin geomtrica y fsica; control de diferentes tipos de mviles, cada uno con sus propias caractersticas; representacin de las maniobras; bsqueda de caminos segn el
79
grafo utilizado por el simulador; simulacin con diferentes pasos de tiempo; carriles permitidos para diferentes tipos de vehculos; etc.). El modelo debe poder manejar tanto vehculos como peatones, de una manera general que evite redundancia en el trabajo pero que los modele correctamente, caminando ellos por veredas y cruzando calles. Los peatones son un subconjunto limitado de los vehculos. El modelo utiliza mviles que pueden compartir carriles (como motocicletas, bicicletas, peatones, etc.) y esto cambia todo el anlisis de estado y comprensin de la situacin por parte del EasyAgent. Los perfiles de los conductores tienen una complejidad elevada que debe traducirse en diferentes comportamientos segn los carcteres individuales. Los perfiles de los conductores se generan junto con sus mviles para cumplir expectativas de carga de la red segn porcentajes y valores esperados de ingresos y egresos. La realidad a ser analizada por los agentes es continua, ya que, aunque se realice una simulacin mediante pasos de tiempo, estos pasos son variables y pueden reducirse hasta centsimas de segundo, lo cual para el ambiente simulado puede considerarse tiempo real, ya que la velocidad de reaccin de los conductores y del propio vehculo es mucho mayor a esa fraccin. El comportamiento de los conductores debe ser cercano al de la realidad paraguaya. El modelo debe prever conductores suficientemente agresivos como para cruzar semforos en rojo, tapar bocacalles, sobrepasar con escaso margen de espacio, viajar rpido con poca separacin, los peatones tienen poca o nula preferencia, etc. Los pocos simuladores de este tipo que existen se basan en realidades de conduccin ajenas a la nuestra, donde se supone que el trfico es ordenado y se cumplen las reglamentaciones. Mientras nuestra gente no aprenda a cumplir las normas, estas simulaciones son irreales y pueden producir resultados totalmente equivocados a la realidad modelada, puesto que la suma de una gran cantidad de mviles que actan correctamente y son poco agresivos es muy diferente al actuar de una marejada de mviles anrquicos y poco responsables, esto fue corroborado por los expertos de trfico de la Municipalidad de Asuncin, que indicaron que los simuladores comerciales que poseen no dan resultados correctos para nuestra realidad. El comportamiento de los conductores debe permitir la realizacin de maniobras prohibidas o con diferentes niveles de permiso, como ser vuelta en U, doblar a la izquierda en avenidas, etc. segn la agresividad del conductor, porque es bien sabido que ese tipo de maniobras se realizan con bastante frecuencia en nuestro mbito. El diseo del EasyAgent tuvo en cuenta toda la problemtica descrita arriba, y apunt a resolverla de una manera simple y compacta, dentro de las posibilidades que la complejidad de este tipo de simulacin permite y buscando que sean tiles en computadoras personales. Como se mencion en el captulo anterior, los agentes pueden ser interpretados como objetos autnomos e inteligentes, que estn equipados con capacidades de conocimiento y razonamiento para satisfacer varios objetivos. La implementacin del EasyAgent se realiz mediante la orientacin a objetos, lo que permiti una mejor encapsulacin de cada Agente Individual y una interconexin a travs de mtodos bien definidos, tanto entre ellos como con el simulador propiamente dicho. As, cada agente es un objeto identificable y nico, pero derivado del mismo esqueleto de una clase patrn. Como dentro del propio agente se encapsulan sus propiedades, caractersticas, gustos, agresividad, etc., cada agente es completamente independiente del resto. Evidentemente que esta modelizacin consume ms
80
recursos que una implementacin directa sin orientacin a objetos, pero la degradacin del rendimiento de todos modos no es mucha. El diseo del agente a ser utilizado se bas en las propuestas existentes ms viables, y en modificaciones de las mismas. Varias de las propuestas contienen ideas interesantes que se combinaron para crear al Easy Agent. Vale la pena notar que como la mayora de los modelos estn pensados para simulaciones interactivas, su uso no fue directo, sino que las ideas se adaptaron al mbito de la microsimulacin. Adems, se introdujeron novedades no exploradas hasta el momento, como ser la combinacin de vehculos y peatones. Los modelos de agentes que brindaron ideas tiles para nuestro caso fueron: BDI [13, 14, 21, 22]: por la forma en la que utiliza los conceptos de creencias, deseos, intenciones y planificacin. CCH/N [16]: Utiliza una divisin modular de las tareas de alto nivel (planificacin), medio nivel (decisiones a mediano plazo) y bajo nivel (reaccin a eventos y acciones simples). Esta separacin es til y necesaria para que el mvil realice sus metas mientras trata con otros pequeos pero inmediatos problemas, con mecanismos diferentes de toma de decisin. C3I [19]: El concepto de base de datos del conocimiento est muy bien aplicado. Es necesaria la base de datos del conocimiento para poder tomar decisiones futuras basadas en la experiencia, lo que lleva a un aprendizaje. Aplicacin de reglas [6, 25, 28, 86] y FSM [27, 28]: carecen de encapsulacin, pero resuelven de manera simple y de buen rendimiento la toma de decisiones si el campo no ofrece demasiadas opciones. Se pueden modularizar y encapsular para subsanar el problema. HCSM [26, 27, 28, 42]: Encapsulan los estados de un autmata en estados con sub-estados de una manera cmoda, sencilla y fcilmente ampliable, evitando una explosin de estados como se tiene en la Aplicacin de Reglas o FSM. Este mecanismo es tremendamente interesante para su aplicacin en agentes de conduccin.
6.4 Arquitectura del EasyAgent

