Este artigo mostra o desenvolvimento de um sistema de semáforos com sensores, para a redução do
trânsito em cruzamentos onde existe um alto fluxo de veículos, quando comparados a sistemas
tradicionais, que não consideram a alta variabilidade de fluxo que pode existir a cada instante. Para o
aproveitamento dos dados provindos de sensores eletromagnéticos, visando otimizar o instante de
mudança de fase do semáforo, buscando o mínimo tempo médio de espera dos veículos, foi treinada
uma rede neural utilizando técnicas de reinforcement learning, dentro de um simulador capaz de
simular diferentes condições de trânsito em diversas localizações. O modelo se mostrou capaz, com
resultados cada vez mais promissores durante a etapa de treinamento. Na etapa de validação, a rede
neural chegou a superar métodos utilizados tradicionalmente em alguns cenários.
