基于检索增强生成的分布式 LLM 智能体用于应急车辆的通用交通信号控制
人工智能
2025-10-31 v1
摘要
随着城市交通复杂度的增加，交通信号控制（TSC）对于优化交通流和提高道路安全至关重要。大型语言模型（LLMs）作为 TSC 的潜在方法之一备受关注。然而，他们在应急情况下容易产生幻觉，导致决策不可靠，可能造成显著延误。此外，多样化的交叉口类型为交通状态编码和跨交叉口训练带来了重大挑战，限制了在异构交叉口之间的泛化能力。因此，本文提出了检索增强生成（RAG）增强的分布式 LLM 智能体，用于应急车辆的通用 TSC（REG-TSC）。首先，本文提出了应急感知推理框架，根据应急场景动态调整推理深度，并配备了基于评论员的应急 RAG（RERAG），从历史案例中提炼特定知识和指导，增强智能体应急决策的可靠性和合理性。其次，本文设计了类型无关的交通表示，并提出了基于奖励引导的强化精炼（R3）用于异构交叉口。R3 自适应地从不同交叉口抽样训练体验，依据环境反馈优先级进行微调 LLM 智能体，采用设计的奖励加权似然损失，引导 REG-TSC 向高奖励政策发展。在三个具有 17 至 177 个异构交叉口的真实道路网络上，大量实验表明，REG-TSC 将旅行时间降低 42.00%，排队长度降低 62.31%，应急车辆等待时间降低 83.16%，超越其他最先进方法。
引用
@article{arxiv.2510.26242,
title = {Retrieval Augmented Generation-Enhanced Distributed LLM Agents for Generalizable Traffic Signal Control with Emergency Vehicles},
author = {Xinhang Li and Qing Guo and Junyu Chen and Zheng Guo and Shengzhe Xu and Lei Li and Lin Zhang},
journal= {arXiv preprint arXiv:2510.26242},
year = {2025}
}