El agente propuesto est dividido en mdulos, que realizan una separacin lgica entre las tareas a llevarse a cabo. Cada mdulo involucra un nivel de abstraccin del agente. Los mdulos en cuestin son los siguientes: Mdulo Fsico. Mdulo de Toma de Decisiones. Mdulo de Interrelacin. Mdulo de Planificacin. Mdulo de Conocimiento. Mdulo de Carcter.
81
Los mdulos estn relacionados tal como se muestra en la figura siguiente:
El sentido de la flecha indica el sentido en que viaja la informacin entre los diferentes mdulos y el sistema EasyTraf. Es fcil notar que el EasyAgent tiene slo un punto de interaccin con el simulador propiamente dicho (el Mdulo Fsico), y recibe datos estructurales en el Mdulo de Planificacin, y que el resto de la informacin y estados, as como su representacin y funcionamiento son independientes al simulador, por lo tanto podran utilizarse en otro tipo de simulador siempre que se respete la interfaz del mdulo fsico y se reestructurara el mdulo de planificacin. El mdulo de interrelacin, por su parte, es el nico capaz de establecer algn tipo de traspaso de informacin entre los agentes. 6.4.1 Mdulo fsico Es el encargado de administrar la informacin de los sensores que comunican al vehculo con el exterior, as como su dinmica de movimiento [16, 87, 88]. En este mdulo se procesan los datos del espacio fsico que se est recorriendo, la proximidad de obstculos, curvas o seales y se realizan las acciones ms simples del mvil, como frenar, acelerar, girar o tocar la bocina. Aqu tambin se almacenan todos los datos sobre el mvil particular en cuestin siendo controlado por el agente. Los datos percibidos por los sensores se preprocesan para darle algn tipo de significado al mdulo de toma de decisiones. Este preprocesamiento nos permite tomar de una descripcin fsica poco relevante en s misma, como por ejemplo la posicin de un mvil en el espacio, datos importantes como la distancia que lo separa del automvil que el agente controla. As, si bien los sensores fsicos reales son pocos, el mdulo fsico los preprocesa generando informacin relevante para el mdulo de toma de decisiones y creando informaciones fcilmente accesibles al agente sobre el entorno que lo rodea. Las informaciones que el mdulo fsico provee al mdulo de toma de decisiones son: Percepcin de la estructura de la calle: reconocimiento del nmero de carriles y el carril actual que se est recorriendo, as como de los carriles permitidos para su uso (por ejemplo, los automviles no pueden utilizar las veredas). Percepcin de la posicin actual respecto al ancho del carril. Percepcin del espacio recorrido en ese carril y de cuanta distancia falta para llegar a la prxima esquina. Percepcin de obstculos a nivel de carril o de la calle completa. Reconocimiento de la calle que est recorriendo y de las que cruza en cada esquina. Visin de maniobras posibles de una calle a otra (entre sus carriles) o en la propia
82
calle. Ver lo que ocurre ms all de la esquina si estoy cerca de ella. Reconocimiento de la calidad de la ruta. Percepcin de sealizaciones: Lectura de semforos, lmites de velocidad de cada carril, prohibicin de estacionar, preferencia de calles, sentidos de los carriles, maniobras prohibidas y permitidas. Percepcin de otros vehculos: Distancias y velocidades probables de los mviles que rodean al agente. Distancias y velocidades probables de vehculos que vienen por otras calles en una esquina. Luz de freno del vehculo de adelante. Reconocer cambios de carril de otros mviles. Identificacin de vehculos que llenan carril o no. Identificar que maniobras estn realizando otros mviles en la esquina o que maniobras podran realizar mviles cercanos a ella. Identificar si existe algn mvil adelante o no. Percepcin sobre mi propio vehculo: Velocidad actual, aceleracin actual, giro actual, si lleno carril o no, tamao del vehculo, velocidad mxima, aceleracin mxima, desaceleracin mxima. Tambin identifico si mi vehculo es preferencial, repartidor o puede utilizar la vereda. Percepcin sobre el tiempo: Tiempo actual. El mdulo fsico, adems de percibir los datos del entorno y organizarlos de una manera til para el mdulo de toma de decisiones, realiza las acciones ms bsicas del control del vehculo, segn las decisiones tomadas por el conductor: Acelerar: Presionar el acelerador con una cierta intensidad para aumentar la velocidad. EasyTraf se encarga de calcular la dinmica del vehculo a partir de ella. Aceleracin estable: Presionar el acelerador lo suficiente para mantener una velocidad estable. EasyTraf se encarga de calcular la dinmica del vehculo a partir de ella. Frenar: Presionar el freno con una cierta intensidad. EasyTraf se encarga de calcular la dinmica del vehculo a partir de ella. Si el mdulo de toma de decisiones desea detenerse completamente, presionar el freno hasta quedar completamente quieto. De otro modo, liberar antes el freno para mantener una velocidad menor a la actual. El freno adems genera informacin sobre el estado de las luces de freno, necesario para el anlisis de los dems conductores. Girar: Se tuerce el volante hacia un lado u otro. EasyTraf se encarga de calcular la dinmica del vehculo a partir de ella. Cada agente controla un mvil propio que es diferente (con obvias similitudes) de los dems mviles que circundan las calles. Cada mvil tiene propiedades nicas para s que son importantes especialmente para el mdulo Fsico, aunque tambin lo son para otros mdulos, como el de Planificacin y Toma de decisiones. Las propiedades de los mviles son (las unidades utilizadas son centmetros y segundos): Tipo de mvil: El tipo de mvil puntual. Aqu se describe si es un BMW, un Tavria, una moto, un mnibus de la lnea 31, etc. Todos los mviles del mismo tipo compartirn las caractersticas bsicas (exceptuando al conductor). Cada tipo de mvil tiene una serie de carriles que puede utilizar de cada calle y otros que no tiene permitido utilizar. Largo Mnimo: Longitud mnima del tipo de vehculo. Largo Mximo: Longitud mxima del tipo de vehculo. Ancho Mnimo: Ancho mnimo del tipo de vehculo. Ancho Mximo: Ancho mximo del tipo de vehculo. Velocidad Mxima: Velocidad mxima que puede alcanzar el vehculo.
83
Aceleracin mxima: Una medida de la potencia de aceleracin que brinda el automvil. Desaceleracin Mxima: Valor mximo (negativo) de la aceleracin cuando el mvil clava los frenos. Llena Carril: Propiedad que indica si el vehculo llena un carril (un automvil, mnibus) o no (una moto, bicicleta o peatn) Preferencial: Indica si el vehculo es preferencial (ambulancia, bomberos, etc.) y tiene derecho a romper algunas reglas de trnsito o que se le brinde un tratamiento especial. Mantiene Derecha: Los repartidores o transportes pblicos deben mantener la derecha y sobrepasar a otros vehculos slo en caso de extrema necesidad. Porcentaje Total: Indica el porcentaje de este tipo de vehculos sobre el total del parque automotor. Vereda: Indica si el vehculo puede utilizar la vereda. Repartidor: Indica si el vehculo tiene una tabla OD (camino a seguir) esttica e invariable, o si puede tomar otro camino segn su preferencia. Por ejemplo, un mnibus debe recorrer un camino prefijado siempre, mientras que un taxi no tiene un camino prefijado que seguir, pudiendo elegir el que ms le convenga en el momento. 6.4.2 Mdulo de Toma de Decisiones El mdulo de Toma de Decisiones se encarga de tomar decisiones de corto o mediano plazo, como por ejemplo decrementar la velocidad al llegar a una esquina, decidir que carril utilizar segn las maniobras a realizarse posteriormente, acelerar hasta un cierto lmite si se tiene el camino despejado, cambiar de carril para sobrepasar a un vehculo lento o frenar ante un obstculo impasable. Tambin incluye el relacionamiento con los semforos y seales de trnsito, que no afectan el camino elegido, pero que obligan a tener comportamientos de respeto frente a ellos. Las decisiones tomadas en este nivel son dependientes, en gran medida, del carcter del conductor (Mdulo de Carcter), que involucra una mayor o menor agresividad en el manejo, un mayor lmite de velocidad deseada, un cierto respeto por las seales de trnsito y diferentes comportamientos sociales referentes a los dems vehculos (como ser el hecho de tocar la bocina). El mdulo de toma de decisiones est representado por una variacin del HCSM que se relaciona directamente con todos los dems mdulos. El mdulo de Conocimiento almacena el estado del mvil en su BDC. La HCSM utilizada para la modelizacin del EasyAgent es una modificacin de la propuesta en las referencias ya citadas [26, 27, 28, 42]. Para nuestro caso realizamos las siguientes simplificaciones: la cantidad de estados jerrquicamente organizados tiene una profundidad de tres niveles como mximo y no se utilizan estados concurrentes. Por lo tanto, lo que tenemos es una mquina de estados jerrquica de tres niveles de profundidad sin concurrencia que tiene conocimientos y experiencias almacenadas en su BDC (un mdulo aparte) que nos permite modelar el sistema con pocos estados. Esta BDC no es una estructura interna de la mquina de estados, y por lo tanto la HCSM no concuerda explcitamente con la definicin, ya que en una HCSM normal, cada estado tiene sus propias variables de estado y paso de parmetros en las transiciones, sin consultar a estructuras internas, sino que se utiliz la idea de las mquinas de estado jerrquicas para organizar el trabajo de tomar las decisiones de una forma ordenada y simple. Internamente, los estados internos de la HCSM a su vez realizan aplicacin de reglas [6, 25, 28, 86], para tomar las decisiones finales y para realizar el anlisis de entorno, as como de la memoria y de sus preferencias.
84
Como se mencion anteriormente, los autmatas de estado finito y la aplicacin de reglas son modelos buenos para el modelado de un comportamiento aceptable de conduccin, con el gran problema de que la explosin de estados los hace inmanejables para una gran variedad de situaciones posibles [6, 25, 27, 28, 86]. La mquina de estados propuesta aqu funciona tan bien y casi tan rpido como los mtodos simples, pero evita el aumento de la complejidad exponencial al ir creciendo los estados posibles. Por ejemplo, si nuestro vehculo quiere cambiar de carril, se tiene que tener un estado cambiando de carril, con sus propiedades y transiciones a los dems estados. Ahora, si permitimos que el vehculo pueda modificar su aceleracin cuando cambia de carril, tendramos que tener varios estados posibles nuevos: cambiar de carril a velocidad estable, cambiar de carril acelerando y cambiar de carril frenando. Esto se debe al hecho de que cada posibilidad tiene casos especiales (si voy frenando tengo que asegurarme que mi velocidad no se reduzca a cero durante la maniobra, si voy acelerando tengo que asegurarme no sobrepasar la velocidad mxima del mvil o la deseada del conductor), y las transiciones a los diferentes estados, y sus gatillos sern diferentes. As, la combinacin de posibilidades genera nuevos estados, mientras que jerarquizando los estados podemos hacer que un sub-estado frenando del cambio de carril funcione igual que el estado frenando cuando queremos evitar un accidente, y la cantidad efectiva de estados modelados es mucho menor. Eso empeora al agregar ms posibilidades que puedan estar sucediendo en simultneo, lo cual despus es muy difcil de ampliar, corregir y depurar. La mquina HCSM es una definicin recursiva que se utiliza para encapsular los estados del mvil de una manera sencilla y manejable, permitiendo sencillas ampliaciones o correcciones del funcionamiento interno del Agente. El grfico siguiente es una descripcin muy bsica del autmata jerrquico utilizado. Se muestran todos los estados posibles, unidos por transiciones simples. En realidad, las cada transicin tiene una gran variedad de motivos por los cuales dispararse, los ms importantes se describirn posteriormente. En general, el autmata funciona indefinidamente hasta que la simulacin termina, o hasta que llega al nico estado final posible, que es el de Chocado, a partir de ese momento ya no toma ninguna decisin ms ni realiza actividad alguna.
85
Los estados utilizados son: Estado Estable: Es el estado inicial y bsico del mvil. Se mueve a una velocidad constante o est detenido, sin realizar ningn otro tipo de accin. Cuando por algn motivo realiza una accin, pasa a otro estado. Normalmente los vehculos se encuentran en el Estado Estable, donde no realizan deliberaciones ni toman decisin alguna, hasta que algn evento o comportamiento pro-activo los hace salir de ese estado. All se delibera, toma un curso de accin y acta acorde a l, hasta cumplir el plan y lograr un nuevo Estado Estable. Frenar: El mvil est disminuyendo su velocidad. Existen varios motivos para ello: Frenar porque se super la velocidad mxima deseada o permitida, porque hay algn tipo de peligro adelante, porque el semforo est rojo, porque se est llegando a una esquina para la cual no se tiene preferencia o porque alguien se estn metiendo en su carril adelante muy cerca. Cambio de carril: Se est pasando a un carril contiguo. Tambin existen varios motivos: porque hay alguien lento adelante, porque el otro carril permite una mayor velocidad o est vaco, porque en el carril contiguo se puede realizar una maniobra que en el actual no, para evitar un accidente o un obstculo, o porque detrs hay alguien que le toc bocina. El cambio de carril tiene sub-estados, puesto que se puede realizar acelerando, frenando o a velocidad estable. Acelerar: Se est aumentando la velocidad. Puede ser porque se quiere cumplir un deseo de llegar a una velocidad crucero y hay espacio adelante, porque nos estamos apurando para cruzar una esquina o porque nos tocaron bocina desde atrs. Accionar cercano a esquina: Cuando se est cerca de una esquina, se realizan tareas diferentes a las normales: frenar paulatinamente hasta llegar a la esquina a una velocidad baja para poder mirar a los costados, mirar a los lados, verificar las preferencias de las calles que se cruzan, ver el estado de los semforos, acelerar para cruzar antes que lleguen otros vehculos por la otra calle y muchos otros detalles. Maniobra en esquina: Este es un caso especial. Mientras el mvil cruza una esquina, debe tener en cuenta una gran cantidad de detalles especiales y fuera de lo normal y prestar una mayor atencin al entorno. A este estado se llega desde el estado Cerca Esquina, en el momento exacto en que se ingres a un nodo (esquina). Replanificacin: Si el mvil por algn motivo no puede cumplir su meta tal como lo haba planeado (por ejemplo, deba tomar una calle que encontr cortada), debe reevaluar su posicin y tomar un camino alternativo realizando un nuevo plan. Esto se ejecuta cuando el mvil detecta que no podr realizar una maniobra establecida, y tendr que seleccionar otra al llegar a la esquina. En realidad esta situacin especial se da como un subestado de Accionar Cercano a Esquina cuando debe pasar a Maniobra en Esquina pero no est habilitado a cumplir con su plan establecido en la Tabla OD. Chocado: Estado final de un mvil que tuvo un accidente. Ya no puede tomar ninguna decisin hasta que el mvil es removido de su posicin. Las transiciones de un estado a otro se pueden deber a muchos motivos, los cuales se guardan como parte de la BDC. Por ejemplo, si el agente se encuentra en Estado Estable, y desea frenar, puede deberse a varias razones: haber superado el lmite de velocidad, estar en peligro de choque, tener a alguien lento adelante, tener un semforo rojo adelante, que alguien est haciendo una maniobra peligrosa adelante, estar llegando a una esquina donde no es preferencial y muchas ms. Es importante saber el motivo que caus ese cambio de estado,
86
para que internamente al estado el conductor conozca los lmites de lo que debe realizar. Por ejemplo, dependiendo del motivo del frenado, va a dejar de frenar cuando haya vuelto a los lmites de velocidad reglamentarios, cuando se haya detenido completamente o cuando haya emparejado su velocidad con el mvil de adelante. En una FSM tradicional deberamos haber creado un estado para cada tipo de frenado (y para sus combinaciones posibles), mientras que la introduccin de la BDC nos permite tener un nico estado, y el agente tan slo verifica su estado mental (recuerdos y motivaciones) para decidir si contina en el mismo estado o cambia a otro diferente. De este modo, adems de evitar la explosin de estados del FSM al utilizar una HCSM, reducimos mucho ms an la cantidad de estados al realizar transiciones segn la necesidad y la experiencia. Evidentemente, esta aproximacin no cumple estrictamente con la definicin formal de una HCSM, pero simplifica mucho su operacin y rendimiento, as como su complejidad. Adems, realizamos algunas simplificaciones que permiten una reduccin de los sub-estados mejor: no todos los estados tienen sub-estados, sino que podemos categorizar a los estados en estados simples (Estado Estable, Frenar, Acelerar, Chocado y Replanificar) y complejos (Cambio de carril, Maniobra en Esquina y Cerca de Esquina). Los estados simples no tienen sub-estados, y los estados complejos tienen a su vez dentro a otros estados, ya sean simples o complejos. De este modo, si un mvil desea cambiar de carril mientras acelera, no pasa a un estado de Acelerando -> Cambiando de carril, sino que pasa al estado de Cambiando de Carril -> Acelerando, que en realidad es lo mismo estructurado de otra manera. As, simplificamos el estado Acelerando y hacemos que el estado Cambiando de Carril sea el nico complejo. De este modo tambin rompemos la posibilidad de recursividad entre estados que podra causar problemas y aumentos de complejidad, y podemos modelar todos los estados con un mximo nivel de complejidad de tres niveles de profundidad. El estado ms profundo es Cerca Esquina, y un ejemplo de este sera Cerca Esquina -> Cambiando de Carril -> Acelerando. Por lo tanto, la mquina jerrquica no necesita ms de tres niveles de profundidad, y la base de datos del conocimiento puede ordenarse con hasta tres niveles de motivaciones tambin. Adems del funcionamiento del autmata, el mdulo de toma de decisiones tiene otra fuerte vertiente de IA. Las decisiones no son tan simples como decir estoy en peligro de choque, entonces freno, sino que los Agentes tienen que tomar la informacin incompleta del mundo y a partir de sus creencias o conocimientos (en muchos casos aplicando la experiencia), tomar decisiones que no tienen una total certeza de que sean las correctas. Si bien hay decenas de procesos complejos, y muchos ms simples, citar a continuacin los ms importantes con sus problemticas y soluciones propuestas: Deteccin de un vehculo lento adelante: La deteccin de un vehculo lento se da de dos maneras, por un lado, automviles que estn lejos pero que nos causarn problemas de aqu a poco, o automviles con los que tendremos una colisin prontamente. La deteccin de colisin se realiza observando las diferentas de velocidades entre un mvil y el de adelante, y asumiendo que se mantendrn esas velocidades en los prximos segundos. Obviamente que esos datos pueden cambiar a lo largo del tiempo (o peor an, en el instante posterior), pero es la mejor aproximacin que el conductor puede tener. En respuesta a la situacin el mvil puede realizar varias tareas: Cambiar de carril: Si existe la posibilidad, se realizar un cambio de carril a otro contiguo. Si tiene tiempo suficiente para frenar, disminuir su velocidad hasta equipararse con la del de adelante, inclusive llegando a detenerse de ser necesario. Si el mvil de adelante est en movimiento, mantendr una distancia mnima de seguridad dependiendo de la velocidad del mismo. Si ve la luz de freno encendida, se detendr ms de lo previsto,
87
puesto que el de adelante ir disminuyendo su velocidad tambin, as que la estimacin de diferencia de velocidades no sirve. Si el peligro es grande, o el otro mvil va muy despacio, se le tocar bocina para alertarlo, adems de realizar alguna de las tareas citadas. Dependiendo de las posibilidades y del carcter del mvil de adelante, este puede hacerse a un lado, acelerar, o ignorar el bocinazo de atrs.
Anlisis de situaciones cercanas a la esquina: Se asume que el mvil est cercano a una esquina si en un tiempo prudencial llegar al final del carril, dependiendo de su velocidad. Se deben realizar varias tareas de deteccin de lo que ocurre: Verificar si est en el carril necesario para realizar su maniobra. Por ejemplo, si desea doblar a la derecha, debera estar posicionado en el carril de la derecha. Si no lo estuviera, debera buscar un mecanismo de cambio de carril que lo lleve a ella. Este anlisis involucra una revisin de todas las posibles maniobras a realizarse desde el carril hacia los dems carriles de la esquina y ver cual cumple con su necesidad de viaje decidida y almacenada en la tabla OD, para llegar a la siguiente esquina deseada.
88
Se debe verificar si el carril de destino est o no bloqueado. Si lo estuviera, debera ver si otro carril de la misma calle lo lleva al destino buscado, o si debe regenerar su tabla OD y buscar otro camino. La replanificacin involucra guardar en la memoria del Agente la informacin del estado actualizado de esa ruta, y volver a realizar la bsqueda del mejor camino conociendo ese problema. Tambin puede ser necesario replanificar si no se pudo hacer un cambio de carril necesario para una maniobra en especial, y debe tomar otro camino al elegido primeramente.
El conductor debe realizar el anlisis de las preferencias de las calles e identificar si puede o no cruzar la esquina. Si hubiera un vehculo adelante, se basa en la confianza del que el vehculo de adelante est realizando esa tarea y lo sigue como mximo a su misma velocidad o frena si el otro lo hace. Si el conductor es quien est ms adelantado en el carril, l debe realizar la tarea. Si hubiera semforo, se guiara por la luz del semforo para decidir si acelera para cruzar o frena en la esquina. Cuando la luz se pone amarilla, realizar una evaluacin basada en su nivel de agresividad que le indicar si se atreve a acelerar para cruzar o si finalmente se detendr, siempre que le sea posible a la velocidad que est llevando en el espacio que le queda de separacin a la esquina. Tambin verifica que hubiera un agente de trnsito dirigiendo, en cuyo caso lo respetara de manera semejante al semforo.
89
Si no hubiera semforo o agente de trnsito, el vehculo se basa en las reglas de trnsito de preferencia para evaluar sus posibilidades. Si est en una calle preferente respecto a la(s) otra(s) (una avenida, o cruza por la derecha en dos calles de la misma preferencia), cruzar prcticamente sin mirar, asumiendo que los dems se detendrn. Si su calle no es preferente disminuir su velocidad hasta tener visibilidad de la otra calle (unos metros antes de la esquina), puesto que no conoce el estado de las calles directamente, y, si ve que alguien est cerca o cruzando en ese momento, se detendr, de otro modo cruzar. El anlisis de si se puede pasar una esquina no preferencial es un proceso complejo. Se debe analizar el flujo de vehculos de la otra calle (y de la propia si se desea doblar, puesto que podra chocar contra vehculos de su misma calle en ese caso), esperando un espacio suficiente para que, acelerando, lograra cruzar. Los vehculos que se aproximan pueden variar durante el tiempo su comportamiento (frenar, acelerar o cambiar de carril), por lo cual hay que hacer clculos realistas, sin tomar datos estticos del momento, asumir velocidades y aceleraciones, y luego establecer un margen de seguridad que de una garanta mnima de la maniobra aunque cambien las condiciones. El nivel de anlisis de la situacin depende mucho de la agresividad del conductor. Adems, debe verificarse el estado de lo que ocurre ms all de la esquina, para evitar accidentes inmediatos al cruzar el nodo, y actuar de acuerdo a ello.
Fusin de carriles: Es un procedimiento en el que dos carriles se unen para dar como resultado un nico carril. EasyTraf modela ese caso particular mediante un nodo intermedio, o sea, una esquina (que puede tener o no una calle transversal). All el
90
conductor debe observar lo que ocurre en su propio carril, en el carril vecino y en el nico carril destino. Este tipo de maniobras causan embotellamientos y son propensas a choques, ya que los vehculos deben descubrir cuando les conviene entrar al nuevo carril sin causar un accidente, y el flujo vehicular se hace ms lento. La cooperacin de los vehculos es indispensable para llevar a cabo el objetivo correctamente. Acelerar: Normalmente el vehculo mantendr un nivel de aceleracin estable mientras no llegue a su velocidad crucero, supere la velocidad mxima de la calle o encuentre algn obstculo como ser un automvil lento, un semforo o una esquina donde no tenga preferencia. El vehculo puede acelerar por varios motivos principales: Porque va ms despacio que su velocidad crucero y tiene un buen margen de seguridad adelante para aumentar su velocidad (no hay nadie, o quien est adelante est muy lejos o va ms rpido). Porque alguien de atrs le ha tocado bocina, instndolo a moverse. Porque est en una esquina y desea cruzarla, pero estaba detenido o fren para observar. Cuando cambia de carril, dependiendo de la situacin. Cuando se ha detenido completamente porque el de adelante tambin lo est, o porque est esperando la liberacin de un semforo, al terminar el motivo, el auto vuelve a moverse. Si quiere realizar una maniobra riesgosa: cruzar una esquina, cambiar de carril, y va muy despacio (lo que har que dicha maniobra tome demasiado tiempo), acelerar para evitar problemas. Frenar: Un vehculo disminuye su velocidad por un sinnmero de circunstancias: para evitar un accidente, porque hay alguien lento adelante, porque el semforo se puso rojo o porque est llegando a una esquina que no es preferencial. El anlisis de los motivos que causan el deseo de frenar no son tan complejos como el anlisis de si ya se fren lo suficiente o debe continuar hacindolo. Eso es especial en el caso del freno porque un vehculo adelante est causando algn tipo de problema. En ese caso, conseguir que las velocidades se equiparen no es suficiente, puesto que durante el tiempo el otro vehculo puede haber modificado tambin sus parmetros. Como la aceleracin del vehculo de adelante es desconocida (tan slo puede identificar su velocidad), debe basarse nicamente en las diferencias de velocidades y en la informacin de la luz de freno (lo cual indica una desaceleracin por parte del de adelante). Como es imposible saber lo que el de adelante desea hacer, nunca se reacciona inmediatamente a un cambio de accionar del mismo, sino que se espera un tiempo a ver si ser coherente. Por ejemplo, si estamos frenando porque el de adelante lo est haciendo, y luego el de adelante deja de frenar, el agente continuar frenando de manera estable un poco ms (aunque los clculos de diferencia de velocidad indiquen lo contrario) y luego de un tiempo recin pensar en dejar de frenar o volver a acelerar. Evidentemente, si frena hasta detenerse, deber realizar anlisis de las posibilidades de acelerar para volver a cobrar movimiento si se diera el caso. Cuando el vehculo frena, el conductor siempre intenta mantener una distancia de seguridad de entre uno a cinco metros segn la velocidad que est llevando, para poder reaccionar ante eventos repentinos. Cambio de carril: Se da porque se desea evitar la molestia de alguien lento adelante, para dar paso a un vehculo ms veloz, para ir a un carril que le permita realizar una cierta maniobra, para evitar un accidente o para sobrepasar algn tipo de obstculo (choque, vehculo detenido, carril bloqueado). El anlisis de la posibilidad de cambio de carril es
91
complejo. Si se est muy cerca de una esquina, no se realiza, para evitar riesgos innecesarios. Adems, debe verificar que haya espacio en su carril para realizar el trmite, as como en el carril adyacente. Eso significa ver que no haya nadie al lado en ese momento, ni lo haya en todo el tiempo que dure la maniobra, con un margen mnimo de seguridad. As hay que ver cuales son los vehculos que estn adelante y atrs, y, como sus futuras aceleraciones o desaceleraciones no se pueden saber a priori, asumir que mantendrn su estado actual en los prximos segundos para realizar la maniobra. Si se da el caso, el vehculo lograr hacerla, pero si ocurre alguna contingencia, el vehculo intentar volver a su propio carril. Como la situacin tambin puede haber cambiado en el carril de origen, la situacin es doblemente compleja. De todos modos, la decisin final es mantener el carril de origen ante cualquier evento imprevisto. Para evitar comportamientos repetitivos incorrectos, los mviles pueden intentar un mximo de tres veces cambiar de carril en una misma cuadra, y posteriormente ya mantendrn su carril, salvo que necesiten cambiarse nuevamente para realizar una maniobra en el nodo que desde el carril actual no le estuviera permitida. Todos los algoritmos estn fuertemente afectados dependiendo de si los mviles ocupan completamente un carril o no, ya que son casos completamente diferentes. La situacin se complica ms an al ser posible que otros mviles estn realizando la misma tarea de cambio de carril o deseando hacerlo, y ese anlisis debe tenerse en cuenta tambin, ya que afectar profundamente a la situacin.
92
6.4.3 Mdulo de Interrelacin Es el mdulo que se encarga de administrar los mensajes que transmiten los agentes entre s y relacionarlos. Esto se realiza de dos maneras diferentes. La primera forma es mediante una relacin directa entre dos mviles a travs del mdulo de interrelacin propiamente dicho. Un ejemplo de esto es el hecho de tocar bocina, que se maneja como un mensaje que enva un mvil a otro que est delante suyo o cercano a l realizando una maniobra que lo ponga en peligro. La otra forma de relacin es indirecta: un vehculo sealiza una accin a realizarse (por ejemplo poniendo el sealero o encendiendo la luz de freno), pero los dems vehculos interesados no reciben un mensaje, sino que ven el resultado a travs del mdulo fsico (el
93
mdulo fsico detecta mediante sus sensores que se enciente la luz o el sealero del mvil de adelante). La mayora de las relaciones entre los mdulos son indirectas y encausables a travs del mdulo fsico, salvo casos como el de tocar bocina que utiliza mensajes sin necesitar de la interrelacin con el ambiente. La importancia de este mdulo radica en permitir que los agentes se comuniquen para lograr llegar a un mejor desenvolvimiento de sus tareas [88]. Si es una relacin indirecta, el agente no realiza ninguna labor consciente para obtener esto, aunque de todos modos indique su intencin o su accionar. Pero el mdulo de interrelacin tiene una gran importancia cuando los vehculos s deciden colaborar. Este es el caso de tocar bocina, para advertir de un peligro, ayudando a la comprensin de la situacin de quienes lo rodean. Para la versin 1.0 de EasyTraf, el mdulo de Interrelacin es bastante simple y tiene pocas opciones, pero puede ser ampliado sin dificultad para manejar otro tipo de mensajes, como ser encender sealeros o hacer juegos de luces. 6.4.4 Mdulo de Planificacin Es el mdulo en el que, en una manera semejante al modelo BDI [13, 14, 21, 22], se controlan y llevan a cabo los deseos del agente. Cada agente tiene un deseo, como por ejemplo viajar de un lugar a otro, que debe cumplir. l conoce una serie de caminos posibles, y convierte el conocimiento en intencin al tomar uno de ellos, elaborando de este modo un plan de accin, este plan de accin tiene como resultado una tabla OD, que indicara el camino completo que el mvil piensa realizar [48], seleccionando las calles y esquinas que se irn tomando, aunque no los carriles especficos ni las maniobras puntuales, las cuales estn a cargo de decidirse en el mdulo de toma de decisiones, ya cuando vaya el mvil recorriendo las calles durante la simulacin. Esto se da porque en realidad varios carriles de una misma calle o maniobras de una esquina nos permiten cumplir con nuestro cometido, y tan slo al llegar a ellos se puede evaluar cual es el ms conveniente (dependiendo de factores como cantidad de mviles, embotellamientos o el carril por el que se haya llegado), tarea que realiza el mdulo de toma de decisiones. Cada agente genera un plan propio del camino a recorrer, independientemente al resto de los agentes, y basado en el conocimiento parcial que tiene del mundo. Como su conocimiento del mundo es limitado, puede que el camino escogido no sea el mejor, o peor an, que no sea posible completarlo debido a algn obstculo que lo impida. Si este fuera el caso, el mvil debera realizar una nueva deliberacin al llegar ese momento y descubrir el problema, con una base de conocimiento actualizada debido a los ltimos descubrimientos, para elaborar un nuevo plan. Esto incluye tambin la seleccin de un mejor camino si se diera el caso de descubrirlo. Por lo general, un plan no cambia una vez establecido, salvo que se encuentre un problema que impida llevarlo a cabo de la manera prevista. El agente selecciona su camino a recorrer utilizando una variacin del algoritmo de Costo Uniforme de Dijkstra que encuentra el camino ms corto en un grafo dirigido con peso, agregndole extensiones para sopesar mltiples costos y no uno nico como el algoritmo original [63, 65, 70]. El algoritmo del costo uniforme es un algoritmo de bsqueda ciega, semejante al de breadth-first, pero con el concepto agregado de costo de cada arco, y recorre el grafo desde un nodo origen visitando los otros nodos a distancia ms corta (segn el peso) desde el origen. El grfico a continuacin muestra un ejemplo simple de su funcionamiento, para encontrar el camino ms corto dentro del grafo.
94
El mdulo de planificacin toma la representacin fsica de la carretera de EasyTraf, y la utiliza como un grafo dirigido, indicando las calles, nodos y maniobras posibles de realizarse. Los nodos representan intersecciones y puntos de ingreso a la regin, los arcos representan las calles que unen las intersecciones, y son unidireccionales. Esto es, si una calle tiene dos sentidos, se representan mediante dos arcos independientes. El costo evaluado en cada iteracin no es simple, sino que depende de muchos factores, muchos de los cuales no son propiedad del arco, sino del nodo y de las complejas relaciones entre maniobras, semforos y tipos de avenida. Simuladores importantes como el TRANSIMS planean en el futuro utilizar una funcin de costo generalizada semejante a la implementada en EasyTraf por el EasyAgent, pero an no lo han hecho, midiendo actualmente nicamente la longitud de viaje y su costo monetario [70]. Los factores a tenerse en cuenta cuando se evala cada paso del algoritmo son los siguientes: Camino ms corto: Recorrer la menor cantidad de cuadras posible. Camino en mejor estado: Dependiendo de la calidad de la ruta, el mvil tiende a utilizar calles en mejor estado, o asfaltadas en vez de empedradas. Calles con ms carriles en una misma direccin: Los vehculos prefieren utilizar anchas avenidas en vez de calles de pocos carriles. Menor cantidad de cambios de calles: Normalmente los conductores prefieren ir derecho por una misma calle en vez de ir haciendo zig-zag de una a otra, por ms que fuera un camino ms ptimo si hiciera el zig-zag. La posibilidad de la maniobra: Como se indic anteriormente, las maniobras tienen posibilidades yendo de prohibidas a permitidas, con valores intermedios. Dependiendo de la maniobra que debera realizar para ir por el camino seleccionado, se penalizan las maniobras menos permitidas. Pocos semforos: El conductor prefiere utilizar calles que tengan pocos semforos por encima de calles con muchos semforos. Velocidad mxima permitida: El agente tiende a seleccionar calles o autopistas que le permitan llegar a su velocidad crucero de viaje, y no aquellas que le imponen restricciones en la velocidad. Calles preferenciales: Los conductores prefieren utilizar calles preferenciales, en las cuales probablemente puedan transitar con mayor fluidez por sobre las calles no
95
preferenciales, que requieren detenerse en las esquinas, ceder paso o embotellarse esperando un espacio para cruzar. Posibilidad de uso de la calle: Si los carriles de la calle no permiten el trnsito de su tipo de vehculo, no puede usar el enlace, y debe buscar otro camino. La frmula a utilizarse a cada paso del algoritmo, y para cada conjunto enlace-nodo, evaluando todas las caractersticas citadas est basada en una heurstica que se mostr muy cercana a la realidad, y es la siguiente (el objetivo es obtener el menor valor posible para cada enlace): costo del enlace = (costo anterior + 100 por nueva cuadra) + (100 - calidad de la ruta) + (500 - 100 * cantidad de carriles) + (100 por cambio de ruta) + (100 - posibilidad de la maniobra a realizarse) + (100 - preferencia de la calle) + (100 si hay semforo) + (100 si la velocidad permitida es menor a mi velocidad crucero) Varias frmulas son 100 - algn valor, porque esos valores se miden en porcentaje, usualmente cuando mayores, mejores, entonces, restando 100 del porcentaje, obtenemos nmeros menores para ellos, lo cual es preferible para el algoritmo. Como los valores a sopesarse tienen poca relacin entre s, se busca una frmula que los conjugue a todos. Evidentemente, la frmula puede variar segn muchos patrones de conducta, pero sta se mostr muy cercana a las preferencias reales de los conductores. De acuerdo al modelo de EasyTraf, el origen y el destino del camino seleccionado sern nodos productores / consumidores, y la frmula arriba descrita ser una evaluacin paso a paso del mejor camino hasta encontrar una conexin entre ambos nodos, con el menor costo posible. El resultado final de la bsqueda ser la Tabla OD, que se guarda en la Base de Datos del Conocimiento para futuros usos. La tabla OD es una lista de esquinas que el conductor desea recorrer en su viaje, sin almacenar ningn tipo de datos sobre las maniobras o carriles especficos a recorrerse. Eso lo decidir el mdulo de toma de decisiones en el momento especfico que sea necesario. Una ltima acotacin respecto al algoritmo del costo uniforme es que el por ms que el grafo dirigido conecte todos los nodos, existen casos de puntos inaccesibles del mapa para un vehculo, si es que no existen calles que permitan que ese tipo de vehculo particular llegue a destino. Si se diera el caso de que un vehculo necesita llegar a un lugar imposible, se aborta su creacin. Lo mismo ocurre si el grafo no permite llegar a algn nodo en especial porque las direcciones de los arcos no brindan caminos posibles. 6.4.5 Mdulo de Conocimiento Consiste en la Base de Datos del Conocimiento (BDC) del agente y la forma en que ste accede a ella [19]. En la base de datos del conocimiento se almacenan los datos de rutas que conoce, as como los datos acerca del estado en que se encuentra el mvil en el mdulo de toma de decisiones, la Tabla OD planificada, una memoria de las acciones y sucesos recientes en el mundo y un aprendizaje del estado del sistema de carreteras actualizado a sus experiencias durante el viaje. El agente tiene un conocimiento incompleto del mundo, y sta es la causa principal por la que pueda tomar decisiones incorrectas o poco ptimas. Esto es muy importante, puesto que si todos los agentes conocieran los caminos ideales, o el estado del trfico en un momento dado,
96
tomaran rutas alternativas que no reflejaran el trfico verdadero (por ejemplo, se tomaran caminos alternativos a las grandes y congestionadas avenidas, cosa que poca gente hace), o esquivaran embotellamientos antes de saber que existen. La BDC almacena los siguientes datos resaltantes acerca del conductor y de su estado: El estado del mvil y los motivos por los cuales est en ese estado: El almacenamiento del estado tiene tres niveles de profundidad y de importancia, de manera semejante a los estados del mdulo de toma de decisiones. As se sabr cuales son los estados y sub-estados en que se encuentra el vehculo y los motivos que llevaron a cada estado y sub-estado. As, sabremos, por ejemplo, que estamos en el estado Cambiando de Carril -> Acelerando y sabremos que estamos cambiando de carril porque alguien de atrs nos toc la bocina y tambin estamos acelerando para darle ms espacio. Al evaluar posteriormente los estados en ciclos ms avanzados de simulacin podremos saber si ya cumplimos el cometido propuesto (para volver a un estado estable) o no, y volver a evaluar y decidir que tarea realizar. Tabla OD: El mvil almacena los datos sobre el camino seleccionado al ingresar a la red de carreteras. Se almacena la secuencia de nodos a ser recorrida, pero no los carriles dentro de las calles particulares ni las maniobras a realizarse, las cuales se deciden en el mdulo de toma de decisiones en el momento justo de necesitarse. Carriles bloqueados: Cuando se detecta un carril bloqueado e inutilizable, se agrega ese conocimiento a la BDC de tal manera que si se necesita recrear una Tabla OD, tenga en cuenta ese dato y no elija un camino que necesite pasar por el carril bloqueado. Datos sobre los ltimos toques de bocina: El conductor guarda en su memoria a quien le toc bocina por ltima vez, y quien se la toc a l, as como hace cuanto tiempo que sucedi el hecho. De esta manera puede modificar su comportamiento en el futuro, sabiendo que ya avis de algn tipo de peligro o que le avisaron a l. Tiempo de ltima accin: Guarda el momento en el tiempo en el que tom su ltima decisin consciente. Es importante, porque los conductores tienen velocidad de reaccin dada segn sus caractersticas de atencin y reaccin, y no pueden tomar dos decisiones de seguido sin esperar a que pase el tiempo mnimo de reaccin establecido. Maniobra seleccionada: Cuando el mvil est cerca de la esquina, su conductor evala las maniobras existentes que lo llevan al nodo destino deseado segn su Tabla OD, y elige la que ms le convenga. Entonces la guarda para utilizarla al llegar a la esquina y para evaluar si est en el carril correcto para realizarla. Estado de cumplimiento de la Tabla OD: Si el conductor por algn motivo no puede realizar la maniobra establecida, y ninguna otra que lo lleve al nodo destino, debe percatarse de que no puede cumplir con su plan original y debe replantearse la situacin eligiendo un camino alternativo. Velocidad, Aceleracin y Distancia deseadas: Varias decisiones y estados dependen de la velocidad, (des)aceleracin o distancia entre vehculos o hasta la esquina para saber si han cumplido su cometido o si deben replantear la situacin. Por lo tanto, en la BDC se almacenan esos valores para contrastarlos con lo que ocurre posteriormente. Atencin de Peligro: Si el vehculo detect algn peligro ltimamente, mantiene esta informacin en su estado mental para conducir con ms cuidado y atencin de lo normal por los prximos segundos. Estado del cambio de carril: El conductor almacena en su BDC los datos sobre sus decisiones de cambio de carril. Esto es, si lo est realizando y si no descubri ningn peligro cercano, y cuantas veces se cambi de carril en los ltimos cien metros, para evitar
97
comportamientos de zig-zag exagerados. Tambin se almacenan los carriles origen y destino de cambio: mantiene el conocimiento sobre cual es el carril origen y destino de una maniobra de cambio de carril, para tomar decisiones mientras ocurre la maniobra y poder volver al carril de origen si ocurre algn acontecimiento fuera de lo normal o peligroso. 6.4.6 Mdulo de carcter Esta capa del agente se almacena toda la informacin sobre el carcter del individuo modelado y el nivel de respeto que tiene respecto al entorno, as como sus caractersticas esenciales. Gracias a la caracterizacin individual de cada conductor se puede crear una poblacin realista de conductores, con sus preferencias y conductas especficas que afectan el resultado final de la simulacin. Las caractersticas bsicas tenidas en cuenta son: El tipo de conductor: Se indica si es un hombre, mujer, joven, polica, chofer de micro, taxista, anciano, o cualquier otro a ser predefinido. Porcentaje de conocimiento de rutas: Cada conductor conoce en mayor o menor grado las posibilidades de rutas y diferentes calles de la ciudad, de su conocimiento depende en gran medida que elija caminos mejores o que opte por utilizar los grandemente conocidos. Porcentaje de agresividad: Cuanto ms agresivo sea el conductor, realizar acciones ms osadas o respetar menos las reglamentaciones de trnsito. Esto incluye viajar a velocidades ms all de las prohibidas, pasar semforos en rojo, realizar maniobras prohibidas en las esquinas, tocar bocina irresponsablemente, y muchas ms. Porcentaje de respeto (conocimiento) de las seales y reglamentaciones de trnsito: Puede suceder que un conductor rompa normas de trnsito o conduzca irresponsablemente no porque es agresivo, sino simplemente porque ignora las leyes de trnsito o los significados de ciertas seales. Velocidad de Reaccin: Es el tiempo mnimo que el conductor tarda en reaccionar ante un nuevo evento imprevisto o entre dos decisiones consecutivas que causen un cambio de accin. Es muy importante, porque conductores con reacciones lentas (por ejemplo, ebrios) son causa de accidentes o de peligros, o deben manejar con ms cuidado. Velocidad Crucero: Velocidad tpica a la cual le gusta viajar al conductor, y a la que intentar llegar siempre que sea posible, haya espacio, y no supere la mxima permitida del carril. Aceleracin crucero: Es la aceleracin con la cual el conductor suele manejarse. Algunos prefieren una aceleracin lenta y regular, mientras que otros prefieren acelerar rpidamente al principio y luego mantener una cierta velocidad constante. De este nivel de aceleracin dependen muchos movimientos microscpicos, sobre todo de inicio de movimiento en colas (por ejemplo, al ponerse verde un semforo).
6.5 Comportamiento Emergente en el EasyAgent

