LLM 辅助信号灯：利用大语言模型能力实现复杂城市环境中类人交通信号控制
系统与控制
2024-06-13 v2 人工智能
机器学习
系统与控制
摘要
大都市地区的交通拥堵构成了一项严峻挑战，具有深远的经济、环境和社会影响。因此，有效的拥堵管理势在必行，而交通信号控制（TSC）系统在此努力中起着关键作用。基于规则算法或强化学习（RL）设计的传统 TSC 系统，在管理城市交通流的复杂性和多变性方面常常表现出不足，受限于其对陌生场景有限的适应能力。为应对这些局限性，本工作引入了一种创新方法，将大语言模型（LLMs）集成到 TSC 中，利用其先进的推理和决策能力。具体而言，提出了一个混合框架，用一套感知和决策工具增强 LLMs，便于查询静态和动态交通信息。该设计将 LLM 置于决策过程的中心，结合外部交通数据与已有的 TSC 方法。此外，还开发了一个仿真平台以证实所提出框架的有效性。我们的仿真结果证明了该系统无需额外训练即可适应多种交通环境的能力。值得注意的是，在传感器中断（SO）的情况下，我们的方法超越了传统的基于 RL 的系统，将平均等待时间减少了 。这项研究标志着 TSC 策略的显著进步，并为 LLMs 集成到现实世界的动态场景中铺平了道路，凸显了它们革新交通管理的潜力。相关代码可在 https://github.com/Traffic-Alpha/LLM-Assisted-Light 获取。
引用
@article{arxiv.2403.08337,
title = {LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments},
author = {Maonan Wang and Aoyu Pang and Yuheng Kan and Man-On Pun and Chung Shue Chen and Bo Huang},
journal= {arXiv preprint arXiv:2403.08337},
year = {2024}
}
备注
20 pages, 11 figures