El control automático del tráfico vehicular en grandes redes urbanas constituye uno de los desafíos más serios para las sociedades modernas, con un impacto en la mejora de la calidad de vida humana y en el ahorro de energía y tiempo. Las intersecciones son una estructura de tráfico especial de importancia crucial, ya que acumulan un gran número de vehículos que deben ser atendidos de manera óptima. Construir modelos inteligentes que logren coordinar y dirigir automáticamente los vehículos a través de las intersecciones es un punto clave en la fragmentación del control del tráfico, ofreciendo soluciones activas a través de la flexibilidad de adaptarse automáticamente a una variedad de condiciones de tráfico. Respondiendo a este llamado, este trabajo tiene como objetivo proponer una solución activa integrada de gestión automática del tráfico. Introducimos un marco de aprendizaje por refuerzo multiagente que modela de manera efectiva el flujo de tráfico en intersecciones no señalizadas individuales. Se basa en una definición compacta del agente, un espacio de estado de información rico y un proceso de aprendizaje caracterizado no solo por su profundidad y calidad, sino también por grados sustanciales de libertad y variabilidad. Los perfiles de conducción resultantes se transfieren a redes viales más grandes para integrar sus elementos individuales y componer una plataforma efectiva de control automático del tráfico. Se realizan experimentos en redes viales simuladas de complejidad variable, demostrando el potencial del método propuesto.