El agente EasyAgent, en su actuar simulado presenta comportamientos emergentes no programados ni modelados en su mquina de estados o en sus diferentes mdulos. Un comportamiento emergente consiste en que el agente realiza una accin que no se puede atribuir a una estructura interna particular del mismo, sino una compleja interaccin entre un conjunto de estructuras y el ambiente [86, 87, 88]. En muchos casos es imposible decir con certeza el conjunto de interacciones internas que causan el comportamiento emergente del agente, las cuales, segn se mencion en captulos anteriores, en realidad no son
98
tan importantes, porque lo que se busca es emular un comportamiento correcto, sin necesariamente comprender todas las causas del mismo. Esta es una propiedad deseada de los Agentes Inteligentes, ya que los hace ms flexibles y capaces de adaptarse a diferentes tipos de situaciones. El agente consiste en componentes simples que interactan entre s para crear comportamientos complejos no programados [68, 74, 75, 76, 77, 78, 79]. De este modo, no se programan los comportamientos complejos, sino que se espera que surjan como consecuencia de la interaccin de los mdulos simples. A su vez, si se tiene un conjunto de agentes interactuando entre s, la interaccin entre ellos en un sistema social puede llevar a una estructura emergente. Lo que es importante es que tal complejidad emergente es en muchos casos ms robusta, flexible y tolerante a fallas que una complejidad programada a propsito. Gracias a la implementacin modular y jerrquica del EasyAgent, y a su programacin de reglas simples, se ha logrado que ste muestre comportamientos emergentes no programados pero deseados, como ser los siguientes: Cuando el Agente se aproxima a una Esquina para doblar, reduce la velocidad para realizar la maniobra, aunque no existe un algoritmo que realice esa tarea. No existe un algoritmo de sobrepasar vehculo, y sin embargo es una accin comnmente realizada por los agentes. Cuando un semforo que estaba rojo cambia al estado verde, la cola de vehculos no arranca toda junta al mismo tiempo, sino que lo va haciendo progresivamente a medida que los mviles de adelante empiezan a avanzar. Existen simuladores que carecen de este tipo de propiedades y reflejan situaciones irreales, ya que todos los vehculos arrancan y se mueven en simultneo. Cuando hay un vehculo detenido en una esquina, se forma una cola de vehculos separados a una distancia mnima que va aumentando progresivamente. En esquinas con igual preferencia, se produce el hecho tpico de que mientras una serie de vehculos cruza, los de la otra calle esperan formando una cola, pero cuando los de la segunda calle empiezan a cruzar, los de la primera se detienen y forman una cola hasta que uno logra cruzar y el resto lo sigue. En cruces de calles con menor preferencia, los vehculos le ceden el paso a los de mayor preferencia. Lo mismo ocurre cuando un vehculo quiere realizar una maniobra que pudiera afectar a otros carriles de la misma calle. Si un vehculo necesita hacer una maniobra en un carril, normalmente se mantiene en l aunque tuviera oportunidad de hacer cambios de carril que lo satisfagan en otros deseos. Esto es porque cumplir con su Tabla OD es muy importante para l, y prefiere eso a correr el riesgo de no volver al carril necesario y perder una maniobra. Es ms, si el mvil descubre que tiene tiempo suficiente para volver a su carril, entonces existe la posibilidad de que realice la maniobra y vuelva a su carril original. En esperas largas (con vehculos de reaccin lenta) luego de la liberacin de un semforo, se produce una cadena de bocinazos exigiendo que los de adelante se movilicen.
99
Captulo 7: Estudio de casos y consideraciones experimentales

Ley de Williams y Holland: Si se ha recabado suficiente informacin, cualquier cosa puede probarse mediante mtodos estadsticos
La mejor forma de corroborar que un Agente Inteligente realiza correctamente su trabajo de toma de decisiones consiste en realizar simulaciones y posteriormente contrastarlas con la realidad. Esto se debe a que su comportamiento depende de un sinnmero de factores: las metas a corto y largo plazo, las reacciones instantneas, lo que sucede en el ambiente, y respuestas emergentes no programadas explcitamente. El agente EasyAgent fue testeado en el simulador EasyTraf con diferentes configuraciones de carreteras (geomtricas y lgicas), de permisos, de otros vehculos y agentes, para verificar el funcionamiento correcto y acorde a la realidad. En primer lugar se realizaron simulaciones pequeas y detalladas para observar comportamientos individuales, y, una vez superada esa etapa de prueba se realiz una simulacin a gran escala en forma conjunta con expertos de la Municipalidad de Asuncin, sobre un caso de estudio relevante para ellos: El estudio del impacto en el trfico vehicular de la construccin del hotel Sheraton sobre la avenida Aviadores del Chaco [93], que oblig a una reestructuracin del trnsito en toda su zona de influencia. Los Ingenieros de Trfico de la Municipalidad de Asuncin verificaron las simulaciones ejecutadas en EasyTraf y dieron su visto bueno en cuanto al nivel de realismo y certeza obtenida, de acuerdo a su experiencia, conocimiento y datos de mediciones realizadas por ellos en el radio urbano de la ciudad de Asuncin.
7.1 Calibracin del simulador

Para determinar si los resultados de una simulacin son correctos, se requiere un gran nivel de confianza en que el modelo se ha calibrado con tolerancias aceptables y ha logrado un nivel de validacin aceptable para las caractersticas del flujo de trfico. La calibracin es el proceso en el cual los componentes individuales del modelo de simulacin se ajustan para que represente lo medido en el campo y en el trfico real [69, 71, 95]. Bajo condiciones ideales, la calibracin de los componentes individuales del modelo de simulacin mejorar la habilidad del modelo de reproducir el trfico verdadero con un margen aceptable de error. Algunas caractersticas que pueden utilizarse para la validacin del simulador son el volumen de trfico, el tiempo promedio de viaje, la velocidad promedio de viaje, longitud de las colas y densidad. Evidentemente, se necesita obtener un promedio de resultados luego de muchas simulaciones semejantes, para evitar tomar casos particulares del simulador como los que normalmente brindar como resultado. Las recomendaciones para obtener una simulacin correcta son las siguientes [69]: Realizar mediciones y observaciones de flujo existente de trfico y de comportamiento de conductores para las calles del estudio. Calibrar la simulacin de trfico para coincidir con las condiciones observadas. Validar el modelo de simulacin de trfico en un proceso iterativo con la calibracin, para reducir el riesgo de equvocos.
100
Promediar los resultados de mltiples corridas de la simulacin y determinar la variacin en los resultados para asegurar un nivel de certeza mnimo. Con este acercamiento bsico, los resultados del modelo de simulacin de trfico sern de confianza, y permitir al simulador ser una herramienta til para posteriores estudios. Como explica la Tesis de Ariel Romero [95], EasyTraf fue calibrado basndose en los preceptos necesarios [69, 71], y se demostr correcto su funcionamiento segn los expertos de trfico de la Municipalidad de la ciudad de Asuncin, por lo cual se puede asumir que es til para modelar situaciones de trfico en nuestra realidad brindando resultados valederos. A continuacin, veremos ejemplos puntuales de simulacin en los cuales los agentes EasyAgent demuestran su respuesta, accionar y decisiones.
7.2 Simulacin de un caso simple

En esta seccin, se mostrarn los resultados de una simulacin simple del EasyTraf, de tal manera que se puedan observar en detalle algunos los comportamientos ms comunes de los vehculos conducidos por los agentes EasyAgent. Esta simulacin en simple, pequea y con pocos vehculos, pero contiene todos los elementos necesarios para verificar el funcionamiento de los agentes implementados. Debido a que el simulador funciona con un gran detalle, y unidades de medida de centmetros y segundos, y las tablas de resultados se presentan con ese tipo de datos, las descripciones a continuacin se harn en ese tipo de sistema de medidas. El entorno a simularse es un cruce de calles, cada una con dos carriles en un nico sentido y con el mismo nivel de preferencia. Los nodos 1 y 4 son productores, los nodos 3 y 5 son consumidores, y el nodo 2 es el cruce, el cual no tiene semforo. La velocidad mxima permitida de los carriles es de 50 km/h (1390 cm/seg.). El grfico siguiente detalla el ambiente simulado, as como las numeraciones de los nodos, calles, carriles y maniobras.
La longitud de las cuadras es de 100 metros, y la esquina tiene 10 metros de dimetro. La simulacin se realiz en pasos de 0,2 segundos, cantidad que permite una simulacin bastante correcta, y que es menor al tiempo de reaccin de cualquier conductor. Se utiliz esta medida porque los archivos de resultados que se agregaron a esta tesis de otro modo seran muy
101
grandes (los archivos muestran el estado del simulador en cada paso y son directamente proporcionales a la resolucin temporal seleccionada). Se definieron dos tipos de conductores: 1) Agresivo (60%), con velocidad crucero de 60 Km/h (1600 cm/seg), aceleracin elevada (300 cm/seg2) y buena velocidad de reaccin (0,3 seg). 2) Poco agresivo (20%), con velocidad crucero de 35 Km/h (1000 cm/seg), aceleracin ms suave (270 cm/seg2) y escasa velocidad de reaccin (0,7 seg). A su vez, se definieron dos tipos de vehculos: 1) Auto Comn, con velocidad mxima de 115 Km/h (1000 cm/seg), aceleracin normal (300 cm/seg2) y freno normal (-900 cm/seg2). 2) Auto Deportivo, con velocidad mxima de 180 Km/h (1600 cm/seg), aceleracin mayor a la normal (350 cm/seg2) y frenos mejores a lo normal (-950 cm/seg2). Tanto los conductores como los vehculos se distribuyeron de manera uniforme a lo largo de la simulacin, formando una poblacin combinada de ambas posibilidades. El tiempo simulado fue de una hora (3600 segundos), el cual se simul en 90 segundos de mquina, grabando ya los archivos que totalizaron 100 MB de informacin. Esto da como resultado una velocidad de simulacin de 40 veces el tiempo real. En el Apndice I de este libro est disponible una copia de uno de los archivos de salida del simulador para los primeros 26 segundos, paso por paso. En l se describe el estado de la simulacin y de cada vehculo en cada instante de simulacin, esto es, cada 0,2 segundos. Como estos archivos son enormes, y ms an el que refleja el estado interno de cada mvil, til para comprender los motivos de las decisiones que toman, los resultados de la simulacin se almacenaron en un CD-ROM que se adjunta a este libro de tesis, detallndose en el Apndice I tan slo los primeros 26 segundos de simulacin (a analizarse a continuacin) en el modo ms simple de tipo de archivo de salida. Existe un anlisis de caso que se da cerca de la mitad de la simulacin, pero debido a que el tiempo en el cual transcurre es muy largo (unos 230 segundos, lo que equivaldra a cerca de 150 pginas impresas), no se pone en el libro dicha porcin de resultados, pero stos pueden observarse en el CD-ROM adjunto. Algunos de los casos que se presentan en esta simulacin son los siguientes: Primera Etapa (0 a 26 seg): Acelerar hasta la velocidad crucero del mvil o a la velocidad mxima permitida en el carril, si es que no hay otros impedimentos (comportamiento pro-activo). Acelerar hasta ms all de la velocidad mxima del carril para algunos conductores agresivos. Dejar de acelerar al alcanzar la velocidad crucero del mvil o la velocidad mxima permitida del carril (o haber sobrepasado la velocidad mxima del carril segn su agresividad). Cambios de carril para sobrepasar a automviles lentos (comportamiento reactivo). Retorno al carril ante una situacin adversa de cambio de carril (comportamiento reactivo). Generacin del plan de viaje: Tabla OD (comportamiento pro-activo). Regeneracin de tabla OD cuando no se pudo cumplir un plan (comportamiento reactivo).
102
Reacciones respecto a bocinazos (acelerar o cambiar de carril). Frenar para llegar a una esquina o cruzarla, si es una maniobra que no tiene preferencia. Anlisis de situacin en esquina, cruzarla de ser posible, sino esperar. Ceder paso en esquina si no se tiene espacio suficiente para pasar hasta encontrar un hueco libre (comportamiento emergente). Segunda Etapa (1212 a 1449 seg): Seleccin de maniobras y acciones al respecto (cambiarse de carril para poder cumplir con la maniobra necesaria). Colas de vehculos cuando se debe cruzar una esquina y no hay paso (comportamiento emergente). Cadenas de bocinazos (comportamiento emergente).
A continuacin se describir cronolgicamente lo sucedido en la simulacin, acompaado de grficos explicativos. Llamaremos a los mviles con una M mayscula y el nmero asignado por el simulador, por ejemplo, el mvil cero se llamar M0. Lo mismo se har con los carriles, pero con la letra C. No se mencionarn todos los hechos del simulador, sino los ms relevantes para los mviles que son interesantes. Primera Etapa (0 a 26 segundos). 00:00 seg.: Inicio de la Simulacin. Todo el sistema est vaco. 01:40 seg.: Se inserta el primer mvil al sistema (M0) en C6. 03:80 seg.: Se inserta el M1 en el C2. El mvil M1 genera su tabla OD segn los nodos de origen y destino de su viaje. Los nodos son el 1 y el 5 respectivamente, y por lo tanto se genera la Tabla OD 1-2-5. Como la velocidad actual de M1 (800 cm/seg) es menor a su velocidad deseada (1000 cm/seg) y a la velocidad mxima permitida del carril (1390 cm/seg), y no tienen ningn tipo de obstculo o impedimento, el vehculo decide acelerar (156 cm/seg2) hasta alcanzar su velocidad crucero. Se inserta el M2 en el C6. El mvil M2 genera su tabla OD segn los nodos de origen y destino de su viaje. Los nodos son el 4 y el 3 respectivamente, y por lo tanto se genera la Tabla OD 4-2-3. Como la velocidad actual de M2 (607 cm/seg) es menor a su velocidad deseada (1000 cm/seg) y a la velocidad mxima permitida del carril (1390 cm/seg), y no tienen ningn tipo de obstculo o impedimento, el vehculo decide acelerar (264 cm/seg2) hasta alcanzar su velocidad crucero.
103
104
05:20 seg: M1 llega hasta alrededor de su velocidad crucero (1018,4 cm/seg), y por lo tanto decide mantener una velocidad estable y no acelerar ms. 05:40 seg: M2 llega hasta alrededor de su velocidad crucero (1029,4 cm/seg), y por lo tanto decide mantener una velocidad estable y no acelerar ms.
105
09:00 seg: M2 detecta que se va aproximando a la esquina (le faltan 46 metros), y por lo tanto selecciona su maniobra para cumplir con la tabla OD. La maniobra seleccionada es la que une los carriles C5 y C3 (100% de posibilidad). Esta eleccin se debe a que no existe ninguna maniobra posible desde su carril actual (C6) en el nodo 2 hacia el nodo 3. M2, al notar que no est en el carril indicado para su maniobra, decide cambiarse de carril y pasarse al carril 5, para lo cual inicia un giro de volante. Segn la percepcin de M2, los mviles que se encuentran adelante suyo (M3) y detrs suyo (M4) en C5 le permitirn hacer una maniobra justa pero segura.
106
09:80 seg: M2, al intentar meter la nariz en el carril C5, descubre que M4 est muy cerca y que la maniobra s resultar peligrosa, y por lo tanto decide nuevamente mantenerse en el carril, a pesar de ir en contra de su decisin prevista en la Tabla OD. Al mismo tiempo, M2 inicia una accin de frenado leve (-139 cm/seg2). Su esperanza radica en que al ir frenando, tendr ms tiempo para encontrar un espacio en C5 y poder cambiarse de carril para cumplir con su plan establecido. M1 detecta que se va aproximando a la esquina (le faltan 40 metros), y por lo tanto selecciona su maniobra para cumplir con la Tabla OD. La maniobra seleccionada es la que une los carriles C2 y C8 (100% de posibilidad). Como la maniobra que seleccion es de giro (tiene poca prioridad), y adems los mviles que vienen por la otra calle tienen preferencia, M1 empieza a frenar levemente (-77 cm/seg2) para, al llegar a la esquina, poder cuantificar la situacin y tomar una accin correcta sin causar ningn tipo de problema o accidente.
107
14:00 seg: M2 llega hasta la esquina sin haber podido realizar su maniobra deseada. Los mviles del carril contiguo siempre estuvieron a su lado impidiendo el cambio de carril, a pesar de su disminucin de velocidad. Al llegar a la esquina, y tener la maniobra deseada bloqueada, no le queda otra salida que repensar su plan, regenerando la Tabla OD, la cual cambia de 4-2-3 a 42-5 (en una simulacin de mayor escala buscara otro camino alternativo, que en este caso no existe). M2, por lo tanto, ingresa a la esquina y cruza derecho. Al ingresar a la esquina, no tiene sentido seguir frenando ms, por lo que acelera nuevamente en bsqueda de su velocidad crucero. Al mismo tiempo, M1 llega hasta 4 metros antes de la esquina, y puede visualizar lo que en ella ocurre, sobre todo de la calle con la que se cruza. All visualiza a M2 ingresando en ese instante en el cruce, por lo que debe presionar el freno con ms fuerza de la que vena (de -77 cm/seg2 a -553 cm/seg2) para dar paso a M2.
108
15:00 seg: Cuando M2 ya est terminando su maniobra, y hay espacio suficiente para cruzar, M1 decide ingresar a la esquina y doblar a la izquierda, cumpliendo su plan. El mvil ms cercano es M7, que, a pesar de acercarse a una velocidad elevada (1407 cm/seg) se encuentra an lejos (a 59 metros) y en el carril C5, por lo que no le debera causar problemas. Como la velocidad de M1 es muy baja, inicia la maniobra acelerando.
109
17:20 seg: M1 termina su maniobra en la esquina e ingresa al carril C8. Contina acelerando ya que an no alcanz su velocidad crucero.
110
18:80 seg: M1 llega a un poco ms de su velocidad crucero (1148 cm/seg.) y decide mantenerla constante. Al instante, detecta a M2 adelante llevando una velocidad menor (1042,4 cm/seg.). Las opciones que se le presentan a M1 son desacelerar, o cambiarse de carril. l toma la segunda opcin e inicia una maniobra de cambio de C8 a C7. M7, en ese momento se acerca a alta velocidad (1407 cm/seg.) y est unos 15 m. por detrs de M1.
111
20:00 seg: M7, al ver cruzarse a M1 a su carril, llevando una velocidad sensiblemente menor a la suya, decide tocarle la bocina para alertarlo de un posible peligro. M1, por su parte, como ya se pas completamente a C8, evala la situacin y decide que la mejor maniobra es acelerar, manteniendo una distancia suficiente con M7, por lo menos mientras supera a M2.
112
20:80 seg: M1 llega a la velocidad de 1311,4 cm/seg. Esta velocidad es claramente mayor a su velocidad crucero, pero fue forzado a aumentarla por el peligro de accidente con M7. All M1 espera evitar el conflicto, o darle tiempo suficiente a M7 para que desacelere o cambie de carril. M7, por su parte, con la diferencia obtenida, se asegura de no tener conflictos por lo menos dentro de la cuadra que estn recorriendo. El cambio de carril no le conviene porque tiene a M2 adelante en C8, que va ms lento que M1, y un poco adelante a ste, por lo que no podra sobrepasar a M1 por C8 y luego volver a C7 con facilidad. Ambos mviles (M1 y M7) continan utilizando el mismo carril, acortando lentamente la distancia que los separa.
24:80 seg: M2 abandona el sistema. 25:40 seg: M1 abandona el sistema.

113
Segunda Etapa (1212 a 1449 seg). 1212 seg: El mvil M477 llega a la esquina por el carril C1. Al observar a los lados, se encuentra con que por los carriles C5 y C6 estn llegando varios mviles (en especial M478 por C6), todos con mayor preferencia a l. Por lo tanto decide frenar y esperar a encontrar un espacio para cruzar (su maniobra es C1 - C3, o sea, cruzar y seguir derecho).
114
1212 - 1449 seg: El mvil M477 queda detenido en C1, as como M480 en C2, por detrs de ellos se empieza a formar una cola de vehculos en espera de que la cola avance. Por alrededor de 240 segundos se forma una larga cola en los carriles C1 y C2, en espera de un espacio para cruzar. Los mviles de dichos carriles van pasando de a poco, pero no logran disminuir el tamao de la cola puesto que en todo ese tiempo se produjeron pocos espacios libres. Cabe resaltar que si bien los mviles del carril 2 podran hacer maniobras del tipo (C2-C8, C2-C7 o C2-C4) si el carril C6 estuviera libre y supieran que los mviles de C5 tienen intenciones de doblar (maniobras C5-C3 o C5-C4), como los conductores de dichos mviles no tienen forma de adivinar las futuras acciones de los dems conductores (no tienen acceso a su informacin de estado y decisiones), no pueden saber de antemano si ocurrir un accidente al cruzar o no (a los 1228 seg. en adelante se puede verificar un caso como el mencionado). En ciertos momentos, ante la impaciencia, se produjeron cadenas de bocinazos (por ejemplo, a los 1268 seg).
115
1449 seg: La situacin se regulariza y vuelve a la normalidad, no queda cola detenida en C1 o C2.
7.3 Simulacin de un caso real

En forma conjunta con Ingenieros de Trfico de la Municipalidad de Asuncin se realiz la simulacin de un caso real para verificar el correcto funcionamiento del EasyTraf y del EasyAgent. Esta simulacin se bas en los estudios de trfico realizados por la consultora SAETA para la habilitacin del Hotel Sheraton [93] a construirse sobre la Avenida Aviadores del Chaco esquina Santa Teresa. Con los planos de la zona provistos por la Municipalidad, junto a los datos del estudio mencionado, se procedi a realizar una simulacin de la situacin actual (previa a la
116
inauguracin del citado hotel), y posteriormente a comparar los datos de salida del simulador con los del estudio de SAETA consultora. La zona de influencia estudiada comprendi la Avenida Aviadores del Chaco desde la calle Delia Frutos hasta cien metros ms all de la calle Campos Cervera con un anlisis centrado en lo ocurrido en el cruce con la Avenida Santa Teresa, la cual representa un sistema complejo. A continuacin se muestra un plano de la zona junto a la representacin de la misma en el editor del simulador.
117
Los datos geomtricos cargados en el editor se definieron a escala 1/500, con todas las maniobras existentes permitidas, e incluyendo las prohibidas pero que en realidad se hacen a menudo. Los flujos entrantes al sistema se cargaron acordes a los estudios volumtricos en 4 franjas de 15 minutos, medidas por el personal tcnico de la Municipalidad de Asuncin, as como la densidad saliente esperada por cada nodo. Para las densidades se cargaron los tres tipos de vehculos principales medidos: automviles, mnibus y camiones, cada uno con sus propias caractersticas fsicas y se estableci la distribucin de los mismos en la composicin del trfico. Posteriormente a la ejecucin y registro de una serie de pruebas consecutivas en las cuales se simulaba el mismo escenario, con los mismos datos y configuraciones de entrada se inici el estudio de validacin del modelo. Para este estudio se sigui la metodologa propuesta en [69]. La metodologa propuesta sugiere reglas para la calibracin dentro de mrgenes de tolerancia aceptables y para llegar a niveles aceptables de validacin del modelo divididas en dos etapas: Calibracin y Validacin: Para la etapa de calibracin, se realizaron los siguientes trabajos: Verificacin de flujos totales de entrada y salida, que se ajustaban estrictamente a los parmetros cedidos por la Municipalidad, as como los puntos de produccin y consumicin de mviles. Verificacin de operaciones de control de trfico, para lo cual se comprob el efecto de todas las maniobras permitidas y prohibidas en detalle, franjas peatonales y paradas de mnibus. Verificacin del comportamiento deseado de los mviles, para lo cual se utiliz una serie de patrones de conducta tpicos de los tres tipos de mviles que circulan por la zona en las proporciones adecuadas. Para la etapa de validacin se consideraron los resultados de 10 simulaciones consecutivas de periodos de una hora divididos en etapas de 15 minutos. Siguiendo la metodologa de validacin, esto debera arrojar resultados de al menos 90% de confianza. Para esto se simularon 5 etapas de 15 minutos donde las caractersticas de la primera y segunda etapas eran idnticas. El objetivo de la primera etapa fue actuar como colchn de maduracin para el simulador de tal manera que las 4 etapas restantes cuenten con la densidad de poblacin esperada desde el inicio de la simulacin. Los resultados de la primera etapa de cada simulacin fueron desechados. Posteriormente se calcularon los parmetros significativos de validacin de cada una de las 4 etapas de validacin simuladas y se contrastaron con los valores reales del estudio de campo. Las lneas gua para la validacin de la simulacin incluyen:
PARMETRO Volumen servido DESCRIPCIN Diferencia porcentual entre el volumen de vehculos generados por el simulador y el volumen del estudio de campo. Tiempo de viaje promedio Desviacin estndar entre el tiempo de viaje de los mviles del simulador y el tiempo de escurrimiento del estudio de campo. Velocidad promedio de viaje Desviacin estndar entre la velocidad promedio de viaje de los mviles del simulador y el estudio de campo a nivel de carriles individuales. Densidad de la va Diferencia porcentual entre la densidad simulada y la observada (a partir del volumen y la velocidad de escurrimiento). Longitud promedio de la cola Diferencia porcentual entre la longitud de las colas de de espera espera simuladas y observadas a nivel de cada bocacalle. CRITERIO DE VALIDACIN 95 a 105 % del valor observado 1 Desviacin Estndar 1 Desviacin Estndar 90 a 110 % del valor observado 80 a 120 % del valor observado
118
Por desgracia, ni la Municipalidad ni la consultora que trabaja con estos proyectos de estudio de trfico contaban con la informacin de todos estos parmetros, por lo que tuvimos que reducir nuestro estudio de validacin final a la contrastacin del primer parmetro. Los resultados fueron los siguientes:
910 900 890 880 870 860 850 840 830 820 0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 Cantidad de mviles
Valor de Campo Promedio del Valor Simulado
Tiempo (minutos)
Esta informacin muestra los resultados de una etapa fraccionada periodos de tres minutos, con una distribucin promedio de 87,8 % de automviles, 8,0 % de mnibus y 4,2 % de camiones El resultado final de todas las etapas arroj:
PARMETRO Volumen servido
MNIMA
VALOR ABSOLUTO DE LA DIFERENCIA PORCENTUAL MXIMA PROMEDIO 0,02 % 16,6 % 2,32 %
La diferencia porcentual mxima se registr al inici de las etapas dado el cambio brusco de una configuracin a otra en el volumen y la distribucin del trfico. El valor que interesa para este estudio, el promedio de la diferencia porcentual del volumen servido de 2,32 % se mantiene dentro del rango permitido de 95% a 105% en relacin al estudio de campo. Los resultados mostrados realmente son el resumen de un trabajo de anlisis mucho ms minucioso a nivel del comportamiento de los mviles en cada segmento de va. Dicho anlisis se pudo realizar dado que el trabajo de campo inclua la cantidad de mviles que utilizaba cada maniobra de cada una de las intersecciones de la regin simulada. Los resultados del flujo entrante y saliente en cada nodo arrojaron resultados de flujo promedio para cada nodo con una diferencia mxima de 4,39 %. Inicialmente, la diferencia notoria entre el trabajo de campo y los resultados de la simulacin consistieron en la distribucin de mnibus y camiones en los nodos de produccin, llegando a mostrar diferencias promedio de hasta 17,3%. La razn de esta diferencia es que la distribucin porcentual de los tipos de mviles para el horario contemplado (07:00 a 08:00 horas) no es homognea. Existe una gran carga de mnibus y camiones que entran a la ciudad a diferencia de los que salen, diferencia que no se equipara con la desproporcin del volumen total entrante respecto al saliente de ese horario. Esta diferencia no afect a la simulacin en s porque la relacin de participacin de mnibus y camiones respecto al de los automviles es de 7 a 1. Como se observ, el resultado de la simulacin fue muy cercano al de la realidad medida, sin necesidad de ajustes al simulador ni al comportamiento de los agentes inteligentes. Esto es muy importante, ya que demuestra la flexibilidad del modelo concebido, y la seguridad de que si se realizaran simulaciones de casos futuros con cambios en la red de carreteras o sistemas de seales, el comportamiento seguira siendo correcto, as como los resultados de la simulacin.
119
7.4 Anlisis del rendimiento en una simulacin de trfico utilizando al EasyAgent

