SUMO-AI Robust Traffic Signal Control

Marco experimental reproducible para control de tránsito con Eclipse SUMO, TraCI y, en etapas posteriores, aprendizaje por refuerzo.

Estado

Versión inicial de desarrollo: v0.1-dev.

Incluye:

• configuración declarativa con YAML;
• ejecución de SUMO desde Python mediante TraCI;
• generación reproducible de demanda;
• extracción de métricas básicas;
• almacenamiento de resultados en CSV;
• smoke test para comprobar que SUMO está disponible.

Todavía no incluye aprendizaje por refuerzo. La prioridad de esta versión es estabilizar el pipeline de simulación y evaluación.

Flujo

network.net.xml
        ↓
generate_routes.py
        ↓
demand.rou.xml
        ↓
run_simulation.py
        ↓
SUMO + TraCI
        ↓
results.csv

Requisitos

• Python 3.10 o superior.
• Eclipse SUMO instalado y disponible en PATH.
• Variable SUMO_HOME configurada.

Instalación en Windows PowerShell

py -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
pip install -e .[dev]

Si SUMO ya está en el PATH:

$SUMO_BIN = Split-Path (Get-Command sumo).Source
$env:SUMO_HOME = Split-Path $SUMO_BIN

Instalación en Linux

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
pip install -e ".[dev]"
export SUMO_HOME=/usr/share/sumo

Preparar el escenario

Copia tu red a:

scenarios/osm_case/network.net.xml

Después:

python scripts/generate_routes.py --config configs/base.yaml

Ejecutar

python scripts/run_simulation.py --config configs/base.yaml

Con GUI:

python scripts/run_simulation.py --config configs/base.yaml --gui

Los resultados se guardan en results/raw/.

Roadmap

• v0.1: simulación + demanda + métricas.
• v0.2: fixed-time + actuated + max-pressure.
• v0.3: SUMO-RL + PPO.
• v0.4: perturbaciones de demanda y sensores.
• v0.5: domain randomization y evaluación OOD.

Licencia

Código MIT. Los mapas, redes y datasets externos conservan sus propias condiciones de uso.