Evacuai : planejamento de rotas de fuga adaptativas em ambientes com obstáculos utilizando aprendizado por reforço

Abstract

Incêndios ocorrem diariamente em diversas partes do mundo, tanto em ambientes internos quanto externos. Em ambientes fechados, o fogo pode se espalhar rapidamente, o que torna essencial o conhecimento das rotas de fuga existentes, em especial nos edifícios comerciais com grande circulação de pessoas. Diversos algoritmos podem ser utilizados para a identificação de rotas de fuga, desde os mais clássicos, como Dijkstra, A* e Bellman-Ford, até abordagens mais avançadas baseadas em redes neurais. No entanto, quando se busca a otimização dessas rotas considerando múltiplos critérios, o caminho mais curto nem sempre representa a melhor opção. Obstáculos como áreas de risco (como focos de incêndio) e congestionamentos de pessoas podem alterar significativamente a rota mais segura de evacuação. Nesse contexto, o Aprendizado por Reforço surge como uma abordagem promissora, pois permite ao agente aprender a tomar decisões adaptativas com base no ambiente e nas condições apresentadas. Esse trabalho apresenta uma evolução da abordagem proposta em [1], baseando-se na utilização de Aprendizado por Reforço para auxiliar na identificação de rotas de fuga seguras em casos de incêndio, uma técnica que utiliza um sistema de recompensas positivas para incentivar comportamentos desejados e punições para desencorajar comportamentos indesejados. A solução aqui proposta pretende superar limitações previamente identificadas, como a dificuldade de lidar com grafos de grande escala e a necessidade de retreinamento do agente para cada nova configuração de obstáculos. Os experimentos demonstram que o sistema proposto é capaz de lidar com plantas baixas e grafos significativamente maiores, com desempenho consistente, sendo uma solução robusta e possivelmente aplicável a cenários reais de evacuação.