Debido a que el principal objetivo de este trabajo de tesis es demostrar la utilidad de Agentes Inteligentes en el mbito de la simulacin de trfico, se trabaj en dos puntos de importancia. El primero, demostrar la utilidad de los agentes inteligentes como entidades de toma de decisiones correctas y acertadas en la microsimulacin. Eso se demostr con ejemplos claros e innegables en las secciones anteriores. Por otro lado, el inters del desarrollo de estos agentes estaba basado en poder ser utilizados a nivel de computadoras personales de forma eficiente. En el ejemplo que viene a continuacin no slo se demuestra esto, sino que se obtiene un resultado muy alentador al respecto. El experimento que se realiz para la medicin del rendimiento fue el siguiente: se dise un mapa cuadrado de 3,3 kilmetros de ancho, con 140 esquinas (100 internas y 40 productoras/consumidoras), cuadras largas (de 300 m. cada una) y 4 carriles de ancho. Lo que se busc con esto fue tener un lugar amplio que pudiera albergar a la mayor cantidad de mviles en simultneo durante una simulacin. Adems, no se incluyeron semforos en las esquinas, lo que oblig a los conductores a tener que realizar la mayor cantidad de tareas en simultneo al verificar los cruces, puesto que cuando hay semforos tienen comportamientos ms simplificados al obedecer las luces.
Esquema de la red de carreteras simulada (3,3 Km. de tamao)
Al tener una nica descripcin geomtrica para todas las mediciones, se puede descartar la topologa de la red de carreteras como un factor que afecta al rendimiento, y centrarse nicamente en la cantidad de vehculos en simultneo como nico valor en afectar el rendimiento, ya que todos los dems parmetros se mantuvieron exactamente iguales para todas las corridas de la simulacin. Se realizaron 50 corridas del simulador con un nmero incremental de mviles insertados al sistema, lo que caus una mayor cantidad de mviles en simultneo recorriendo la red de carreteras. La primera simulacin tuvo un promedio de 12 mviles en simultneo (de 108 producidos), y la ltima lleg hasta los 3.894 (de 7.946 producidos). El tiempo simulado fue de una hora para cada corrida (3.600 seg., 18.000 pasos). El sistema utilizado para correr la simulacin fue el siguiente: Una PC de escritorio con procesador Athlon de 1 GHz, 256 MB de RAM, disco duro Ultra ATA 66 y FSB de 266 MHz
120
con sistema operativo Linux Red Hat 6.2. La configuracin tanto de software como de hardware se mantuvo constante a lo largo de las 50 corridas del simulador, para evitar alteraciones en el rendimiento debido a factores externos a la propia simulacin. Adems, se inhibieron las salidas detalladas en los archivos de resultados, puesto que estas salidas llegaron a ocupar varios GB de tamao en grandes simulaciones de prueba anteriores, y el costo de almacenar dichos datos en archivo era tremendamente superior al de realizar la propia simulacin, afectando negativamente a los resultados. Tan solo se dejaron activos los mensajes importantes en pantalla y en archivos de error, y el archivo con el resumen de lo ocurrido en la simulacin. En el CD-ROM que acompaa a este libro de tesis provee todos los archivos con los resultados de estas simulaciones, para su verificacin, y con los archivos de entrada a las mismas. La longitud del paso de la simulacin utilizada fue de 0,2 segundos, la cual es suficiente para tener una buena respuesta de los conductores sin sobrecargar de sobremanera el sistema. Es evidente que con una granularidad ms fina del tiempo se obtendran simulaciones ms perfectas, pero a un costo temporal cada vez mayor, puesto que, por ejemplo, si se tuviera una simulacin con pasos de 0,1 segundos, el simulador realizara exactamente el doble de operaciones que en el caso previo, tardando el doble de tiempo tambin para realizar la simulacin. El resultado obtenido, tremendamente importante para nuestra investigacin, consiste en la comparacin de en qu medida afecta la cantidad de mviles simultneos al rendimiento del simulador, y su frontera terica de uso. Los resultados obtenidos fueron auspiciosos e importantes. En el Apndice II de este libro se tiene una tabla con los resultados obtenidos en cada caso, a partir de los cuales se realiz el grfico que viene a continuacin:
Comparacin del tiempo de simulacin respecto a la cantidad simultnea de mviles 4500 Cantidad de mviles en simultneo 4000 3500 3000 2500 2000 1500 1000 500 0 0 50 100 150 200 250 300 350 400 450 500 Tiempo de mquina transcurrido (seg.)
El resultado aqu obtenido es de una enorme importancia terico-prctica, ya que demuestra que la degradacin del rendimiento del sistema (medida en el tiempo que le tom realizar cada corrida de la simulacin) es lineal y directamente proporcional a la cantidad
121
simultnea de mviles surcando la red de carreteras. Este resultado es importantsimo ya que demuestra que se pueden agregar mviles al sistema sabiendo cual ser el impacto temporal y de recursos de la simulacin, con lmites manejables. El resultado tiene un motivo claro: la mayor cantidad de mviles obliga al sistema a realizar una mayor cantidad de operaciones por paso (cada mvil, al ser pro-activo y reactivo, realiza la misma adquisicin de datos de los sensores y evaluaciones de estado y toma de decisiones en cada paso), pero, debido a que la relacin de los mviles se da tan slo con los dems circundantes y no con todos los del sistema, no se tiene una explosin de estados y pasos, y eso permite que el crecimiento del uso de recursos, sobre todo del tiempo de procesamiento (que es el ms afectado), aumente en forma lineal a un mayor nmero de vehculos en simultneo. Se podra pensar que la cantidad de mviles total generada durante la simulacin tendra una relacin directa con el rendimiento, pero eso no es cierto, porque, por ejemplo, muchos mviles podran realizar viajes cortos y estar poco tiempo en el sistema, y la recarga del sistema se da sobre todo en la toma de decisiones que a cada paso toman los mviles, o sea, que a mayor cantidad de mviles tomando decisiones, mayor ser el tiempo de procesamiento. Es por esto que, si se verifica la tabla del Apndice II, se ver que existen casos de simulaciones que produjeron ms mviles totales que otras y que se terminaron en menor tiempo, sobre todo porque sus mviles estuvieron menos tiempo en el sistema, obteniendo una simultaneidad menor. Aparte de este importante resultado terico, tenemos el significativo resultado del rendimiento propio del Agente EasyAgent. Como se mencion en captulos anteriores, lo que se buscaba con el EasyAgent era obtener una analoga suficientemente buena de la toma de decisiones de un humano con el mejor rendimiento posible. Esto se deba a que otros simuladores que utilizaban IA deban correrse en supercomputadoras para obtener resultados, con suerte, en tiempo real, mientras que nuestra meta era obtener resultados a velocidades mucho mayores, con simulaciones varias veces ms rpidas al tiempo real, lo que permite realizar varias corridas en lo que tomara realizar una medicin de campo del mismo sistema. Los resultados obtenidos en este aspecto tambin fueron muy favorables: las simulaciones ms simples, y con pocos mviles en simultneo, alcanzaron velocidades de 354 veces el tiempo simulado (10 segundos de simulacin para una hora simulada), mientras que las simulaciones ms importantes y con casi 4.000 vehculos en simultneo alcanzaron velocidades de 8 veces el tiempo simulado. Esto significa que se lograron simular 60 minutos en apenas 7 minutos y medio. La curva terica de rendimiento obtenida nos indica que podramos realizar simulaciones de hasta 30.000 mviles en simultneo para apenas llegar a simulaciones de tiempo real, y, a partir de ese punto ya se tendran simulaciones ms lentas que el tiempo real. De todos modos, segn las estimaciones de los profesionales de la Municipalidad de Asuncin, el flujo de trfico en el rea cntrica (la que tiene mayor flujo vehicular del pas) por hora ronda los 120.000 vehculos, y normalmente no son ms de 25.000 vehculos en simultneo, por lo cual se podran llegar a simular grandes zonas geogrficas de inters en un tiempo menor al real. Ahora, es fcil verificar tambin que realizando ampliaciones, sobre todo a nivel de velocidad de procesamiento, los lmites fijados podran llevarse mucho ms arriba. Pero de todos modos, segn las reuniones que tuvimos con los ingenieros de trfico de la Municipalidad de Asuncin, nos indicaron que la simulacin de entornos tan grandes y con tantos vehculos exceden sus necesidades, ya que los casos de estudio de la Municipalidad de Asuncin son de zonas muy puntuales y de escasas manzanas a la redonda, con 200 a 2.000 mviles en promedio, lo cual es una cantidad baja para el simulador y con la cual se obtiene un gran rendimiento.
122
En cuanto al consumo de memoria, el simulador completo funcionando con 3.500 mviles en simultneo apenas consumi 6 MB de memoria RAM, lo cual hace que la preocupacin por la utilizacin de la memoria sea mnima. Con todos estos datos, se ha demostrado el excelente rendimiento obtenido mediante el simulador EasyTraf utilizando al EasyAgent, y las enormes capacidades que presenta a futuro.
123
Captulo 8: Conclusiones
Ley de la gran idea: En el momento en que se descubre una gran solucin, alguien ms acaba de resolver el problema
En este trabajo de tesis se ha investigado, analizado y demostrado la utilidad de los Agentes Inteligentes como un componente integral de la simulacin de trfico, acorde al objetivo general de la tesis. Para ello, en una primera etapa realizamos una introduccin a la Simulacin y a la aplicacin de tcnicas de Inteligencia Artificial en la simulacin. Luego estudiamos el estado del arte en cuanto a Agentes Inteligentes, sus usos y beneficios, as como su problemtica y propusimos una definicin de los mismos acorde a la realidad tratada en la simulacin. Luego se realiz la construccin de un Agente que denominamos EasyAgent, preparado para funcionar dentro del marco del simulador EasyTraf [95]. El agente propuesto fue el resultado de la conjuncin de diseos de varios agentes existentes y estudios de IA aplicados a la simulacin: BDI [13, 14, 21, 22], CCH/N [16], C3I [19], Aplicacin de reglas [6, 25, 28, 86], FSM [27, 28] y HCSM [26, 27, 28, 42]. El agente modelado a partir de estas premisas se dividi en seis mdulos funcionales: Mdulo Fsico, Mdulo de Toma de Decisiones, Mdulo de Interrelacin, Mdulo de Planificacin, Mdulo de Conocimiento y Mdulo de Carcter, mediante los cuales el agente es capaz de comunicarse con el ambiente de simulacin, con otros agentes, y de tomar las decisiones de corto, mediano y largo plazo para llevar a buen trmino su misin. Posteriormente se realizaron pruebas de simulacin simples para comprobar el correcto funcionamiento del Agente, de las cuales se presentaron varios ejemplos descriptivos. Con ayuda de expertos de la Municipalidad de Asuncin se realiz una simulacin de un caso de estudio real, que demostr de forma sobresaliente el correcto funcionamiento del simulador, de los agentes modelados, y de los resultados obtenidos. Los agentes, adems, demostraron tener comportamientos emergentes no programados, lo que los convierte en herramientas flexibles y amplan su autonoma. Finalmente se realiz un anlisis de rendimiento y de incidencia del uso de Agentes Inteligentes en una simulacin con computadoras de escritorio, y se lleg a la importante nocin de que el incremento de la cantidad de agentes actuando en simultneo en un sistema de simulacin provee un decrecimiento apenas lineal del rendimiento. Adems, se demostr que el simulador puede manejar miles de vehculos en simultneo a una gran velocidad mayor a la real. Ambos resultados lo que demostraron su viabilidad de uso en PCs de escritorio sin necesidad de supercomputadoras para el efecto, y su capacidad de ser utilizados para casos de estudio reales sin inconvenientes. Anlisis del cumplimiento de los objetivos especficos: Cuando se propuso el inicio del trabajo de esta tesis, se presentaron varios objetivos especficos a ser estudiados o analizados en el marco del objetivo general. Ahora brindo un pequeo anlisis del resultado obtenido sobre los mismos. Realizar un diseo modular y reutilizable de Agentes Inteligentes dentro del mbito estudiado, capaz de sincronizarse con un simulador microscpico a travs de una interfaz bien definida: Se cre un software
124
de modular y reutilizable capaz de comunicarse con el mundo exterior a travs de una interfaz bien definida (el mdulo fsico y el mdulo de planificacin). Modelar correctamente el comportamiento de los conductores dentro de las calles, siguiendo patrones de conducta diferentes segn la personalidad de cada uno: Se crearon agentes con personalidades nicas y de patrones de comportamiento segn el carcter que poseen. Esto permiti que la poblacin se formara por individuos con sus propios intereses y formas de actuar, brindando un dinamismo nico. Adems, las entidades comprenden las reglas de trnsito, manejan los vehculos segn reglas fsicas y saben cuales son los sucesos que se daran segn sus diferentes acciones y decisiones. Mediante simulaciones supervisadas por expertos de trnsito de la Municipalidad de Asuncin, se demostr el correcto diseo y comportamiento de los agentes propuestos. Revisar las posibilidades de orientacin a objetos tiles para la modelizacin de los agentes: Los Agentes se modelaron como objetos independientes, cada uno con sus propiedades individuales y carcter propios. Desarrollar protocolos de comunicacin entre los Agentes que comparten el mundo virtual, expandibles a sistemas distribuidos: Como se dijo antes, las entidades de software adems de relacionarse con el mundo fsico exterior, se relacionarn entre ellas. Se desarroll un mdulo de Interrelacin para el efecto. La distribucin, al ser geogrfica, tal como se plane en EasyTraf, es simple y requiere escasas modificaciones al modelo actual. Evaluar las relaciones entre Agentes y la forma en que juntos logran crear situaciones generales: Se demostr que los agentes tienen comportamientos emergentes no programados, sobre todo a causa de sus interrelaciones entre s y con el ambiente. Estudiar tcnicas de Inteligencia Artificial sobre toma de decisiones y modelos de representacin del conocimiento: Numerosa literatura se analiz sobre modelos de toma de decisiones y representacin del conocimiento. De ella se tomaron los ejemplos ms tiles para el caso de esta tesis y se construy el EasyAgent, con algunas optimizaciones o simplificaciones, dependiendo del caso. Verificar las capacidades de las nuevas PCs para la realizacin de simulaciones importantes, campo hasta ahora concedido a las supercomputadoras: La implementacin se llev a cabo en plataforma PC, sobre hardware ordinario, en ambiente Linux, porque se busc que el simulador pudiera ser utilizado en la realidad de nuestro pas, y no en supercomputadoras inaccesibles para nosotros. Principales Contribuciones: Entre los aportes ms significativos y novedosos de la tesis podemos citar los siguientes: Aporte a la simulacin por computadoras Se demostr la utilidad de los agentes inteligentes en el mbito de la simulacin de trfico, con la autonoma y desenvoltura suficiente para generar trfico microscpico realista, en un ambiente de computadoras de escritorio. Esto es muy importante, ya que gracias a la flexibilidad del modelo concebido, tenemos la seguridad de que si se realizaran simulaciones de casos futuros con cambios en la red de carreteras o sistemas de seales, el comportamiento seguira siendo correcto, as como los resultados de la simulacin, sin la necesidad de realizar trabajo adicional de ajuste de parmetros. Se demostr que, gracias al diseo del EasyAgent en el entorno EasyTraf, el nivel de rendimiento de la simulacin se degrada en forma lineal y directamente proporcional a la cantidad de mviles en simultneo recorriendo el sistema, lo que implica una gran potencia
125
de escalabilidad de la simulacin para albergar miles de mviles en vastas reas geogrficas, pudiendo realizarse ampliaciones de hardware sencillas para obtener mejores resultados. El agente diseado puede actualmente utilizarse para simulaciones con miles de vehculos en simultneo y de todos modos obtener simulaciones mucho ms rpidas que el tiempo real. La modelizacin del trfico peatonal es una innovacin importante implementada en el EasyAgent que puede resultar til para numerosas simulaciones (por ejemplo, el anlisis de la transformacin en peatonal de calles cntricas). Aporte a la Inteligencia Artificial Se propuso una nueva definicin de agentes inteligentes general, pero sobre todo til para el rea de la simulacin. Se dise un agente dividido en seis mdulos funcionales bien diferenciados, que permiten una ampliacin o mejoras al modelo sencillas, as como a la interaccin con otros simuladores o agentes diferentes. Se propuso un mtodo de toma de decisiones a mediano y corto plazo basado en una HCSM simplificada, el cual es potente, flexible y suficientemente liviano en consumo de recursos y tiempo de procesador, de tal manera a poder utilizarse en simulacin con computadoras de bajo costo. El modelo de agente propuesto presenta varias caractersticas especiales, como ser Planificacin, toma de decisiones a corto y mediano plazo (HCSM simplificada), Base de Datos del Conocimiento, Memoria, Mdulos de carcter e Interrelacin, lo que lo convierte en un agente flexible, autnomo, social, con capacidad de aprendizaje y que presenta comportamientos pro-activos y reactivos, tal cual lo haba definido en el captulo 4. La presencia de comportamientos emergentes en su relacin con otros agentes y con el ambiente aumenta su nivel de flexibilidad y autonoma. Se cre una frmula de costo generalizado para el algoritmo del costo uniforme til e interesante, que simuladores comerciales tienen planeado realizar a futuro. Adems, estas son decisiones propias del agente y no de un planificador del simulador. Trabajo Futuro. El modelo de agente propuesto tiene grandes virtudes, pero de todos modos puede ser ampliado o mejorado en varios mbitos. A continuacin cito los ms importantes: El modelado de autos preferenciales como Ambulancias o Bomberos debe trabajarse ms, sobre todo para modificar el comportamiento de otros vehculos respecto a ellos. El algoritmo de generacin de las Tablas OD es bastante simple en el caso de las regeneraciones y bsqueda de caminos alernativos al inicial. Esto se podra mejorar. El hecho de que se debe mantener la derecha cuando se maneja y sobrepasar siempre por la izquierda no se respeta en demasa. El manejo de peatones todava requiere mejoras para obtener un trfico peatonal completamente realista. Debido a restricciones propias de la versin 1.0 de EasyTraf, no se realiza anlisis de sobrepaso en contramano o el uso de carriles bidireccionales, lo cual modificara bastante a la simulacin. Como EasyTraf 1.0 no tiene diferencias climticas que pudieran afectar la visibilidad, velocidad de reaccin o coeficiente de friccin de las rutas, estos casos no se tienen en cuenta para la implementacin del EasyAgent 1.0.
126
El manejo del conocimiento parcial de los caminos posibles para la generacin de las tablas OD an es muy simple. Deberan manejarse niveles de paciencia, los cuales, unidos a la agresividad del conductor, modificaran su actuar ante largas esperas en colas, esquinas o para sobrepasar vehculos. Existe un potencial caso de deadlock en el anlisis de situaciones en esquinas: Si se presenta un cruce de dos calles de doble sentido, con exactamente la misma prioridad, y sin semforos, se podra dar un caso terico en que todos los mviles le cedieran paso al mvil de su derecha y que nadie cruzara. Este caso nunca se present en la prctica a pesar de haberse realizado simulaciones bajo esas condiciones, pero podra ocurrir. Para solucionarlo se requerira un reconocimiento de la situacin por parte del agente y algn mecanismo en el cual alguno se atreviera a cruzar.
127
Referencias
Referencias
Ley de Murphy sobre la investigacin: Suficiente investigacin respaldar cualquier teora
[1] Arsham, Hossein. Systems Simulation: The Shortest Path from Learning to Applications. 7th Edition (2001). http://ubmail.ubalt.edu/~harsham/simulation/sim.htm [2] STISIM Homepage (Systems Technology Inc.) http://www.systemstech.com/ [3] Cleveland, Jeff I; Herndon, Sonia S.; Houck, Jacob A.; Kibler, Kember S.; Meetze, Lemuel E.; Simmons, Harold I. Real-Time Simulation Users Guide. (1997) NASA Langley Research Center: Central Scientific Computing Complex, Document R-1d. [4] Kergall, Mathieu; Regnier, Stephane; Kemeny Andras. New Enhancements in Driving Simulation at Renault. In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [5] Kuhl, J.; Evans, D.; Papelis, Y.; Romano, R.; Watson G.S. The Iowa Driving Simulator: An Immersive Research Environment. IEEE Computer Magazine, July 1995 (Vol. 28, No. 7) pp. 35-41. [6] van Wolffelaar, Peter. Functional Aspects of the Driving Simulator at the University of Groningen. Centre for Environmental and Traffic Psychology, University of Groningen, Netherlands. http://www.ppsw.rug.nl/cov/cov_sim.htm [7] Leito, J. Miguel; Coelho, A.; Ferreira, F. N. DriS A Virtual Driving Simulator. Proceedings of the Second International Seminar on Human Factors in Road Traffic, ISBN 972-8098-25-1, Braga, Portugal, 1997. [8] University of Leeds Advanced Driving Simulator Homepage. http://mistral.leeds.ac.uk/ [9] Freeman, J.S.; Watson, G.; Papelis Y. E.; Lin, T. C.; Tayyab, A.; Romano, R. A.; Kuhl, J. G. The Iowa Driving Simulator: An Implementation and Application Overview. SAE Paper No. 950174 (1995). [10] Fishwick, P. A. Computer Simulation: Growth Through Extension, European Simulation Multiconference, Barcelona, Spain, 1994. [11] Alicandri, Elizabeth. HYSIM: The Next Best Thing to Being on the Road. (1994) Human Factors Laboratory, Turner-Fairbank Highway Research Center, McLean, California. http://www.tfhrc.gov/pubrds/winter94/p94wi19.htm [12] Gruening, James; Bernard, James; Clover, Chris; Hoffmeister, Kurt. Driving Simulation (1998), SAE paper No. 980223. [13] Busetta, Paolo; Rnnquist, Ralph; Hodgson, Andrew; Lucas, Andrew; Light-Weight Intelligent Software Agents in Simulation In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [14] Cross, Martin; Rnnquist, Ralph. A Java Agent Environment for Simulation and Modelling In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [15] Banks, Sheila, Stytz, Martin. An Approach to Enhance Human Behavior Modeling for Computer-Generated Actors. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999.
128
Referencias
[16] Reece, Douglas. Computer Controlled Humans for a Military Training Simulation In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [17] Fernandez, Marcos; Bayarri, Salvador; Liu, Andy. A Hidden Markov Model Based Approach to Autonomous Traffic Generation and Validation In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [18] Sukthankar, Rahul. Teaching Intelligent Vehicles to Drive in Traffic: Tactical-level Scenarios In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [19] Bowden, Fred; Davies, Mike. Design Methodology And Implementation Technologies For C3I Artificial Agents. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [20] Takvorian, Yann. Activities as a Framework for Modeling Behaviors in a CGF Environment. Virtual Prototypes Press, http://mayall.virtualprototypes.ca/VSD/press/white.html [21] Heinze, C.; Goss S.; Lloyd I.; Pearce A. Collaborating Cognitive and Sub-Cognitive Processes for the Simulation of Human Decision Making. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [22] Ly, Thanh. Synchronising Intelligent Agents Within a Simulation. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [23] Jackson, Leroy; Pearman, Gerald; McGinnis, Michael. Re-Hosting a Constructive Legacy Simulation With Modern Technologies. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [24] Jobson, Scott, Zaleman, Lucien, Mason, Mather. ModSAF on a Portable Computer. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [25] van Wolffelaar, Peter. Traffic Generation and Scenario Control in the TRC Driving Simulator In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [26] Ahmad, Omar; Papelis, Yiannis. A General Purpose HCSM Controller for Arbitrary Intersection Topologies In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [27] Cremer J.; Kearney J.; Papelis Y.; Romano R. The Software Architecture for Scenario Control in the Iowa Driving Simulator Proc. 4th Computer Generated Forces and Behavioral Representation Conference, Orlando, FL, May 4-6, 1994. [28] Papelis, Yiannis. Graphical Authoring of Complex Scenarios Using High Level Coordinators In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [29] Papelis Y.; Bahauddin S. Logical modeling of roadway environment to support real-time simulation of autonomous traffic. In SIVE95: The First Workshop on Simulation and Interaction in Virtual Environments, pages 62--71, Iowa, USA, July 1995. [30] Booth, Michael. Develpment of a General Purpose Scenario Control System with Microand Macro-level Traffic Simulation In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996.
129
Referencias
[31] Chiu, Susan; Mourant, Ronald. Traffic Generation in a Virtual Environments Driving Simulator In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [32] Russell, Gordon. Urban Traffic Simulation (1995). http://www.soc.napier.ac.uk/publication/op/peoplepublications/peopleid/5 [33] Hogue, Jeffery; Allen, Wade; Rosenthal, Theodore; Anderson, Frederick; Pelz, Cecy; Aponso, Bimal. Applying Low-Cost Virtual Environments to Simulation-Based Vehicle Operator Training. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [34] Zalcman, Lucien, Fagan, Tim. Cost Effective Simulators - Twelve Months On. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [35] Kelty, Luke, Beckett, Paul, Zalcman, Lucien. Desktop Simulation. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [36] C++SIM Users Guide (1994). Department of Computing Science, Computing Laboratory, The University, Newcastle upon Tyne, NE1 7RU, UK. [37] Gll, Aleks. The Programming Language SHIFT and its Application to Driving Simulation and Scenario Creation In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [38] Klein, Ulrich; Schulze, Thomas; Strassburger, Steffen; Menzler, Hans-Peter. Distributed Traffic Simulation based on the High Level Architecture. Proceedings of the Simulation Interoperability Workshop Fall 1998; Orlando, USA, pages 318-324, 1998 [39] Ryan, Peter, Zalcman, Lucien. The DIS vs HLA: Whats in it for Australia?. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [40] Roehl, Bernie. Distributed Virtual Reality - An Overview (1995). http://ece.uwaterloo.ca/~broehl/distrib.html. [41] Baker, Michael. Time Management in distributed Simulation Models. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [42] Cremer, James; Kearney, Joseph; Papelis Yiannis. Driving Simulation: Challenges for VR Technology. Artculo aparecido en IEEE Computer Graphics and Applications (Septiembre de 1996), pag. 16-20. [43] Wallace, Philip; Regan, Michal. Case Study: Converting Human Factors Research Into Design Specifications For Instructional Simulation. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [44] Data Driven Emergent Behavior Traffic Simulation. Extracto del proyecto TFHRC/ART. http://www.irecall.com/agents.htm [45] Chan, Joel. "Computer Traffic Simulation". Universidad de Toronto (Abril de 1997). University of Toronto Mathematics Network Home Page: http://www.math.toronto.edu/mathnet/plain/carcompet/simulation.html [46] Jackson, Leroy. A Component Approach to Object Model Standards for Simulation. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [47] Ecuaciones de comportamiento del mvil. Extracto del proyecto NADS National Advanced Driving Simulator. University of Iowa.
130
Referencias
[48] Yang, Qi. A Simulation Laboratory for Evaluation of Dynamic Traffic Management Systems. Thesis in the field of Transportation submitted to the Department of Civil and Environmental Engineering, Doctor of Philosophy, School of Engineering, June 1997 Massachusetts Institute of Technology. [49] Scaletti, Carla; Craig, Alan. Using Sound to Extract Meaning From Complex Data: Processing, Display, Interaction. SPIE vol. 1459, Universidad de Illinois (1991). [50] Scott, Angela. Computer Generation Imaging. MSE540 - Modeling and Simulation (1997). [51] Regan, Michael; Triggs, Thomas; Wallace, Phillip. Design of Cognitive Trainer for Novice Car Drivers. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999. [52] McGehee, Daniel. Designing Driving Simulation Scenarios: A Human Factors Perspective. In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [53] Goss S.; Pearce A.; Heinze C. Recognising User Intentions in a Virtual Environment. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999 [54] Bernard, James; Gruening, James; Hoffmeister, Kurt. Evaluation of Vehicle/Driver Performance Using Genetic Algorithms. (1998) SAE paper No. 980227. [55] Papelis, Yiannis. Terrain Modeling on High Fidelity Ground Vehicle Simulators. Fifth Annual Conference on AI Simulation and Planning in HighAutonomy System, Gainesville, Florida, pp. 4854, 1994. [56] Jackson, Leroy; Pratt, Shirley; Henderson, Dale. A modular Terrain Component Interface For Computer Generated Forces. In Proceedings of Fourth International Simulation Technology and Training Conference, (SimTecT '99), Melbourne, Australia, 1999 [57] Los Alamos National Laboratory. Cellular Automaton Traffic Microsimulation. http://transims.tsasa.lanl.gov. [58] Herbing, Dirt; Treiber, Martin. Microsimulation of Road Traffic. University of Stuttgart. http://www.theo2.physik.uni-stuttgart.de/treiber/MicroApplet/ [59] Herbing, Dirt; Treiber, Martin. "Explanation of observed features o self-organization in traffic flow". Institute of Theoretical Physics. University of Stuttgart. 1999. Preprint condmat/9901239. [60] Paramics Modeller Guide. Quadstone Ltd. http://www.paramics-online.com [61] Rickert, M.; Nagel, K. Experiences with a simplified microsimulation for the Dallas/Fort-Worth area. 1997. paper nro. 97-03-027 Santa Fe Institute. [62] Paperback. Concepts in vehicle dynamics and simulation. SAE international. SP-1016. 1994. [63] MASSEY University Albany (computer Science) AI. http://cs-alb-pc3.massey.ac.nz/notes/59102/notes/l26.html [64] Pursula, Matti Simulation of Traffic Systems - An Overview Journal of Geographic Information and Decision Analysis, vol.3, no.1, pp. 1-8, 1999 [65] Franklin, Stan; Graesser, Art. Is it an Agent, or just a Program?: A Taxonomy for Autonomous Agents Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages, Springer-Verlag, 1996. [66] Philips, Dwayne. Searching for solutions with AI. C/C++ Users Journal. 2000. [67] Foner, Leonard N. What is an agent, anyway? a sociological case study. Agents Memo 93-01, MIT Media Lab, 1993.
131
Referencias
[68] Maes, Pattie. "Modeling Adaptive Autonomous Agents", Journal of Artificial Life, Volume 1, Number 1/2, MIT Press, Fall 1993/Winter 1994. [69] Milam, Ronald; Choa, Fred. Recommended guidelines for the calibration and validation of traffic Fehr & Peers Associates, Inc. http://www.fehrandpeers.com/publications/papers/traff_simulation_m.html [70] TRANSIMS: Transportation Analysis Simulation System Version: TRANSIMS 2.1 (Manual de Usuario) 15 June 2001. [71] Sukthankar, Rahul. Situation Awareness for Tactical Driving Robotics Institute, Carnegie Mellon University, Pittsburgh, PA 15213, Tesis de doctorado en filosofa. 27 de Enero de 1997. [72] Giret, Adriana. "Uso de la Orientacin a Objetos para el diseo e implementacin de Agentes". Tesis de Ingeniera Informtica. Universidad Catlica Nuestra Seora de la Asuncin. Asuncin, Paraguay, 1999. [73] Meyer, Paul. Probabilidad y aplicaciones estadsticas Fondo Educativo Interamericano S.A. (1973). [74] Beer, R. A Dynamical Systems Perspective on Autonomous Agents. Technical Report CES-92-11, Department of Computer Engineering and Science, Case Western Reserve University, 1992. [75] Horswill, I. Specialization of Perceptual Processes. PhD thesis, AI Laboratory, MIT, 1993. [76] Mataric, M. J. Behavioral Synergy without Explicit Integration. In: Special Issue of SIGART on Integrated Cognitive Architectures, Volume 2, Number 4, 1991. [77] Maes, Pattie. Situated Agents Can Have Goals. In: Designing Autonomous Agents: Theory and Practice from Biology to Engineering and Back, MIT Press/Bradford Books, 1990. [78] Deneubourg J. L., Theraulaz G. & Beckers R. Swarm-Made Architectures. In: Toward a Practice of Autonomous Systems. Proceedings of the First European Conference on Artificial Life, edited by F. J. Varela & P. Bourgine, MIT Press/Bradford Books, 1992. [79] Drescher, G. L. Made-Up Minds: A Constructivist Approach to Artificial Intelligence MIT Press, 1991. [80] Maes, Pattie; Kozierok R. Learning Interface Agents, Proceedings of AAAI-93, the Eleventh National Conference on Artificial Intelligence, MIT Press, 1993. [81] Malone, T. W.; Fikes R. E.; Grant K. R.; Howard M. T. Enterprise: A Market-like Task Scheduler for Distributed Computing Environments, In: The Ecology of Computation, edited by B. Huberman, North-Holland, 1988. [82] Holland, J. H. The Optimal Allocation of Trials. In: Adaption in Natural and Artificial Systems (Chapter 5), MIT Press/Bradford Books, 1992. [83] Tyrrell, T. Computational Mechanisms for Action Selection. PhD Thesis, Centre for Cognitive Science, University of Edinburgh, 1993. [84] Maes, Pattie. Adaptive Action Selection. Proceedings of the Thirteenth Annual Conference of the Cognitive Science Society, Lawrence Erlbaum Associates, 1991. [85] Wilson, S. W. The Animat Path to AI. In: From Animals to Animats, Proceedings of the First International Conference on the Simulation of Adaptive Behavior, edited by Meyer J.-A. & Wilson S.W., MIT Press/Bradford Books, 1991. [86] Sukthankar, Rahul; Baluja, Shumeet; Hancock, John. Evolving an Intelligent Vehicle for Tactical Reasoning in Traffic. Proceedings of the International Conference on Robotics and Automation, Vol. 1, April, 1997, pp. 519 - 524.
132
Referencias
[87] Sukthankar, Rahul; Baluja, Shumeet; Hancock, John; Pomerleau, Dean; Thorpe, Charles. Adaptive Intelligent Vehicles Modules for Tactical Driving. In Proceedings of AAAI-96, 1996. [88] Sukthankar, Rahul; Pomerleau, Dean; Thorpe, Charles. SHIVA: Simulated Highways for Intelligent Vehicle Algorithms. The Robotics Institute, Carneige Mellon University, Pittsburgh, PA 15213. [89] Donikian, Stphane. Driving Simulation in Realistic Urban Environments. In Workshop on Scenario and Traffic Generation for Driving Simulation, Orlando, Florida, 1996. [90] Fulton, Neale. Specification of operational flight profiles and dynamics: a structured approach. In Proceedings of Third International Simulation Technology and Training Conference, (SimTecT '98), Adelaide, Australia, 1998. [91] Project MIDAS (Massachussets Interactive Driving and Acoustic Simulator). http://www.ecs.umass.edu/hpl/midas.html [92] IVIS: In-Vehicle Information Systems / Development & Demonstration Platform Oak Ridge National Laboratory. http://avalon.epm.ornl.gov. [93] Saeta Consultora. Estudio de impacto de trfico vehicular para la habilitacin del futuro local del Hotel Sheraton en Asuncin, Mayo de 2001. [94] Leito, J. Miguel; Moreira, Alexandra; Santos, Jorge A.; Sousa, A. Augusto; Nunes Ferreira, F. Evaluation of Driving Education Methods in a Driving Simulator Graphics and Visualization Education Workshop (GVE '99), July 3-5 1999 in Coimbra, Portugal. [95] Romero, Ariel. Anlisis y Estudio de Tcnicas de Representacin para la Simulacin Microscpica: El caso del Trfico Autnomo. Tesis de Ingeniera Informtica. Universidad Catlica Nuestra Seora de la Asuncin. Asuncin, Paraguay, 2001.
133
Apndices
Apndice I: Resumen de los resultados obtenidos en una simulacin de prueba

