[論文レビュー] LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments

Maonan Wang, Aoyu Pang+4 more|arXiv (Cornell University)|Mar 13, 2024

Traffic Prediction and Management Techniques被引用数 7

ひとこと要約

本論文は LA-Light を提案する。感知および意思決定ツールを強化した LLM を用いるハイブリッド交通信号制御フレームワークで、複雑な都市交通を管理し、追加の訓練なしで希少イベントに対応する。

ABSTRACT

Traffic congestion in metropolitan areas presents a formidable challenge with far-reaching economic, environmental, and societal ramifications. Therefore, effective congestion management is imperative, with traffic signal control (TSC) systems being pivotal in this endeavor. Conventional TSC systems, designed upon rule-based algorithms or reinforcement learning (RL), frequently exhibit deficiencies in managing the complexities and variabilities of urban traffic flows, constrained by their limited capacity for adaptation to unfamiliar scenarios. In response to these limitations, this work introduces an innovative approach that integrates Large Language Models (LLMs) into TSC, harnessing their advanced reasoning and decision-making faculties. Specifically, a hybrid framework that augments LLMs with a suite of perception and decision-making tools is proposed, facilitating the interrogation of both the static and dynamic traffic information. This design places the LLM at the center of the decision-making process, combining external traffic data with established TSC methods. Moreover, a simulation platform is developed to corroborate the efficacy of the proposed framework. The findings from our simulations attest to the system's adeptness in adjusting to a multiplicity of traffic environments without the need for additional training. Notably, in cases of Sensor Outage (SO), our approach surpasses conventional RL-based systems by reducing the average waiting time by $20.4\%$. This research signifies a notable advance in TSC strategies and paves the way for the integration of LLMs into real-world, dynamic scenarios, highlighting their potential to revolutionize traffic management. The related code is available at https://github.com/Traffic-Alpha/LLM-Assisted-Light.

研究の動機と目的

• 複雑な都市環境において、ルールベースや強化学習（RL）法を超える適応的な交通信号制御の必要性を動機づける。
• 感知および意思決定ツールを活用した LLM の推論を用い、交通データを解釈して行動するハイブリッド LA-Light フレームワークを紹介する。
• 従来の条件下での性能を維持しつつ、希少イベントに適応するための既存の TSC 手法との統合を実証する。
• 透明性と運用者の信頼を高めるためのモジュール式ツールキットと標準化されたプロンプトを提供する。

提案手法

• LA-Light を五段階のループとして導入し、LLM が感知ツールと意思決定ツールを選択し、データを収集・分析し、根拠付きの交通相決定を出力する。
• 実現可能性・ガイダンス・正当化のための静的/動的感知ツールと意思決定ツールからなるモジュール式ツールキットを開発する。
• システムプロンプト構造とツール特化プロンプトを使用して、LLM の推論と交通環境との相互作用を誘導する。
• SUMO上で GPT-4 Turbo モデルを用いてフレームワークを実装し、緊急時やセンサ障害を含む複数のシナリオで評価する。
• 推論とツール支援決定の利点を示すため、Webster、SOTL、Maxpressure、RLベース手法と、Vanilla-LLM ベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 感知および意思決定ツールを搭載した LLM は、複雑な都市交差点で交通信号を効果的に制御できるか。
• RQ2 LA-Light フレームワークは、通常の交通条件下で性能を維持または向上させつつ、希少イベントに適応できるか。
• RQ3 ツール支援付き LLM 推論は、従来のルールベースおよび RL ベースの TSC 手法と比較して、効率性と透明性の点でどうか。

主な発見

• LA-Light は追加の訓練なしで、典型的なシナリオと希少イベント条件の両方で良好な性能を示す。
• センサ障害下で、LA-Light は従来の RL ベースシステムと比較して平均待機時間を 20.4% 減少させる。
• フレームワークは意思決定に対する明示的な根拠を提供し、交通管理者の透明性を向上させる。
• 実験は合成交差点と実世界の上海ネットワークを含み、緊急時と道路封鎖を含む。
• モジュール式ツールキットと標準化されたプロンプトは、既存の TSC手法と今後の拡張との統合を促進する。