基于大语言模型的大规模多车辆导航合作框架
人工智能
2025-10-10 v1
摘要
互联网车辆（IoV）技术的兴起正从孤立的控制转向集体的、多车辆过程的交通管理。其核心是多车辆动态导航，需要在不断变化的交通条件下同时为大型车队规划路径。现有的路径搜索算法和强化学习方法在扩展到城市级网络时往往难以规模化，常常无法捕捉城市交通的非线性、随机和耦合动态。为此，我们提出了CityNav，一个基于大语言模型的分层框架，用于大规模多车辆导航。CityNav集成了全局交通分配代理，协调区域间的交通流分布，同时集成本地导航代理，生成与全局指令一致的本地自适应路径。为实现有效的合作，我们引入了合作推理优化机制，在该机制下，代理以双奖励结构进行联合训练： individual rewards促进单车辆效率，而shared rewards鼓励网络范围内的协调和拥堵减少。针对四个规模各异的真实道路网络（规模可达160万条道路和43万个交叉口）和交通数据集进行大量实验，表明CityNav在城市规模的旅行效率和拥堵缓解方面 consistently 优于九个经典路径搜索和基于强化学习的基线方法。我们的结果凸显了大语言模型实现可扩展、自适应和合作城市级交通导航的潜力，为复杂城市环境中的智能大规模车辆路由提供了基础。我们的项目可在 https://github.com/usail-hkust/CityNav 获取。
引用
@article{arxiv.2510.07825,
title = {An LLM-Powered Cooperative Framework for Large-Scale Multi-Vehicle Navigation},
author = {Yuping Zhou and Siqi Lai and Jindong Han and Hao Liu},
journal= {arXiv preprint arXiv:2510.07825},
year = {2025}
}