5 Regla de Finagle: Los experimentos deben ser reproducibles: todos deben fallar de la misma manera
Movil | Posicin | Velocidad | Acel | Giro | PosTrans | SP | CarrAct | CarrSec | NodoAct | Maniobra Seleccionada | Enman Tiempo Tiempo Tiempo Tiempo Tiempo Tiempo Tiempo Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 0| Tiempo 1| 0| 2| Tiempo 1| 0| 2| Tiempo 1| 0| 2| Tiempo 1| 3| 0| 2| Tiempo 1| 3| 0| 2| Tiempo 1| 3| 0| 2| Tiempo 1| 3| 0| 2| 4| Tiempo 1| 3| 0| 2| 4| Tiempo 1| 3| 0| 2| 4| Tiempo 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------seg. -----------------------------------------------------------0| 848.00| 154| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------175| 878.80| 154| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------356| 909.60| 154| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------544| 940.40| 154| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------738| 971.20| 154| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------938| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------1138| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------1338| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------1538| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------1738| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------1938| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------2138| 1002.00| 0| 0| 0| 1| 6| NULL seg. -----------------------------------------------------------0| 800.00| 156| 0| 0| 1| 2| NULL 2338| 1002.00| 0| 0| 0| 1| 6| NULL 0| 607.00| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------166| 831.20| 156| 0| 0| 1| 2| NULL 2538| 1002.00| 0| 0| 0| 1| 6| NULL 131| 659.80| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------338| 862.40| 156| 0| 0| 1| 2| NULL 2738| 1002.00| 0| 0| 0| 1| 6| NULL 273| 712.60| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------516| 893.60| 156| 0| 0| 1| 2| NULL 0| 883.00| 280| 0| 0| 1| 5| NULL 2938| 1002.00| 0| 0| 0| 1| 6| NULL 426| 765.40| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------700| 924.80| 156| 0| 0| 1| 2| NULL 187| 939.00| 280| 0| 0| 1| 5| NULL 3138| 1002.00| 0| 0| 0| 1| 6| NULL 589| 818.20| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------891| 956.00| 156| 0| 0| 1| 2| NULL 386| 995.00| 280| 0| 0| 1| 5| NULL 3338| 1002.00| 0| 0| 0| 1| 6| NULL 763| 871.00| 264| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------1088| 987.20| 156| 0| 0| 1| 2| NULL 596| 1051.00| 280| 0| 0| 1| 5| NULL 3538| 1002.00| 0| 0| 0| 1| 6| NULL 947| 923.80| 264| 0| 0| 0| 6| NULL 0| 870.00| 226| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------1291| 1018.40| 0| 0| 0| 1| 2| NULL 817| 1107.00| 280| 0| 0| 1| 5| NULL 3738| 1002.00| 0| 0| 0| 1| 6| NULL 1142| 976.60| 264| 0| 0| 0| 6| NULL 183| 915.20| 226| 0| 0| 0| 6| NULL seg. -----------------------------------------------------------1494| 1018.40| 0| 0| 0| 1| 2| NULL 1049| 1163.00| 280| 0| 0| 1| 5| NULL 3938| 1002.00| 0| 0| 0| 1| 6| NULL 1347| 1029.40| 0| 0| 0| 0| 6| NULL 375| 960.40| 226| 0| 0| 0| 6| NULL seg. ------------------------------------------------------------
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
|0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
134
Apndices
1| 3| 0| 2| 4| Tiempo 1| 3| 0| 2| 4| Tiempo 1| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 3| 0| 2| 4| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
1697| 1018.40| 0| 0| 0| 1| 2| NULL | 1292| 1219.00| 280| 0| 0| 1| 5| NULL | 4138| 1002.00| 0| 0| 0| 1| 6| NULL | 1552| 1029.40| 0| 0| 0| 0| 6| NULL | 576| 1005.60| 0| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------1900| 1018.40| 0| 0| 0| 1| 2| NULL | 1547| 1275.00| 280| 0| 0| 1| 5| NULL | 4338| 1002.00| 272| 0| 0| 1| 6| NULL | 1757| 1029.40| 0| 0| 0| 0| 6| NULL | 777| 1005.60| 263| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------2103| 1018.40| 0| 0| 0| 1| 2| NULL | 1813| 1331.00| 280| 0| 0| 1| 5| NULL | 4549| 1056.40| 272| 0| 0| 1| 6| NULL | 1962| 1029.40| 0| 0| 0| 0| 6| NULL | 988| 1058.20| 263| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------2306| 1018.40| 0| 0| 0| 1| 2| NULL | 0| 601.00| 196| 0| 0| 0| 2| NULL | 2090| 1387.00| 280| 0| 0| 1| 5| NULL | 4771| 1110.80| 272| 0| 0| 1| 6| NULL | 2167| 1029.40| 0| 0| 0| 0| 6| NULL | 1210| 1110.80| 0| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------2509| 1018.40| 0| 0| 0| 1| 2| NULL | 128| 640.20| 196| 0| 0| 0| 2| NULL | 2378| 1443.00| 0| 0| 0| 1| 5| NULL | 5004| 1165.20| 272| 0| 0| 1| 6| NULL | 2372| 1029.40| 0| 0| 0| 0| 6| NULL | 1432| 1110.80| 0| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------2712| 1018.40| 0| 0| 0| 1| 2| NULL | 263| 679.40| 196| 0| 0| 0| 2| NULL | 2666| 1443.00| 0| 0| 0| 1| 5| NULL | 5247| 1219.60| 0| 0| 0| 1| 6| NULL | 2577| 1029.40| 215| 0| 0| 0| 6| NULL | 1654| 1110.80| 0| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------2915| 1018.40| 0| 0| 0| 1| 2| NULL | 406| 718.60| 196| 0| 0| 0| 2| NULL | 2954| 1443.00| 0| 0| 0| 1| 5| NULL | 5490| 1219.60| 0| 0| 0| 1| 6| NULL | 2791| 1072.40| 215| 0| 0| 0| 6| NULL | 1876| 1110.80| 0| 0| 0| 0| 6| NULL | seg. -----------------------------------------------------------3118| 1018.40| 0| 0| 0| 1| 2| NULL | 557| 757.80| 196| 0| 0| 0| 2| NULL | 3242| 1443.00| 0| 0| 0| 1| 5| NULL | 5689| 1219.60| 0| -35| 0| 1| 6| NULL | 3014| 1115.40| 215| 0| 0| 0| 6| NULL | 2057| 1110.80| 0| -35| 0| 0| 6| NULL | seg. -----------------------------------------------------------3321| 1018.40| 0| 0| 0| 1| 2| NULL | 716| 797.00| 196| 0| 0| 0| 2| NULL | 3530| 1443.00| 0| 0| 0| 1| 5| NULL | 5888| 1219.60| 0| -35| -139| 1| 6| 5| 3245| 1158.40| 215| 0| 0| 0| 6| NULL | 2238| 1110.80| 0| -35| -127| 0| 6| 5| seg. -----------------------------------------------------------3524| 1018.40| 0| 0| 0| 1| 2| NULL | 883| 836.20| 196| 0| 0| 0| 2| NULL | 6087| 1219.60| 0| -5| 22| 1| 5| NULL | 3818| 1443.00| 0| 0| 0| 0| 5| NULL | 2419| 1110.80| 0| -12| 46| 0| 5| NULL | 3485| 1201.40| 0| 0| 0| 1| 6| NULL | seg. -----------------------------------------------------------3727| 1018.40| 0| 0| 0| 1| 2| NULL | 1058| 875.40| 196| 0| 0| 0| 2| NULL | 6329| 1219.60| 0| 0| 0| 1| 5| NULL | 4106| 1443.00| 0| 0| 0| 0| 5| NULL | 2636| 1110.80| 0| 0| 0| 0| 5| NULL | 3725| 1201.40| 0| 0| 0| 1| 6| NULL | seg. -----------------------------------------------------------3930| 1018.40| 0| 0| 0| 1| 2| NULL | 1240| 914.60| 196| 0| 0| 0| 2| NULL | 6572| 1219.60| 0| 0| 0| 1| 5| NULL | 4394| 1443.00| 0| 0| 0| 0| 5| NULL | 2858| 1110.80| 158| 0| 0| 0| 5| NULL | 3965| 1201.40| 0| 0| 0| 1| 6| NULL | seg. -----------------------------------------------------------4133| 1018.40| 0| 0| 0| 1| 2| NULL | 1430| 953.80| 196| 0| 0| 0| 2| NULL | 6815| 1219.60| 0| 0| 0| 1| 5| NULL | 4682| 1443.00| 0| 0| 0| 0| 5| NULL | 3086| 1142.40| 158| 0| 0| 0| 5| NULL | 4205| 1201.40| 0| 0| 0| 1| 6| NULL | seg. -----------------------------------------------------------4336| 1018.40| 0| 0| 0| 1| 2| NULL | 1628| 993.00| 196| 0| 0| 0| 2| NULL | 7058| 1219.60| 0| 0| 0| 1| 5| NULL | 4970| 1443.00| 0| 0| 0| 0| 5| NULL | 3320| 1174.00| 158| 0| 0| 0| 5| NULL | 4445| 1201.40| 0| 0| 0| 1| 6| NULL | seg. ------------------------------------------------------------
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | ENT: | | | | | | ENT: | | | | | | ENT: | | | | | ENT: | | | | | | ENT: | | | | | | ENT: | ENT: | | | | | ENT: | ENT: | | | | | ENT: | ENT: | |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 5, SAL: 5, SAL: NULL NULL
|0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 |0 3|1 |0 |1 |0 |0 |0 3|1 |0 |1 |0 |0 |0 3|1 |0 |1 |0 |0 3|1 |0 |1 |0 |0 |0 3|0 |0 |0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 3|0 7|0 |0 |0
135
Apndices
1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 1| 5| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 1| 0| 3| 4| 2| Tiempo 5| 6| 1| 0| 3| 4| 2| Tiempo 5| 6| 1| 0| 3| 4| 2| Tiempo 5| 6| 1| 3| 4| 2| 0| Tiempo 5|
4539| 1018.40| 0| 0| 0| 1| 2| NULL | 1834| 1032.20| 0| 0| 0| 0| 2| NULL | 7301| 1219.60| 0| 0| 0| 1| 5| NULL | 5258| 1443.00| 0| 0| 0| 0| 5| NULL | 3561| 1205.60| 158| 0| 0| 0| 5| NULL | 4685| 1201.40| 0| 0| 0| 1| 6| NULL | 8.6 seg. -----------------------------------------------------------4742| 1018.40| 0| 0| 0| 1| 2| NULL | 2040| 1032.20| 0| 0| 0| 0| 2| NULL | 7544| 1219.60| 0| 0| 0| 1| 5| NULL | 5546| 1443.00| 0| 0| 0| 0| 5| NULL | 3808| 1237.20| 158| 0| 0| 0| 5| NULL | 4925| 1201.40| 0| 0| 0| 1| 6| NULL | 8.8 seg. -----------------------------------------------------------4945| 1018.40| 0| 0| 0| 1| 2| NULL | 2209| 1032.20| 0| -35| 0| 0| 2| NULL | 7787| 1219.60| 0| 0| 0| 1| 5| NULL | 5834| 1443.00| 0| 0| 0| 0| 5| NULL | 4061| 1268.80| 158| 0| 0| 0| 5| NULL | 5165| 1201.40| 0| 0| 0| 1| 6| NULL | 9.0 seg. -----------------------------------------------------------5148| 1018.40| 0| 0| 0| 1| 2| NULL | 2378| 1032.20| 0| -35| -118| 0| 2| 1| 8030| 1219.60| 0| 0| 0| 1| 5| NULL | 6122| 1443.00| 0| 0| 0| 0| 5| NULL | 4321| 1300.40| 158| 0| 0| 0| 5| NULL | 5405| 1201.40| 0| 0| 0| 1| 6| NULL | 9.2 seg. -----------------------------------------------------------2547| 1032.20| 0| -18| 64| 1| 1| NULL | 5351| 1018.40| 0| 0| 0| 1| 2| NULL | 8273| 1219.60| 0| 0| 0| 1| 5| NULL | 6410| 1443.00| 0| 0| 0| 0| 5| NULL | 4587| 1332.00| 158| 0| 0| 0| 5| NULL | 5601| 1201.40| 0| -35| 0| 1| 6| NULL | 9.4 seg. -----------------------------------------------------------2743| 1032.20| 0| 0| 0| 1| 1| NULL | 5554| 1018.40| 0| 0| 0| 1| 2| NULL | 8516| 1219.60| 0| 0| 0| 1| 5| NULL | 6698| 1443.00| 0| 0| 0| 0| 5| NULL | 4859| 1363.60| 0| 0| 0| 0| 5| NULL | 5797| 1201.40| 0| -35| -137| 1| 6| 5| 9.6 seg. -----------------------------------------------------------2949| 1032.20| 0| 0| 0| 1| 1| NULL | 5757| 1018.40| 0| 0| 0| 1| 2| NULL | 8759| 1219.60| 0| 0| 0| 1| 5| NULL | 6986| 1443.00| 0| 0| 0| 0| 5| NULL | 5131| 1363.60| 0| 0| 0| 0| 5| NULL | 5993| 1201.40| 0| 0| 0| 1| 6| NULL | 9.8 seg. -----------------------------------------------------------3155| 1032.20| 0| 0| 0| 1| 1| NULL | 5960| 1018.40| -77| 0| 0| 1| 2| NULL | 9002| 1219.60| 0| 0| 0| 1| 5| NULL | 7274| 1443.00| 0| 0| 0| 0| 5| NULL | 5403| 1363.60| 0| 0| 0| 0| 5| NULL | 6233| 1201.40| -139| 0| 0| 1| 6| NULL | 10.0 seg. -----------------------------------------------------------3361| 1032.20| 0| 0| 0| 1| 1| NULL | 6160| 1003.00| -78| 0| 0| 1| 2| NULL | 9245| 1219.60| 0| 0| 0| 1| 5| NULL | 7562| 1443.00| 0| 0| 0| 0| 5| NULL | 5675| 1363.60| 0| 0| 0| 0| 5| NULL | 6467| 1173.60| -139| 0| 0| 1| 6| NULL | 10.2 seg. -----------------------------------------------------------3567| 1032.20| 0| 0| 0| 1| 1| NULL | 6357| 987.40| -77| 0| 0| 1| 2| NULL | 9488| 1219.60| 0| 0| 0| 1| 5| NULL | 7850| 1443.00| 0| 0| 0| 0| 5| NULL | 5947| 1363.60| 0| 0| 0| 0| 5| NULL | 6696| 1145.80| -139| 0| 0| 1| 6| NULL | 10.4 seg. -----------------------------------------------------------3773| 1032.20| 0| 0| 0| 1| 1| NULL | 0| 879.00| 175| 0| 0| 0| 1| NULL | 6551| 972.00| -77| 0| 0| 1| 2| NULL | 9731| 1219.60| 0| 0| 0| 1| 5| NULL | 8138| 1443.00| 0| 0| 0| 0| 5| NULL | 6219| 1363.60| 0| 0| 0| 0| 5| NULL | 6919| 1118.00| -139| 0| 0| 1| 6| NULL | 10.6 seg. -----------------------------------------------------------3979| 1032.20| 0| 0| 0| 1| 1| NULL | 182| 914.00| 175| 0| 0| 0| 1| NULL | 6742| 956.60| -77| 0| 0| 1| 2| NULL | 9974| 1219.60| 0| 0| 0| 1| 5| NULL | 8426| 1443.00| 0| 0| 0| 0| 5| NULL | 6491| 1363.60| 0| 0| 0| 0| 5| NULL | 7137| 1090.20| -139| 0| 0| 1| 6| NULL | 10.8 seg. -----------------------------------------------------------4185| 1032.20| 0| 0| 0| 1| 1| NULL | 371| 949.00| 175| 0| 0| 0| 1| NULL | 6930| 941.20| -78| 0| 0| 1| 2| NULL | 8714| 1443.00| 0| 0| 0| 1| 5| NULL | 6763| 1363.60| 0| 0| 0| 0| 5| NULL | 7349| 1062.40| -139| 0| 0| 1| 6| NULL | 217| 1219.60| 0| 0| 0| 1| NULL | NULL | 11.0 seg. -----------------------------------------------------------4391| 1032.20| 0| 0| 0| 1| 1| NULL |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | | ENT: | ENT: | | | | | ENT: | ENT: | | | | | ENT: | ENT: | | | | | ENT: | ENT: | | ENT: | | | ENT: | ENT: | | ENT: | | | ENT: | ENT: | | ENT: | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | 2| |
NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 5, SAL: 5, SAL: NULL 5, SAL: NULL NULL 5, SAL: 5, SAL: NULL 5, SAL: NULL NULL 5, SAL: 5, SAL: NULL 5, SAL: NULL NULL 5, 5, 5, 5, NULL 2, 5, 5, 5, 5, NULL 2, 5, 5, 5, 6, NULL 2, 5, 5, 5, 6, NULL NULL 2, 5, 5, 5, 6, NULL NULL 2, 5, 5, 5, 6, NULL NULL 2, 5, 5, 6, 5, NULL
|0 |0 3|0 7|0 |0 |0 |0 |1 3|0 7|0 |0 |0 |0 |1 3|0 7|0 |0 |0 |0 |1 3|0 7|0 |0 3|1 |1 |0 3|0 7|0 |0 3|1 |0 |0 3|0 7|0 |0 3|1 |0 |0 3|0 7|0 3|0 3|0 |0 8|0 3|0 7|0 3|0 3|0 |0 8|0 3|0 7|0 3|0 8|0 |0 8|0 3|0 7|0 3|0 8|0 |0 |0 8|0 3|0 7|0 3|0 8|0 |0 |0 8|0 3|0 7|0 3|0 8|0 |0 |0 8|0 7|0 3|0 8|0 3|0 |0
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL: SAL:
NULL
136
Apndices
6| 567| 984.00| 175| 0| 0| 0| 1| NULL 1| 7115| 925.60| -77| 0| 0| 1| 2| NULL 3| 9002| 1443.00| 0| 0| 0| 1| 5| NULL 4| 7035| 1363.60| 0| 0| 0| 0| 5| NULL 2| 7555| 1034.60| -139| 0| 0| 1| 6| NULL 0| 460| 1219.60| 0| 0| 0| 1| NULL | NULL Tiempo 11.2 seg. -----------------------------------------------------------5| 4597| 1032.20| 0| 0| 0| 1| 1| NULL 6| 770| 1019.00| 0| 0| 0| 0| 1| NULL 1| 7297| 910.20| -77| 0| 0| 1| 2| NULL 3| 9290| 1443.00| 0| 0| 0| 1| 5| NULL 4| 7307| 1363.60| 0| 0| 0| 0| 5| NULL 2| 7756| 1006.80| -139| 0| 0| 1| 6| NULL 0| 703| 1219.60| 0| 0| 0| 1| NULL | NULL Tiempo 5| 6| 1| 3| 4| 2| 0| Tiempo 5| 6| 1| 0| 3| 4| 7| 2| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| Tiempo 5| 6| 1| 0| 4| 7| 2| 3| 11.4 seg. -----------------------------------------------------------4803| 1032.20| 0| 0| 0| 1| 1| NULL 973| 1019.00| 0| 0| 0| 0| 1| NULL 7475| 894.80| -77| 0| 0| 1| 2| NULL 9578| 1443.00| 0| 0| 0| 1| 5| NULL 7579| 1363.60| 0| 0| 0| 0| 5| NULL 7951| 979.00| -139| 0| 0| 1| 6| NULL 946| 1219.60| 0| 0| 0| 1| NULL | NULL 11.6 seg. -----------------------------------------------------------5009| 1032.20| 0| 0| 0| 1| 1| NULL 1176| 1019.00| 0| 0| 0| 0| 1| NULL 7650| 879.40| -77| 0| 0| 1| 2| NULL 189| 1219.60| 0| 0| 0| 1| 3| NULL 9866| 1443.00| 0| 0| 0| 1| 5| NULL 7851| 1363.60| 0| 0| 0| 0| 5| NULL 0| 1223.00| 231| 0| 0| 0| 5| NULL 8141| 951.20| -139| 0| 0| 1| 6| NULL 11.8 seg. -----------------------------------------------------------5215| 1032.20| 0| 0| 0| 1| 1| NULL 1379| 1019.00| 0| 0| 0| 0| 1| NULL 7822| 864.00| -77| 0| 0| 1| 2| NULL 432| 1219.60| 0| 0| 0| 1| 3| NULL 8123| 1363.60| 0| 0| 0| 1| 5| NULL 253| 1269.20| 231| 0| 0| 0| 5| NULL 8325| 923.40| -139| 0| 0| 1| 6| NULL 154| 1443.00| 0| 0| 0| 1| NULL | NULL 12.0 seg. -----------------------------------------------------------5421| 1032.20| 0| 0| 0| 1| 1| NULL 1582| 1019.00| 0| 0| 0| 0| 1| NULL 7991| 848.60| -77| 0| 0| 1| 2| NULL 675| 1219.60| 0| 0| 0| 1| 3| NULL 8395| 1363.60| 0| 0| 0| 1| 5| NULL 516| 1315.40| 231| 0| 0| 0| 5| NULL 8504| 895.60| -139| 0| 0| 1| 6| NULL 442| 1443.00| 0| 0| 0| 1| NULL | NULL 12.2 seg. -----------------------------------------------------------5627| 1032.20| 0| 0| 0| 1| 1| NULL 1785| 1019.00| 0| 0| 0| 0| 1| NULL 8157| 833.20| -77| 0| 0| 1| 2| NULL 918| 1219.60| 0| 0| 0| 1| 3| NULL 8667| 1363.60| 0| 0| 0| 1| 5| NULL 788| 1361.60| 231| 0| 0| 0| 5| NULL 8677| 867.80| -139| 0| 0| 1| 6| NULL 730| 1443.00| 0| 0| 0| 1| NULL | NULL 12.4 seg. -----------------------------------------------------------5833| 1032.20| 0| 0| 0| 1| 1| NULL 1988| 1019.00| 0| 0| 0| 0| 1| NULL 8320| 817.80| -77| 0| 0| 1| 2| NULL 1161| 1219.60| 0| 0| 0| 1| 3| NULL 8939| 1363.60| 0| 0| 0| 1| 5| NULL 1069| 1407.80| 0| 0| 0| 0| 5| NULL 8844| 840.00| -139| 0| 0| 1| 6| NULL 18| 1443.00| 0| 0| 0| 1| 7| NULL 12.6 seg. -----------------------------------------------------------6039| 1032.20| -83| 0| 0| 1| 1| NULL 2191| 1019.00| 0| 0| 0| 0| 1| NULL 8480| 802.40| -77| 0| 0| 1| 2| NULL 1404| 1219.60| 0| 0| 0| 1| 3| NULL 9211| 1363.60| 0| 0| 0| 1| 5| NULL 1350| 1407.80| 0| 0| 0| 0| 5| NULL 9006| 812.20| -139| 0| 0| 1| 6| NULL 306| 1443.00| 0| 0| 0| 1| 7| NULL 12.8 seg. -----------------------------------------------------------6242| 1015.60| -83| 0| 0| 1| 1| NULL 2394| 1019.00| 0| 0| 0| 0| 1| NULL 8637| 787.00| -77| 0| 0| 1| 2| NULL 1647| 1219.60| 0| 0| 0| 1| 3| NULL 9483| 1363.60| 0| 0| 0| 1| 5| NULL 1631| 1407.80| 0| 0| 0| 0| 5| NULL 9162| 784.40| -139| 0| 0| 1| 6| NULL 594| 1443.00| 0| 0| 0| 1| 7| NULL 13.0 seg. -----------------------------------------------------------6441| 999.00| -83| 0| 0| 1| 1| NULL 2597| 1019.00| 0| 0| 0| 0| 1| NULL 8791| 771.60| -77| 0| 0| 1| 2| NULL 1890| 1219.60| 0| 0| 0| 1| 3| NULL 9755| 1363.60| 0| 0| 0| 1| 5| NULL 1912| 1407.80| 0| 0| 0| 0| 5| NULL 9313| 756.60| -139| 0| 0| 1| 6| NULL 882| 1443.00| 0| 0| 0| 1| 7| NULL
| | | | | | | | | | | | |
NULL NULL NULL NULL NULL
| | | | | 2| | | | | | | 2|
NULL 2, 5, 5, 6, 5, NULL NULL 2, 5, 5, 6, 5,
|0 8|0 7|0 3|0 8|0 3|0 |0 |0 8|0 7|0 3|0 8|0 3|0
NULL NULL NULL NULL NULL NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL NULL NULL NULL NULL
| | | | | | 2| | | | | | | | | | | | | | | | 2| | | | | | | | 2| | | | | | | | 2|
NULL NULL 2, 5, 5, 6, 5, NULL NULL 2, NULL 5, 5, NULL 6, NULL NULL 2, NULL 5, NULL 6, 5, NULL NULL 2, NULL 5, NULL 6, 5, NULL NULL 2, NULL 5, NULL 6, 5,
|0 |0 8|0 7|0 3|0 8|0 3|0 |0 |0 8|0 |0 7|0 3|0 |0 8|0 |0 |0 8|0 |0 3|0 |0 8|0 7|0 |0 |0 8|0 |0 3|0 |0 8|0 7|0 |0 |0 8|0 |0 3|0 |0 8|0 7|0 |0 |0 8|0 |0 3|0 |0 8|0 |0 8|0 |0 8|0 |0 3|0 |0 8|0 |0 3|0 |0 8|0 |0 3|0 |0 8|0 |0 3|0 |0 8|0 |0 3|0 |0 8|0 |0
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
NULL NULL NULL NULL NULL NULL NULL
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | | ENT: | | ENT: | | ENT: | | | | | | | | | | | | | | | | | | | | | | | | | ENT: ENT: ENT: ENT:
NULL NULL 2, SAL: NULL 5, SAL: NULL 6, SAL: NULL 2, NULL 2, NULL 5, NULL 6, NULL 1, NULL 2, NULL 5, NULL 6, NULL 1, NULL 2, NULL 5, NULL 6, NULL SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
137
Apndices
Tiempo 5| 6| 1| 0| 7| 2| 3| 4| Tiempo 5| 6| 1| 0| 7| 2| 3| 4| Tiempo 5| 6| 1| 0| 7| 2| 3| 4| Tiempo 5| 6| 1| 0| 7| 2| 3| 4| Tiempo 5| 6| 1| 0| 4| 7| 3| 2| Tiempo 5| 6| 1| 0| 4| 7| 3| 2| Tiempo 5| 6| 1| 0| 4| 7| 3| 2| Tiempo 5| 6| 1| 0| 4| 7| 3| 2| Tiempo 5| 6| 1| 4| 0| 7| 3| 2| Tiempo 5| 6| 1| 4| 0| 7| 3| 2| Tiempo 5| 6| 1| 4|
13.2 seg. -----------------------------------------------------------6637| 982.40| -83| 0| 0| 1| 1| NULL | 2800| 1019.00| 0| 0| 0| 0| 1| NULL | 8942| 756.20| -77| 0| 0| 1| 2| NULL | 2133| 1219.60| 0| 0| 0| 1| 3| NULL | 2193| 1407.80| 0| 0| 0| 1| 5| NULL | 9458| 728.80| -139| 0| 0| 1| 6| NULL | 1170| 1443.00| 0| 0| 0| 1| 7| NULL | 27| 1363.60| 163| 0| 0| 1| NULL | NULL | 13.4 seg. -----------------------------------------------------------6830| 965.80| -83| 0| 0| 1| 1| NULL | 3003| 1019.00| 0| 0| 0| 0| 1| NULL | 9090| 740.80| -77| 0| 0| 1| 2| NULL | 2376| 1219.60| 0| 0| 0| 1| 3| NULL | 2474| 1407.80| 0| 0| 0| 1| 5| NULL | 9598| 701.00| -139| 0| 0| 1| 6| NULL | 1458| 1443.00| 0| 0| 0| 1| 7| NULL | 306| 1396.20| 0| 0| 0| 1| NULL | NULL | 13.6 seg. -----------------------------------------------------------7019| 949.20| -83| 0| 0| 1| 1| NULL | 3206| 1019.00| 0| 0| 0| 0| 1| NULL | 9235| 725.40| -77| 0| 0| 1| 2| NULL | 2619| 1219.60| 0| 0| 0| 1| 3| NULL | 2755| 1407.80| 0| 0| 0| 1| 5| NULL | 9732| 673.20| 136| 0| 0| 1| 6| NULL | 1746| 1443.00| 0| 0| 0| 1| 7| NULL | 585| 1396.20| 0| 0| 0| 1| NULL | NULL | 13.8 seg. -----------------------------------------------------------7205| 932.60| -82| 0| 0| 1| 1| NULL | 3409| 1019.00| 0| 0| 0| 0| 1| NULL | 9376| 710.00| -77| 0| 0| 1| 2| NULL | 2862| 1219.60| 0| 0| 0| 1| 3| NULL | 3036| 1407.80| 0| 0| 0| 1| 5| NULL | 9872| 700.40| 136| 0| 0| 1| 6| NULL | 2034| 1443.00| 0| 0| 0| 1| 7| NULL | 864| 1396.20| 0| 0| 0| 1| NULL | NULL | 14.0 seg. -----------------------------------------------------------7388| 916.20| -82| 0| 0| 1| 1| NULL | 3612| 1019.00| 0| 0| 0| 0| 1| NULL | 9514| 694.60| -553| 0| 0| 1| 2| NULL | 3105| 1219.60| 0| 0| 0| 1| 3| NULL | 143| 1396.20| 0| 0| 0| 0| 3| NULL | 3317| 1407.80| 0| 0| 0| 1| 5| NULL | 2322| 1443.00| 0| 0| 0| 1| 7| NULL | 17| 727.60| 182| 0| 0| 1| NULL | NULL | 14.2 seg. -----------------------------------------------------------7567| 899.80| -82| 0| 0| 1| 1| NULL | 3815| 1019.00| 0| 0| 0| 0| 1| NULL | 9630| 584.00| -553| 0| 0| 1| 2| NULL | 3348| 1219.60| 0| 0| 0| 1| 3| NULL | 422| 1396.20| 0| 0| 0| 0| 3| NULL | 3598| 1407.80| 0| 0| 0| 1| 5| NULL | 2610| 1443.00| 0| 0| 0| 1| 7| NULL | 169| 764.00| 182| 0| 0| 1| NULL | NULL | 14.4 seg. -----------------------------------------------------------7743| 883.40| -82| 0| 0| 1| 1| NULL | 4018| 1019.00| 0| 0| 0| 0| 1| NULL | 9724| 473.40| -553| 0| 0| 1| 2| NULL | 3547| 1219.60| 0| 35| 0| 1| 3| NULL | 701| 1396.20| 0| 0| 0| 0| 3| NULL | 3879| 1407.80| 0| 0| 0| 1| 5| NULL | 2898| 1443.00| 0| 0| 0| 1| 7| NULL | 329| 800.40| 242| 0| 0| 1| NULL | NULL | 14.6 seg. -----------------------------------------------------------7916| 867.00| -82| 0| 0| 1| 1| NULL | 4221| 1019.00| 0| 0| 0| 0| 1| NULL | 9796| 362.80| -553| 0| 0| 1| 2| NULL | 3746| 1219.60| 0| 35| 139| 1| 3| 4| 980| 1396.20| 0| 0| 0| 0| 3| NULL | 4160| 1407.80| 0| 0| 0| 1| 5| NULL | 3186| 1443.00| 0| 0| 0| 1| 7| NULL | 498| 848.80| 242| 0| 0| 1| NULL | NULL | 14.8 seg. -----------------------------------------------------------8086| 850.60| -82| 0| 0| 1| 1| NULL | 4424| 1019.00| 0| 0| 0| 0| 1| NULL | 9846| 252.20| 220| 0| 0| 1| 2| NULL | 1259| 1396.20| 0| 0| 0| 1| 3| NULL | 3945| 1219.60| 0| 5| -22| 1| 4| NULL | 4441| 1407.80| 0| 0| 0| 1| 5| NULL | 3474| 1443.00| 0| 0| 0| 1| 7| NULL | 677| 897.20| 242| 0| 0| 1| NULL | NULL | 15.0 seg. -----------------------------------------------------------8252| 834.20| -82| 0| 0| 1| 1| NULL | 4627| 1019.00| 0| 0| 0| 0| 1| NULL | 9905| 296.20| 220| 0| 0| 1| 2| NULL | 1538| 1396.20| 0| 0| 0| 1| 3| NULL | 4187| 1219.60| 0| 0| 0| 1| 4| NULL | 4722| 1407.80| 0| 0| 0| 1| 5| NULL | 3762| 1443.00| 0| 0| 0| 1| 7| NULL | 866| 945.60| 242| 0| 0| 1| NULL | NULL | 15.2 seg. -----------------------------------------------------------8415| 817.80| -82| 0| 0| 1| 1| NULL | 4830| 1019.00| 0| 0| 0| 0| 1| NULL | 9973| 340.20| 220| 0| 0| 1| 2| NULL | 1817| 1396.20| 0| 0| 0| 1| 3| NULL |
| | | | | | | 2| | | | | | | | 2| | | | | | | | 2| | | | | | | | 2|
ENT: ENT:
ENT: ENT: ENT: ENT:
1, NULL 2, NULL NULL 6, NULL 5, 1, NULL 2, NULL NULL 6, NULL 5, 1, NULL 2, NULL NULL 6, NULL 5, 1, NULL 2, NULL NULL 6, NULL 5,
SAL: SAL:
SAL: SAL: SAL: SAL:
3|0 |0 8|0 |0 |0 8|0 |0 3|0 3|0 |0 8|0 |0 |0 8|0 |0 3|0 3|0 |0 8|0 |0 |0 8|0 |0 3|0 3|0 |0 8|0 |0 |0 8|0 |0 3|0 3|0 |0 8|0 |0 |0 |0 |0 8|0 3|0 |0 8|0 |1 |0 |0 |0 8|0 3|0 |0 8|0 |1 |0 |0 |0 8|0 3|0 |0 8|0 |1 |0 |0 |0 8|0 3|0 |0 8|0 |0 |1 7|0 |0 8|0 3|0 |0 8|0 |0 |0 7|0 |0 8|0 3|0 |0 8|0 |0
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT:
SAL: SAL:
| ENT: | | ENT: | | | | 2| ENT: | ENT: | | ENT: | | | | 2| ENT: | ENT: | | ENT: | | | | 2| ENT: | ENT: | | ENT: | | | | 2| ENT: | | | | | | | 2| | | | | | | | 2| ENT: ENT:
1, SAL: NULL 2, SAL: NULL NULL NULL NULL 6, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL 6, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL 6, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL 6, SAL: 1, NULL 2, NULL NULL 5, NULL 6, 1, NULL 2, NULL NULL 5, NULL 6, SAL: SAL:
ENT: ENT: ENT: ENT:
SAL: SAL: SAL: SAL:
ENT: ENT:
SAL: SAL:
NULL NULL NULL NULL
| ENT: | | ENT: |
1, SAL: NULL 2, SAL: NULL
138
Apndices
0| 7| 3| 2| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 3| 2| 1| Tiempo
15.4
15.6
15.8
16.0
16.2
16.4
16.6
16.8
17.0
17.2
17.4
4430| 1219.60| 0| 0| 0| 1| 4| NULL | 5003| 1407.80| 0| 0| 0| 1| 5| NULL | 4050| 1443.00| 0| 0| 0| 1| 7| NULL | 64| 994.00| 242| 0| 0| 1| 8| NULL | seg. -----------------------------------------------------------8575| 801.40| -82| 0| 0| 1| 1| NULL | 5033| 1019.00| 0| 0| 0| 0| 1| NULL | 2096| 1396.20| 0| 0| 0| 1| 3| NULL | 4673| 1219.60| 0| 0| 0| 1| 4| NULL | 5284| 1407.80| 0| 0| 0| 1| 5| NULL | 4338| 1443.00| 0| 0| 0| 1| 7| NULL | 272| 1042.40| 0| 0| 0| 1| 8| NULL | 49| 384.20| 220| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------8732| 785.00| -82| 0| 0| 1| 1| NULL | 5236| 1019.00| 0| 0| 0| 0| 1| NULL | 2375| 1396.20| 0| 0| 0| 1| 3| NULL | 4916| 1219.60| 0| 0| 0| 1| 4| NULL | 5565| 1407.80| 0| 0| 0| 1| 5| NULL | 4626| 1443.00| 0| 0| 0| 1| 7| NULL | 480| 1042.40| 0| 0| 0| 1| 8| NULL | 134| 428.20| 220| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------8885| 768.60| -82| 0| 0| 1| 1| NULL | 5439| 1019.00| 0| 0| 0| 0| 1| NULL | 2654| 1396.20| 0| 0| 0| 1| 3| NULL | 5159| 1219.60| 0| 0| 0| 1| 4| NULL | 5846| 1407.80| 0| 0| 0| 1| 5| NULL | 4914| 1443.00| 0| 0| 0| 1| 7| NULL | 688| 1042.40| 0| 0| 0| 1| 8| NULL | 228| 472.20| 220| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9035| 752.20| -82| 0| 0| 1| 1| NULL | 5642| 1019.00| 0| 0| 0| 0| 1| NULL | 2933| 1396.20| 0| 0| 0| 1| 3| NULL | 5402| 1219.60| 0| 0| 0| 1| 4| NULL | 6127| 1407.80| 0| 0| 0| 1| 5| NULL | 5202| 1443.00| 0| 0| 0| 1| 7| NULL | 896| 1042.40| 0| 0| 0| 1| 8| NULL | 331| 516.20| 220| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9182| 735.80| -82| 0| 0| 1| 1| NULL | 5808| 1019.00| 0| 35| 0| 0| 1| NULL | 3212| 1396.20| 0| 0| 0| 1| 3| NULL | 5645| 1219.60| 0| 0| 0| 1| 4| NULL | 6408| 1407.80| 0| 0| 0| 1| 5| NULL | 5490| 1443.00| 0| 0| 0| 1| 7| NULL | 1104| 1042.40| 0| 0| 0| 1| 8| NULL | 443| 560.20| 225| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9325| 719.40| -82| 0| 0| 1| 1| NULL | 5974| 1019.00| 0| 35| 116| 0| 1| 2| 3491| 1396.20| 0| 0| 0| 1| 3| NULL | 5888| 1219.60| 0| 0| 0| 1| 4| NULL | 6689| 1407.80| 0| 0| 0| 1| 5| NULL | 5778| 1443.00| 0| 0| 0| 1| 7| NULL | 1312| 1042.40| 0| 0| 0| 1| 8| NULL | 564| 605.20| 241| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9465| 703.00| -82| 0| 0| 1| 1| NULL | 6140| 1019.00| 0| 19| -68| 1| 2| NULL | 3770| 1396.20| 0| 0| 0| 1| 3| NULL | 6131| 1219.60| 0| 0| 0| 1| 4| NULL | 6970| 1407.80| 0| 0| 0| 1| 5| NULL | 6066| 1443.00| 0| 0| 0| 1| 7| NULL | 1520| 1042.40| 0| 0| 0| 1| 8| NULL | 694| 653.40| 267| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9602| 686.60| -82| 0| 0| 1| 1| NULL | 6332| 1019.00| 0| 0| 0| 1| 2| NULL | 4049| 1396.20| 0| 0| 0| 1| 3| NULL | 6374| 1219.60| 0| 0| 0| 1| 4| NULL | 7251| 1407.80| 0| 0| 0| 1| 5| NULL | 6354| 1443.00| 0| 0| 0| 1| 7| NULL | 1728| 1042.40| 0| 0| 0| 1| 8| NULL | 835| 706.80| 267| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9736| 670.20| -950| 0| 0| 1| 1| NULL | 6535| 1019.00| -91| 0| 0| 1| 2| NULL | 4328| 1396.20| 0| 0| 0| 1| 3| NULL | 6617| 1219.60| 0| 0| 0| 1| 4| NULL | 7532| 1407.80| 0| 0| 0| 1| 5| NULL | 6642| 1443.00| 0| 0| 0| 1| 7| NULL | 1936| 1042.40| 0| 0| 0| 1| 8| NULL | 987| 760.20| 267| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9832| 480.20| -950| 0| 0| 1| 1| NULL | 6735| 1000.80| -91| 0| 0| 1| 2| NULL | 4607| 1396.20| 0| 0| 0| 1| 3| NULL | 6860| 1219.60| 0| 0| 0| 1| 4| NULL | 7813| 1407.80| 0| 0| 0| 1| 5| NULL | 6930| 1443.00| 0| 0| 0| 1| 7| NULL | 2144| 1042.40| 0| 0| 0| 1| 8| NULL | 149| 813.60| 267| 0| 0| 0| 8| NULL | seg. ------------------------------------------------------------
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | ENT: | | | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | ENT: | | | | ENT: | | 2| ENT: | | | | | | | 2| ENT: ENT:
NULL 5, SAL: NULL NULL 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, SAL: NULL NULL NULL 5, SAL: NULL NULL 2, SAL: 1, 2, NULL NULL 5, NULL NULL 2, SAL: SAL:
|0 7|0 |0 |0 3|0 |0 |0 |0 7|0 |0 |0 8|0 3|0 |0 |0 |0 7|0 |0 |0 8|0 3|0 |0 |0 |0 7|0 |0 |0 8|0 3|0 |1 |0 |0 7|0 |0 |0 8|0 3|0 |1 |0 |0 7|0 |0 |0 8|0 3|0 |1 |0 |0 7|0 |0 |0 8|0 3|0 |1 |0 |0 7|0 |0 |0 8|0 3|0 |0 |0 |0 7|0 |0 |0 8|0 3|0 4|0 |0 |0 7|0 |0 |0 8|0 3|0 4|0 |0 |0 7|0 |0 |0 |0
ENT:
SAL:
ENT:
SAL:
NULL NULL NULL NULL NULL NULL NULL NULL
| ENT: | ENT: | | | ENT: | | |
1, SAL: 2, SAL: NULL NULL 5, SAL: NULL NULL NULL
139
Apndices
5| 6| 4| 0| 7| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 9| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 9| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 9| 6| 4| 0| 7| 8| 3| 2| 1| Tiempo 5| 9| 6| 4| 0| 8| 3| 2| 1| 7| Tiempo 5| 9| 6| 4| 0| 8| 3| 2| 1| 7| Tiempo 5|
17.6
17.8
18.0
18.2
18.4
18.6
18.8
19.0
19.2
9890| 290.20| -950| 0| 0| 1| 1| NULL 6931| 982.60| -91| 0| 0| 1| 2| NULL 4886| 1396.20| 0| 0| 0| 1| 3| NULL 7103| 1219.60| 0| 0| 0| 1| 4| NULL 8094| 1407.80| 0| 0| 0| 1| 5| NULL 7218| 1443.00| 0| 0| 0| 1| 7| NULL 2352| 1042.40| 0| 0| 0| 1| 8| NULL 322| 867.00| 267| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 100.20| -950| 0| 0| 1| 1| NULL 7123| 964.40| -91| 0| 0| 1| 2| NULL 5165| 1396.20| 0| 0| 0| 1| 3| NULL 7346| 1219.60| 0| 0| 0| 1| 4| NULL 8375| 1407.80| 0| 0| 0| 1| 5| NULL 0| 1131.00| 187| 0| 0| 1| 6| NULL 7506| 1443.00| 0| 0| 0| 1| 7| NULL 2560| 1042.40| 0| 0| 0| 1| 8| NULL 506| 920.40| 267| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 7312| 946.20| -91| 0| 0| 1| 2| NULL 5444| 1396.20| 0| 0| 0| 1| 3| NULL 7589| 1219.60| 0| 0| 0| 1| 4| NULL 8656| 1407.80| 0| 0| 0| 1| 5| NULL 233| 1168.40| 187| 0| 0| 1| 6| NULL 7794| 1443.00| 0| 0| 0| 1| 7| NULL 2768| 1042.40| 0| 0| 0| 1| 8| NULL 700| 973.80| 0| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 7497| 928.00| -91| 0| 0| 1| 2| NULL 5723| 1396.20| 0| 0| 0| 1| 3| NULL 7832| 1219.60| 0| 0| 0| 1| 4| NULL 8937| 1407.80| 0| 0| 0| 1| 5| NULL 474| 1205.80| 187| 0| 0| 1| 6| NULL 8082| 1443.00| 0| 0| 0| 1| 7| NULL 2976| 1042.40| 0| 0| 0| 1| 8| NULL 894| 973.80| 218| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 0| 762.00| 219| 0| 0| 0| 1| NULL 7678| 909.80| -91| 0| 0| 1| 2| NULL 6002| 1396.20| 0| 0| 0| 1| 3| NULL 8075| 1219.60| 0| 0| 0| 1| 4| NULL 9218| 1407.80| 0| 0| 0| 1| 5| NULL 722| 1243.20| 187| 0| 0| 1| 6| NULL 8370| 1443.00| 0| 0| 0| 1| 7| NULL 3184| 1042.40| 0| 0| 0| 1| 8| NULL 1097| 1017.40| 218| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 161| 805.80| 219| 0| 0| 0| 1| NULL 7856| 891.60| -91| 0| 0| 1| 2| NULL 6281| 1396.20| 0| 0| 0| 1| 3| NULL 8318| 1219.60| 0| 0| 0| 1| 4| NULL 9499| 1407.80| 0| 0| 0| 1| 5| NULL 978| 1280.60| 187| 0| 0| 1| 6| NULL 8658| 1443.00| 0| 0| 0| 1| 7| NULL 3392| 1042.40| 0| 0| 0| 1| 8| NULL 1309| 1061.00| 218| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 330| 849.60| 219| 0| 0| 0| 1| NULL 8030| 873.40| -90| 0| 0| 1| 2| NULL 6560| 1396.20| 0| 0| 0| 1| 3| NULL 8561| 1219.60| 0| 0| 0| 1| 4| NULL 9780| 1407.80| 0| 0| 0| 1| 5| NULL 1241| 1318.00| 187| 0| 0| 1| 6| NULL 8946| 1443.00| 0| 0| 0| 1| 7| NULL 3600| 1042.40| 0| 0| 0| 1| 8| NULL 1529| 1104.60| 218| 0| 0| 0| 8| NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 508| 893.40| 219| 0| 0| 0| 1| NULL 8201| 855.40| -90| 0| 0| 1| 2| NULL 6839| 1396.20| 0| 0| 0| 1| 3| NULL 8804| 1219.60| 0| 0| 0| 1| 4| NULL 1512| 1355.40| 187| 0| 0| 1| 6| NULL 9234| 1443.00| 0| 0| 0| 1| 7| NULL 3808| 1042.40| 0| 0| 0| 1| 8| NULL 1758| 1148.20| 0| 0| 0| 0| 8| NULL 61| 1407.80| 0| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL 695| 937.20| 219| 0| 0| 0| 1| NULL 8368| 837.40| -90| 0| 0| 1| 2| NULL 7118| 1396.20| 0| 0| 0| 1| 3| NULL 9047| 1219.60| 0| 0| 0| 1| 4| NULL 1790| 1392.80| 0| 0| 0| 1| 6| NULL 9522| 1443.00| 0| 0| 0| 1| 7| NULL 4016| 1042.40| 0| 0| 0| 1| 8| NULL 1987| 1148.20| 0| 0| 0| 0| 8| NULL 342| 1407.80| 0| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------9910| 0.00| 0| 0| 0| 1| 1| NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| ENT: | ENT: | | | ENT: | | | | ENT: | ENT: | | | ENT: | | | | | ENT: | ENT: | | | ENT: | | | | | ENT: | ENT: | | | ENT: | | | | | ENT: | | ENT: | | | ENT: | | | | | ENT: | | ENT: | | | ENT: | | | | | ENT: | | ENT: | | | ENT: | | | | | ENT: | | ENT: | | | | | | 2| ENT: | ENT: | | ENT: | | | | | | 2| ENT: | ENT:
1, SAL: 2, SAL: NULL NULL 5, SAL: NULL NULL NULL 1, SAL: 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: NULL 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: NULL 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: NULL 2, SAL: NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: NULL 2, SAL: NULL NULL NULL NULL NULL NULL 5, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL NULL NULL 5, SAL: 1, SAL:
3|0 4|0 |0 |0 7|0 |0 |0 |0 3|0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 |0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 |0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 |0 4|0 |0 |0 7|0 |0 |0 |0 |0 3|0 |0 4|0 |0 |0 |0 |0 |0 |0 7|0 3|0 |0 4|0 |0 |0 |0 |0 |0 |1 7|0 3|0
NULL NULL NULL NULL NULL NULL NULL NULL NULL
NULL
140
Apndices
9| 6| 4| 0| 8| 3| 2| 1| 7| Tiempo 5| 9| 6| 10| 4| 0| 11| 8| 2| 1| 7| Tiempo 5| 9| 6| 10| 4| 0| 11| 8| 1| 7| 2| Tiempo 5| 9| 6| 10| 4| 11| 8| 1| 7| 2| Tiempo 5| 9| 12| 6| 10| 4| 11| 8| 1| 7| 2| Tiempo 9| 12| 6| 10| 4| 11| 8| 1| 7| 2| 5| Tiempo 9| 12| 6| 10| 4| 11| 8| 1| 7| 2| 5| Tiempo 9| 12| 6| 10| 4| 11| 8| 1| 7| 2| 5| Tiempo 9| 12|
19.4
19.6
19.8
20.0
20.2
20.4
20.6
20.8
891| 981.00| 219| 0| 0| 0| 1| NULL | 8531| 819.40| -90| 0| 0| 1| 2| NULL | 7397| 1396.20| 0| 0| 0| 1| 3| NULL | 9290| 1219.60| 0| 0| 0| 1| 4| NULL | 2068| 1392.80| 0| 0| 0| 1| 6| NULL | 9810| 1443.00| 0| 0| 0| 1| 7| NULL | 4224| 1042.40| 0| 0| 0| 1| 8| NULL | 2175| 1148.20| 0| -35| 0| 0| 8| NULL | 623| 1407.80| 0| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9910| 0.00| 264| 0| 0| 1| 1| NULL | 1095| 1024.80| 0| 0| 0| 0| 1| NULL | 8691| 801.40| -90| 0| 0| 1| 2| NULL | 0| 731.00| 173| 0| 0| 0| 2| NULL | 7676| 1396.20| 0| 0| 0| 1| 3| NULL | 9533| 1219.60| 0| 0| 0| 1| 4| NULL | 0| 854.00| 222| 0| 0| 1| 5| NULL | 2346| 1392.80| 0| 0| 0| 1| 6| NULL | 4432| 1042.40| 0| 0| 0| 1| 8| NULL | 2363| 1148.20| 0| -35| -131| 0| 8| 7| 904| 1407.80| 0| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------9920| 52.80| 264| 0| 0| 1| 1| NULL | 1299| 1024.80| 0| 0| 0| 0| 1| NULL | 8847| 783.40| -90| 0| 0| 1| 2| NULL | 153| 765.60| 173| 0| 0| 0| 2| NULL | 7955| 1396.20| 0| 0| 0| 1| 3| NULL | 9776| 1219.60| 0| 0| 0| 1| 4| NULL | 179| 898.40| 222| 0| 0| 1| 5| NULL | 2624| 1392.80| 0| 0| 0| 1| 6| NULL | 2551| 1148.20| 0| -10| 38| 1| 7| NULL | 185| 1407.80| 0| 0| 0| 0| 7| NULL | 4640| 1042.40| 0| 0| 0| 1| 8| NULL | seg. -----------------------------------------------------------9941| 105.60| 264| 0| 0| 1| 1| NULL | 1503| 1024.80| 0| 0| 0| 0| 1| NULL | 9000| 765.40| -90| 0| 0| 1| 2| NULL | 313| 800.20| 173| 0| 0| 0| 2| NULL | 8234| 1396.20| 0| 0| 0| 1| 3| NULL | 367| 942.80| 222| 0| 0| 1| 5| NULL | 2902| 1392.80| 0| 0| 0| 1| 6| NULL | 2777| 1148.20| 0| 0| 0| 1| 7| NULL | 466| 1407.80| 0| 0| 0| 0| 7| NULL | 4848| 1042.40| 0| 0| 0| 1| 8| NULL | seg. -----------------------------------------------------------9972| 158.40| 264| 0| 0| 1| 1| NULL | 1707| 1024.80| 0| 0| 0| 0| 1| NULL | 0| 1024.00| 254| 0| 0| 0| 1| NULL | 9149| 747.40| -90| 0| 0| 1| 2| NULL | 479| 834.80| 173| 0| 0| 0| 2| NULL | 8513| 1396.20| 0| 0| 0| 1| 3| NULL | 564| 987.20| 222| 0| 0| 1| 5| NULL | 3180| 1392.80| 0| 0| 0| 1| 6| NULL | 3006| 1148.20| 204| 0| 0| 1| 7| NULL | 747| 1407.80| 0| 0| 0| 0| 7| NULL | 5056| 1042.40| 0| 0| 0| 1| 8| NULL | seg. -----------------------------------------------------------1911| 1024.80| 0| 0| 0| 1| 1| NULL | 214| 1074.80| 254| 0| 0| 0| 1| NULL | 9294| 729.40| -90| 0| 0| 1| 2| NULL | 652| 869.40| 173| 0| 0| 0| 2| NULL | 8792| 1396.20| 0| 0| 0| 1| 3| NULL | 770| 1031.60| 222| 0| 0| 1| 5| NULL | 3458| 1392.80| 0| 0| 0| 1| 6| NULL | 3243| 1189.00| 204| 0| 0| 1| 7| NULL | 1028| 1407.80| 0| 0| 0| 0| 7| NULL | 5264| 1042.40| 0| 0| 0| 1| 8| NULL | 14| 211.20| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2115| 1024.80| 0| 0| 0| 1| 1| NULL | 439| 1125.60| 0| 0| 0| 0| 1| NULL | 9436| 711.40| -90| 0| 0| 1| 2| NULL | 832| 904.00| 173| 0| 0| 0| 2| NULL | 9071| 1396.20| 0| 0| 0| 1| 3| NULL | 985| 1076.00| 222| 0| 0| 1| 5| NULL | 3736| 1392.80| 0| 0| 0| 1| 6| NULL | 3488| 1229.80| 204| 0| 0| 1| 7| NULL | 1309| 1407.80| 0| 0| 0| 0| 7| NULL | 5472| 1042.40| 0| 0| 0| 1| 8| NULL | 66| 264.00| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2319| 1024.80| 0| 0| 0| 1| 1| NULL | 664| 1125.60| 0| 0| 0| 0| 1| NULL | 9574| 693.40| 0| 0| 0| 1| 2| NULL | 1019| 938.60| 173| 0| 0| 0| 2| NULL | 9350| 1396.20| 0| 0| 0| 1| 3| NULL | 1209| 1120.40| 222| 0| 0| 1| 5| NULL | 4014| 1392.80| 0| 0| 0| 1| 6| NULL | 3742| 1270.60| 204| 0| 0| 1| 7| NULL | 1590| 1407.80| 0| 0| 0| 0| 7| NULL | 5680| 1042.40| 0| 0| 0| 1| 8| NULL | 129| 316.80| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2523| 1024.80| 346| 0| 0| 1| 1| NULL | 889| 1125.60| 0| 0| 0| 0| 1| NULL |
| | ENT: | | | | | | 2| ENT: | ENT: | | ENT: | | | | | | | 2| ENT: | ENT: | | ENT: | | | | | | | | | ENT: | | ENT: | | | | | | | | ENT: | | | ENT: | | | | | | | | | | ENT: | | | | | | | 2| ENT: | | | ENT: | | | | | | | 2| ENT: | | | ENT: | | | | | | | 2| ENT: | |
NULL 2, SAL: NULL NULL NULL NULL NULL NULL 5, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL 5, SAL: 1, SAL: NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL NULL NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL NULL 2, SAL: NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL NULL
|0 4|0 |0 |0 |0 |0 |0 |1 7|0 3|0 |0 4|0 |0 |0 |0 |0 |0 |0 |1 7|0 3|0 |0 4|0 |0 |0 |0 |0 |0 |1 |0 |0 3|0 |0 4|0 |0 |0 |0 |0 |0 |0 |0 3|0 |0 |0 4|0 |0 |0 |0 |0 |0 |0 |0 |0 |0 4|0 |0 |0 |0 |0 |0 |0 |0 3|0 |0 |0 4|0 |0 |0 |0 |0 |0 |0 |0 3|0 |0 |0 4|0 |0 |0 |0 |0 |0 |0 |0 3|0 |0 |0
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
NULL NULL
141
Apndices
6| 10| 4| 11| 8| 1| 7| 2| 5| Tiempo 9| 12| 6| 10| 4| 11| 8| 1| 7| 2| 5| Tiempo 9| 12| 6| 10| 11| 8| 1| 7| 2| 5| Tiempo 9| 12| 10| 8| 11| 1| 7| 2| 5| 6| Tiempo 9| 12| 10| 8| 11| 1| 7| 2| 5| 6| Tiempo 9| 12| 10| 8| 11| 1| 7| 2| 5| 6| Tiempo 9| 12| 10| 8| 11| 1| 7| 2| 5| 6| Tiempo 9| 12| 10| 5| 8| 11| 1| 7| 2| 6| Tiempo 12| 9| 10| 5| 8| 11| 1|
21.0
21.2
21.4
21.6
21.8
22.0
22.2
22.4
9712| 693.40| 0| 0| 0| 1| 2| NULL | 1213| 973.20| 173| 0| 0| 0| 2| NULL | 9629| 1396.20| 0| 0| 0| 1| 3| NULL | 1441| 1164.80| 222| 0| 0| 1| 5| NULL | 4292| 1392.80| 0| 0| 0| 1| 6| NULL | 4004| 1311.40| 0| 0| 0| 1| 7| NULL | 1871| 1407.80| 0| 0| 0| 0| 7| NULL | 5888| 1042.40| 0| 0| 0| 1| 8| NULL | 202| 369.60| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2741| 1094.00| 346| 0| 0| 1| 1| NULL | 1114| 1125.60| 0| 0| 0| 0| 1| NULL | 9850| 693.40| 0| 0| 0| 1| 2| NULL | 1414| 1007.80| 0| 0| 0| 0| 2| NULL | 9908| 1396.20| 0| 0| 0| 1| 3| NULL | 1682| 1209.20| 222| 0| 0| 1| 5| NULL | 4570| 1392.80| 0| 0| 0| 1| 6| NULL | 4266| 1311.40| 0| 0| 0| 1| 7| NULL | 2152| 1407.80| 0| 0| 0| 0| 7| NULL | 6096| 1042.40| 0| 0| 0| 1| 8| NULL | 286| 422.40| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2973| 1163.20| 346| 0| 0| 1| 1| NULL | 1339| 1125.60| 0| 0| 0| 0| 1| NULL | 9988| 693.40| 0| 0| 0| 1| 2| NULL | 1615| 1007.80| 0| 0| 0| 0| 2| NULL | 1932| 1253.60| 222| 0| 0| 1| 5| NULL | 4798| 1392.80| 0| -35| 0| 1| 6| NULL | 4528| 1311.40| 0| 0| 0| 1| 7| NULL | 2433| 1407.80| 0| 0| 0| 0| 7| NULL | 6304| 1042.40| 0| 0| 0| 1| 8| NULL | 381| 475.20| 264| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------3219| 1232.40| 346| 0| 0| 1| 1| NULL | 1564| 1125.60| 258| 0| 0| 0| 1| NULL | 1816| 1007.80| 0| 0| 0| 1| 2| NULL | 5026| 1392.80| 0| -30| 141| 1| 5| 6| 2191| 1298.00| 222| 0| 0| 0| 5| NULL | 4790| 1311.40| 0| 0| 0| 1| 7| NULL | 2714| 1407.80| 0| 0| 0| 0| 7| NULL | 6512| 1042.40| 0| 0| 0| 1| 8| NULL | 486| 528.00| 264| 0| 0| 1| NULL | NULL | 126| 693.40| 253| 0| 0| 0| NULL | NULL | seg. -----------------------------------------------------------3479| 1301.60| 0| 0| 0| 1| 1| NULL | 1799| 1177.20| 258| 0| 0| 0| 1| NULL | 2017| 1007.80| 0| 0| 0| 1| 2| NULL | 5267| 1392.80| 0| 0| 0| 1| 5| NULL | 2459| 1342.40| 222| 0| 0| 0| 5| NULL | 5052| 1311.40| 0| 0| 0| 1| 7| NULL | 2995| 1407.80| 0| 0| 0| 0| 7| NULL | 6720| 1042.40| 0| 0| 0| 1| 8| NULL | 602| 580.80| 264| 0| 0| 1| NULL | NULL | 274| 744.00| 253| 0| 0| 0| NULL | NULL | seg. -----------------------------------------------------------3739| 1301.60| 0| 0| 0| 1| 1| NULL | 2044| 1228.80| 0| 0| 0| 0| 1| NULL | 2218| 1007.80| 0| 0| 0| 1| 2| NULL | 5545| 1392.80| 0| 0| 0| 1| 5| NULL | 2736| 1386.80| 222| 0| 0| 0| 5| NULL | 5314| 1311.40| 0| 0| 0| 1| 7| NULL | 3276| 1407.80| 0| 0| 0| 0| 7| NULL | 6928| 1042.40| 0| 0| 0| 1| 8| NULL | 728| 633.60| 264| 0| 0| 1| NULL | NULL | 432| 794.60| 270| 0| 0| 0| NULL | NULL | seg. -----------------------------------------------------------3952| 1301.60| 0| 35| 0| 1| 1| NULL | 2289| 1228.80| 279| 0| 0| 0| 1| NULL | 2419| 1007.80| 0| 0| 0| 1| 2| NULL | 5823| 1392.80| 0| 0| 0| 1| 5| NULL | 3022| 1431.20| 0| 0| 0| 0| 5| NULL | 5576| 1311.40| 0| 0| 0| 1| 7| NULL | 3557| 1407.80| 0| 0| 0| 0| 7| NULL | 7136| 1042.40| 0| 0| 0| 1| 8| NULL | 865| 686.40| 264| 0| 0| 1| NULL | NULL | 601| 848.60| 270| 0| 0| 0| NULL | NULL | seg. -----------------------------------------------------------4165| 1301.60| 0| 35| 149| 1| 1| 2| 2545| 1284.60| 279| 0| 0| 0| 1| NULL | 2620| 1007.80| 0| 0| 0| 1| 2| NULL | 12| 739.20| 264| 0| 0| 1| 3| NULL | 6101| 1392.80| 0| 0| 0| 1| 5| NULL | 3308| 1431.20| 0| 0| 0| 0| 5| NULL | 5838| 1311.40| 0| 0| 0| 1| 7| NULL | 3838| 1407.80| 0| 0| 0| 0| 7| NULL | 7344| 1042.40| 0| 0| 0| 1| 8| NULL | 781| 902.60| 270| 0| 0| 1| NULL | NULL | seg. -----------------------------------------------------------2813| 1340.40| 0| 0| 0| 1| 1| NULL | 4378| 1301.60| 0| 0| -2| 1| 2| NULL | 2821| 1007.80| 0| 0| 0| 0| 2| NULL | 170| 792.00| 264| 0| 0| 1| 3| NULL | 6379| 1392.80| 0| 0| 0| 1| 5| NULL | 3594| 1431.20| 0| 0| 0| 0| 5| NULL | 6100| 1311.40| 0| 0| 0| 1| 7| NULL |
| ENT: | | | | | | | 2| ENT: | | | ENT: | | | | ENT: | | | 2| ENT: | | | ENT: | | | ENT: | | | 2| ENT: | | | | ENT: | | | | 2| ENT: 2| ENT: | | | | ENT: | | | | 2| ENT: 2| ENT: | | | | ENT: | | | | 2| ENT: 2| ENT: | | | | ENT: | | | | 2| ENT: 2| ENT: | | | | | ENT: | | | | 2| ENT: | | | | | ENT: | |
2, SAL: NULL NULL NULL NULL NULL NULL NULL 1, SAL: NULL NULL 2, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL 1, SAL: NULL NULL 2, SAL: NULL NULL 5, SAL: NULL NULL NULL 1, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL NULL 1, SAL: 2, SAL: NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL 2, SAL: NULL NULL NULL NULL 5, SAL: NULL NULL
4|0 |0 |0 |0 |0 |0 |0 |0 3|0 |0 |0 4|0 |0 |0 |0 3|1 |0 |0 |0 3|0 |0 |0 4|0 |0 |0 3|1 |0 |0 |0 3|0 |0 |0 |0 3|1 |0 |0 |0 |0 3|0 4|0 |0 |0 |0 3|0 |0 |0 |0 |0 3|0 4|0 |1 |0 |0 3|0 |0 |0 |0 |0 3|0 4|0 |1 |0 |0 3|0 |0 |0 |0 |0 3|0 4|0 |1 |0 |0 |0 3|0 |0 |0 |0 |0 4|0 |0 |0 |0 |0 3|0 |0 |0
142
Apndices
7| 2| 6| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 1| 7| 2| Tiempo 12| 9| 10|
22.6
22.8
23.0
23.2
23.4
23.6
23.8
24.0
24.2
4119| 1407.80| 0| 0| 0| 0| 7| NULL 7552| 1042.40| 0| 0| 0| 1| 8| NULL 972| 956.60| 270| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------3081| 1340.40| 250| 0| 0| 1| 1| NULL 4638| 1301.60| 0| 0| -2| 1| 2| NULL 3022| 1007.80| 0| 0| 0| 0| 2| NULL 338| 844.80| 264| 0| 0| 1| 3| NULL 174| 1010.60| 0| 0| 0| 1| 4| NULL 6657| 1392.80| 0| 0| 0| 1| 5| NULL 3880| 1431.20| 0| 0| 0| 0| 5| NULL 6362| 1311.40| 0| 0| 0| 1| 7| NULL 4400| 1407.80| 0| 0| 0| 0| 7| NULL 7760| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------3359| 1390.40| 250| 0| 0| 1| 1| NULL 4898| 1301.60| -127| 0| -2| 1| 2| NULL 3223| 1007.80| 0| 0| 0| 0| 2| NULL 517| 897.60| 264| 0| 0| 1| 3| NULL 376| 1010.60| 0| 0| 0| 1| 4| NULL 6935| 1392.80| 0| 0| 0| 1| 5| NULL 4166| 1431.20| 0| 0| 0| 0| 5| NULL 6624| 1311.40| 0| 0| 0| 1| 7| NULL 4681| 1407.80| 0| 0| 0| 0| 7| NULL 7968| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------3647| 1440.40| 0| 0| 0| 1| 1| NULL 5153| 1276.20| -127| 0| -2| 1| 2| NULL 3424| 1007.80| 0| 0| 0| 0| 2| NULL 707| 950.40| 264| 0| 0| 1| 3| NULL 578| 1010.60| 0| 0| 0| 1| 4| NULL 7213| 1392.80| 0| 0| 0| 1| 5| NULL 4452| 1431.20| 0| 0| 0| 0| 5| NULL 6886| 1311.40| 0| 0| 0| 1| 7| NULL 4962| 1407.80| 0| 0| 0| 0| 7| NULL 8176| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------3935| 1440.40| 0| 0| 0| 1| 1| NULL 5403| 1250.80| -126| 0| -2| 1| 2| NULL 3625| 1007.80| 0| 0| 0| 0| 2| NULL 907| 1003.20| 0| 0| 0| 1| 3| NULL 780| 1010.60| 0| 0| 0| 1| 4| NULL 7491| 1392.80| 0| 0| 0| 1| 5| NULL 4738| 1431.20| 0| 0| 0| 0| 5| NULL 7148| 1311.40| 0| 0| 0| 1| 7| NULL 5243| 1407.80| 0| 0| 0| 0| 7| NULL 8384| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------4223| 1440.40| 0| 0| 0| 1| 1| NULL 5648| 1225.60| -126| 0| -2| 1| 2| NULL 3826| 1007.80| 0| 0| 0| 0| 2| NULL 1107| 1003.20| 0| 0| 0| 1| 3| NULL 982| 1010.60| 0| 0| 0| 1| 4| NULL 7769| 1392.80| 0| 0| 0| 1| 5| NULL 5024| 1431.20| 0| 0| 0| 0| 5| NULL 7410| 1311.40| 0| 0| 0| 1| 7| NULL 5524| 1407.80| 0| 0| 0| 0| 7| NULL 8592| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------4511| 1440.40| -153| 0| 0| 1| 1| NULL 5888| 1200.40| -126| 0| -2| 1| 2| NULL 4027| 1007.80| 0| 0| 0| 0| 2| NULL 1307| 1003.20| 0| 0| 0| 1| 3| NULL 1184| 1010.60| 0| 0| 0| 1| 4| NULL 8047| 1392.80| 0| 0| 0| 1| 5| NULL 5310| 1431.20| 0| 0| 0| 0| 5| NULL 7672| 1311.40| 0| 0| 0| 1| 7| NULL 5805| 1407.80| 0| 0| 0| 0| 7| NULL 8800| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------4792| 1409.80| -153| 0| 0| 1| 1| NULL 6123| 1175.20| -126| 0| -2| 1| 2| NULL 4228| 1007.80| 0| 0| 0| 0| 2| NULL 1507| 1003.20| 0| 0| 0| 1| 3| NULL 1386| 1010.60| 0| 0| 0| 1| 4| NULL 8325| 1392.80| 0| 0| 0| 1| 5| NULL 5596| 1431.20| 0| 0| 0| 0| 5| NULL 7934| 1311.40| 0| 0| 0| 1| 7| NULL 6086| 1407.80| 0| 0| 0| 0| 7| NULL 9008| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------5067| 1379.20| -153| 0| 0| 1| 1| NULL 6352| 1150.00| -126| 0| -2| 1| 2| NULL 4429| 1007.80| 0| 0| 0| 0| 2| NULL 1707| 1003.20| 0| 0| 0| 1| 3| NULL 1588| 1010.60| 0| 0| 0| 1| 4| NULL 8603| 1392.80| 0| 0| 0| 1| 5| NULL 5882| 1431.20| 0| 0| 0| 0| 5| NULL 8196| 1311.40| 0| 0| 0| 1| 7| NULL 6367| 1407.80| 0| 0| 0| 0| 7| NULL 9216| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------5336| 1348.60| -152| 0| 0| 1| 1| NULL 6576| 1124.80| -126| 0| -2| 1| 2| NULL 4630| 1007.80| 0| 0| 0| 0| 2| NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL
| | 2| ENT: | | | | | | ENT: | | | | | | ENT: | | | | ENT: | | | | | | ENT: | | | | ENT: | ENT: | | | | | ENT: | | | | ENT: | ENT: | | | | | ENT: | | | | ENT: | ENT: | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | ENT: ENT:
NULL NULL 2, SAL: NULL NULL NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 2, SAL: NULL NULL NULL 5, SAL: NULL NULL NULL NULL NULL 2, SAL: NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 2, SAL: NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 2, SAL: NULL NULL NULL 5, SAL: 5, SAL: NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL SAL: SAL:
|0 |0 4|0 |0 |0 |0 |0 |0 3|0 |0 |0 |0 |0 |0 8|0 |0 |0 |0 3|0 |0 |0 |0 |0 |0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
| ENT: | ENT: |
1, SAL: 2, SAL: NULL
143
Apndices
5| 6| 8| 11| 14| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 14| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 14| 1| 7| 2| Tiempo 12| 9| 10| 5| 6| 8| 11| 14| 1| 7| Tiempo 12| 9| 10| 5| 6| 8| 11| 14| 1| 7| Tiempo 12| 9| 10| 5| 6| 11| 14| 1| 7| 8| Tiempo 12| 9| 10| 5| 6| 11| 14| 7| 8| Tiempo 12| 9| 10| 5| 6| 11| 14| 7| 8| Tiempo 12| 9| 10| 5| 8| 6| 11| 14| 7|
24.4
24.6
24.8
25.0
25.2
25.4
25.6
25.8
1907| 1003.20| 0| 0| 0| 1| 3| NULL 1790| 1010.60| 0| 0| 0| 1| 4| NULL 8881| 1392.80| 0| 0| 0| 1| 5| NULL 6168| 1431.20| 0| 0| 0| 0| 5| NULL 0| 924.00| 243| 0| 0| 1| 6| NULL 8458| 1311.40| 0| 0| 0| 1| 7| NULL 6648| 1407.80| 0| 0| 0| 0| 7| NULL 9424| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------5599| 1318.20| -152| 0| 0| 1| 1| NULL 6795| 1099.60| -126| 0| -2| 1| 2| NULL 4831| 1007.80| 0| 0| 0| 0| 2| NULL 2107| 1003.20| 0| 0| 0| 1| 3| NULL 1992| 1010.60| 0| 0| 0| 1| 4| NULL 9159| 1392.80| 0| 0| 0| 1| 5| NULL 6454| 1431.20| 0| 0| 0| 0| 5| NULL 194| 972.60| 243| 0| 0| 1| 6| NULL 8720| 1311.40| 0| 0| 0| 1| 7| NULL 6929| 1407.80| 0| 0| 0| 0| 7| NULL 9632| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------5856| 1287.80| -152| 0| 0| 1| 1| NULL 7009| 1074.40| -126| 0| -2| 1| 2| NULL 5032| 1007.80| 0| 0| 0| 0| 2| NULL 2307| 1003.20| 0| 0| 0| 1| 3| NULL 2194| 1010.60| 0| 0| 0| 1| 4| NULL 9437| 1392.80| 0| 0| 0| 1| 5| NULL 6740| 1431.20| 0| 0| 0| 0| 5| NULL 398| 1021.20| 243| 0| 0| 1| 6| NULL 8982| 1311.40| 0| 0| 0| 1| 7| NULL 7210| 1407.80| 0| 0| 0| 0| 7| NULL 9840| 1042.40| 0| 0| 0| 1| 8| NULL seg. -----------------------------------------------------------6107| 1257.40| -152| 0| 0| 1| 1| NULL 7218| 1049.20| -126| 0| -2| 1| 2| NULL 5233| 1007.80| 0| 0| 0| 0| 2| NULL 2507| 1003.20| 0| 0| 0| 1| 3| NULL 2396| 1010.60| 0| 0| 0| 1| 4| NULL 9715| 1392.80| 0| 0| 0| 1| 5| NULL 7026| 1431.20| 0| 0| 0| 0| 5| NULL 611| 1069.80| 243| 0| 0| 1| 6| NULL 9244| 1311.40| 0| 0| 0| 1| 7| NULL 7491| 1407.80| 0| 0| 0| 0| 7| NULL seg. -----------------------------------------------------------6352| 1227.00| -152| 0| 0| 1| 1| NULL 7422| 1024.00| -126| 0| -2| 1| 2| NULL 5434| 1007.80| 0| 0| 0| 0| 2| NULL 2707| 1003.20| 0| 0| 0| 1| 3| NULL 2598| 1010.60| 0| 0| 0| 1| 4| NULL 9993| 1392.80| 0| 0| 0| 1| 5| NULL 7312| 1431.20| 0| 0| 0| 0| 5| NULL 834| 1118.40| 0| 0| 0| 1| 6| NULL 9506| 1311.40| 0| 0| 0| 1| 7| NULL 7772| 1407.80| 0| 0| 0| 0| 7| NULL seg. -----------------------------------------------------------6591| 1196.60| -152| 0| 0| 1| 1| NULL 7621| 998.80| -126| 0| -2| 1| 2| NULL 5635| 1007.80| 0| 0| 0| 0| 2| NULL 2907| 1003.20| 0| 0| 0| 1| 3| NULL 2800| 1010.60| 0| 0| 0| 1| 4| NULL 7598| 1431.20| 0| 0| 0| 1| 5| NULL 1057| 1118.40| 0| 0| 0| 1| 6| NULL 9768| 1311.40| 0| 0| 0| 1| 7| NULL 8053| 1407.80| 0| 0| 0| 0| 7| NULL 271| 1392.80| 0| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------6824| 1166.20| -152| 0| 0| 1| 1| NULL 7815| 973.60| -125| 0| -2| 1| 2| NULL 5836| 1007.80| 0| 0| 0| 0| 2| NULL 3107| 1003.20| 0| 0| 0| 1| 3| NULL 3002| 1010.60| 0| 0| 0| 1| 4| NULL 7884| 1431.20| 0| 0| 0| 1| 5| NULL 1280| 1118.40| 0| 0| 0| 1| 6| NULL 8334| 1407.80| 0| 0| 0| 1| 7| NULL 549| 1392.80| 0| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------7051| 1135.80| -152| 0| 0| 1| 1| NULL 8004| 948.60| -125| 0| -2| 1| 2| NULL 6037| 1007.80| 0| 0| 0| 0| 2| NULL 3307| 1003.20| 0| 0| 0| 1| 3| NULL 3204| 1010.60| 0| 0| 0| 1| 4| NULL 8170| 1431.20| 0| 0| 0| 1| 5| NULL 1503| 1118.40| 0| 0| 0| 1| 6| NULL 8615| 1407.80| 0| 0| 0| 1| 7| NULL 827| 1392.80| 0| 0| 0| 1| NULL | NULL seg. -----------------------------------------------------------7272| 1105.40| -152| 0| 0| 1| 1| NULL 8188| 923.60| -125| 0| -2| 1| 2| NULL 6238| 1007.80| 0| 0| 0| 0| 2| NULL 3507| 1003.20| 0| 0| 0| 1| 3| NULL 105| 1392.80| 0| 0| 0| 0| 3| NULL 3406| 1010.60| 0| 0| 0| 1| 4| NULL 8456| 1431.20| 0| 0| 0| 1| 5| NULL 1726| 1118.40| 0| 0| 0| 1| 6| NULL 8896| 1407.80| 0| 0| 0| 1| 7| NULL
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL NULL
| | | ENT: | ENT: | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | 2| | | | | | | | | 2| | | | | | | | | 2| ENT: ENT:
NULL NULL 5, SAL: 5, SAL: NULL NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL 1, 2, NULL NULL NULL 5, 5, NULL NULL NULL 1, 2, NULL NULL NULL 5, NULL NULL NULL 5, 1, 2, NULL NULL NULL 5, NULL NULL 5, 1, 2, NULL NULL NULL 5, NULL NULL 5, SAL: SAL:
|0 |0 3|0 7|0 |0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0 |0 |0 3|0 7|0 |0 |0 |0 3|0 8|0 |0 |0 |0 7|0 |0 |0 |0 3|0 3|0 8|0 |0 |0 |0 7|0 |0 |0 3|0 3|0 8|0 |0 |0 |0 7|0 |0 |0 3|0 3|0 8|0 |0 |0 |0 |0 7|0 |0 |0
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT: ENT:
SAL: SAL:
ENT:
SAL:
ENT: ENT: ENT:
SAL: SAL: SAL:
ENT:
SAL:
ENT: ENT: ENT:
SAL: SAL: SAL:
ENT:
SAL:
ENT:
SAL:
| ENT: | ENT: | | | | | ENT: | |
1, SAL: 2, SAL: NULL NULL NULL NULL 5, SAL: NULL NULL
144
Apndices
Tiempo 26.0 seg. -----------------------------------------------------------12| 7487| 1075.00| -151| 0| 0| 1| 1| NULL 9| 8367| 898.60| -125| 0| -2| 1| 2| NULL 10| 6439| 1007.80| 0| 0| 0| 0| 2| NULL 5| 3707| 1003.20| 243| 0| 0| 1| 3| NULL 8| 383| 1392.80| 0| 0| 0| 0| 3| NULL 6| 3608| 1010.60| 0| 0| 0| 1| 4| NULL 11| 8742| 1431.20| 0| 0| 0| 1| 5| NULL 15| 0| 963.00| 252| 0| 0| 0| 5| NULL 14| 1949| 1118.40| 0| 0| 0| 1| 6| NULL 7| 9177| 1407.80| 0| 0| 0| 1| 7| NULL
| | | | | | | | | |
| | | | | | | | | |
ENT: ENT: ENT:
ENT:
1, 2, 2, NULL NULL NULL 5, NULL NULL NULL
SAL: SAL: SAL:
SAL:
3|0 8|0 4|0 |0 |0 |0 7|0 |0 |0 |0
145
Apndices
Apndice II: Tabla con resultados de la simulacin de rendimiento

Ley de Fett sobre el laboratorio: Nunca repita un experimento que ha tenido xito
A continuacin de presenta la tabla comparativa de resultados de simulaciones para medir el rendimiento del simulador utilizando el EasyAgent.
Total de Mviles Generados Promedio de Mviles en simultneo en el sistema Tiempo Transcurrido de Tiempo Simulacin (seg) Simulado (seg)
108 134 136 270 336 293 538 607 631 796 846 1216 849 1267 1237 1749 1736 1791 2445 2406 2385 2970 2973 3086 3648 3626 3743 4203 4205 4274 4548 4779 4949
12 17 22 35 47 54 106 122 172 262 278 358 376 389 427 581 701 739 858 908 978 1197 1280 1313 1587 1596 1629 1873 1969 2009 2073 2181 2332
10,16 11,13 11,41 16,76 19,28 18,27 24,23 27,16 29,59 38,98 41,04 46,90 50,36 52,85 55,56 77,63 89,43 94,01 115,26 119,31 124,92 155,93 163,51 167,13 200,37 202,30 206,51 233,81 241,03 245,50 257,25 269,46 287,77
3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600
146
Apndices
5328 5307 5483 5942 5961 6024 6483 6421 7002 6988 7092 7427 7375 7422 7840 7888 7946
2380 2459 2551 2794 2811 2826 3063 3089 3341 3353 3384 3511 3619 3634 3841 3891 3894
295,14 301,76 310,62 339,62 342,55 343,39 370,30 372,30 399,13 403,02 406,15 426,31 431,66 431,90 457,04 460,96 463,84
3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600 3600
147
Abreviaturas
Abreviaturas.
ADC: Analogue-to-Digital Converter. AE: Arbitration Engine. AGP: Accelerated Graphics Port. AM: Activity Manager. AOI: Area Of Interest. API: Application Program Interface. BDI: Belief - Desire - Intention. BDC: Base de Datos del Conocimiento. C3I: Command, Control, Communication and Intelligence. CCH/N: Computer Controlled Hostiles and Neutrals. CDE: Critical Decision Engine. CG: Centro de Gravedad. CGA: Computer Generated Actor. CGF: Computer Generated Forces. CPU: Central Processor Unit. CRC: Cognitive Representation Component. DARPA: Defense Advanced Research Projects Agency. DES: Discrete Event Systems. DIS: Distributed Interactive Simulation. DTA: Dynamic Traffic Assignment. FOV: Field Of View. FSM: Finite State Machine. GBE: Generic Behavioral Environment. GLUT: OpenGL Utility Toolkit. GUI: Graphical User Interface. IDS: Iowa Driving Simulator. IDM: Intelligent Driver Model. HCSM: Hierarchical Concurrent State Machine. HLA: High Level Architecture. HMD: Head Mounted Display. HMM: Hidden Markov Models. HP: Hewlett Packard. IA: Inteligencia Artificial. IDM: Intelligent Driving Model. LaRC: Langley Research Center. LOD: Level Of Detail. LTDE: Long Term Decision Engine. LUS: Lane Use Sign. ModSAF: Modular Semi-Automated Forces. MOE: Measures of Effectiveness. MTDE: Medium Term Decision Engine. NADS: National Advanced Driving Simulator. NN: Neural Network. NTP: Network Time Protocol. OD: Origen-Destino.
148
Abreviaturas
OO: Orientacin a Objetos. PDU: Protocol Data Unit. PS: Portal Sign. RTI: Run Time Infrastructure. SAE: Society of Automotive Engineers. SCRAMNet: Shared Common RAM Network. SDL: Scenario Definition Language. SGI: Silicon Graphics Incorporated. STI: Systems Technology Incorporated. UTC: Urban Traffic Simulation. VMS: Variable Message Sign. VRED: Virtual Roadway Environment Database. VSLS: Variable Speed Limit Sign.
149

Utilizacion de Agentes Inteligentes Dentro de Un Ambito de Simulacion Microscopica de Trafico Autonomo - Juan de Urraza - Portalguarani

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Utilizacion de Agentes Inteligentes Dentro de Un Ambito de Simulacion Microscopica de Trafico Autonomo - Juan de Urraza - Portalguarani

Hochgeladen von

Copyright:

www.portalguarani.

Universidad Catlica Nuestra Seora de la Asuncin

Utilizacin de Agentes Inteligentes dentro de un mbito de Simulacin Microscpica de Trfico Autnomo

Profesor Gua Ing. Sergio Aranda

1.1 Objetivo General

1.2 Objetivos Especficos

1.3 Gua del Lector

Captulo 2: Teora de la simulacin

2.1 Definicin de simulacin

2.2 Simulacin por computadora

2.3 Avances de la simulacin por computadora Las APIs

2.4 El porqu de la simulacin de trfico

2.5 Tipos de simuladores notables para este estudio

2.6 Clasificacin de la Simulacin

2.7 Terminologa utilizada en el mbito de la simulacin

2.8 Disciplinas tiles a la Simulacin

2.9 Anlisis, verificacin y validacin de los simuladores

Captulo 3: Introduccin a la simulacin de trfico

3.1 Simulador de trfico

3.2 Utilidad de un simulador de trfico

3.3 Un entorno de trabajo bsico de simulacin de flujo vehicular

3.4 Anlisis del marco de trabajo microscpico en la simulacin de trfico

3.5 Estructuracin del simulador de trfico como Comportamiento Emergente

3.6 Microsimulacin de Sistemas Abiertos y Cerrados

3.7 Los simuladores existentes en el mundo

Captulo 4: Introduccin a la Inteligencia Artificial y a los Agentes Inteligentes

4.1 Definiciones de Inteligencia Artificial

Planeamiento. Aprendizaje. Razonamiento. Resolucin de problemas. Percepcin.

4.2 Categorizacin de los sistemas de IA segn las definiciones

4.3 Agentes Inteligentes

Captulo 5: EasyTraf, un simulador microscpico construido para utilizar Agentes Inteligentes

5.1 Aspectos generales del microsimulador

Avance del tiempo

Como unidades bsicas de medida se adoptaron las siguientes:

5.2 El entorno de trabajo del modelo

... significa: A ...depende de... B

Dinmica del mvil

Visualizacin Control de la simulacin Distribucin

5.3 Componentes del modelo

Representacin de las diferentes clases que forman la estructura de carreteras:

Cola de mviles (en carril)

Cola de mviles (en interseccin)

Relaciones Carril izq. Carril

Sentido Relacin Bocacalle Relacin Carril - Ruta

Dada la funcionalidad otorgada a un nodo conector, sea productor,

5.3.2 El modelo de Representacin Fsico

donde para cada paso,

aefectiva = f (amotor , a freno ) + ( g cos( ))

Flujo de paquetes PDU

5.3.7 El Modelo de Visualizacin

Captulo 6: Construccin de Agentes Inteligentes para la simulacin de trfico

6.1 Acercamientos en el modelado de Agentes Inteligentes dentro de la simulacin

6.2 Un agente Inteligente para la simulacin de Trfico

6.3 EasyAgent, y la problemtica de crear los Agentes Inteligentes para EasyTraf

6.4 Arquitectura del EasyAgent

Los mdulos estn relacionados tal como se muestra en la figura siguiente:

6.5 Comportamiento Emergente en el EasyAgent

Captulo 7: Estudio de casos y consideraciones experimentales

7.1 Calibracin del simulador

7.2 Simulacin de un caso simple

24:80 seg: M2 abandona el sistema. 25:40 seg: M1 abandona el sistema.

7.3 Simulacin de un caso real

Valor de Campo Promedio del Valor Simulado

VALOR ABSOLUTO DE LA DIFERENCIA PORCENTUAL MXIMA PROMEDIO 0,02 % 16,6 % 2,32 %

7.4 Anlisis del rendimiento en una simulacin de trfico utilizando al EasyAgent

Esquema de la red de carreteras simulada (3,3 Km. de tamao)