[論文レビュー] Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents

Shiqi Wei, Qiqing Wang+1 more|arXiv (Cornell University)|Jan 22, 2026

Traffic control and management被引用数 0

ひとこと要約

この論文は、従来の適応型交通信号制御を拡張する階層的フレームワークを提案し、LLMベースの仮想交通警察エージェントを用いて、検索拡張された現地知識と自己改良ループを活用して予期せぬ交通事象に対処します。

ABSTRACT

Adaptive traffic signal control (TSC) has demonstrated strong effectiveness in managing dynamic traffic flows. However, conventional methods often struggle when unforeseen traffic incidents occur (e.g., accidents and road maintenance), which typically require labor-intensive and inefficient manual interventions by traffic police officers. Large Language Models (LLMs) appear to be a promising solution thanks to their remarkable reasoning and generalization capabilities. Nevertheless, existing works often propose to replace existing TSC systems with LLM-based systems, which can be (i) unreliable due to the inherent hallucinations of LLMs and (ii) costly due to the need for system replacement. To address the issues of existing works, we propose a hierarchical framework that augments existing TSC systems with LLMs, whereby a virtual traffic police agent at the upper level dynamically fine-tunes selected parameters of signal controllers at the lower level in response to real-time traffic incidents. To enhance domain-specific reliability in response to unforeseen traffic incidents, we devise a self-refined traffic language retrieval system (TLRS), whereby retrieval-augmented generation is employed to draw knowledge from a tailored traffic language database that encompasses traffic conditions and controller operation principles. Moreover, we devise an LLM-based verifier to update the TLRS continuously over the reasoning process. Our results show that LLMs can serve as trustworthy virtual traffic police officers that can adapt conventional TSC methods to unforeseen traffic incidents with significantly improved operational efficiency and reliability.

研究の動機と目的

• 予期せぬ事象に対して従来のモデルベース手法を超えた信頼性のある交通信号制御の必要性を動機づける。
• 実時間で上位レベルのLLMが下位レベルの制御器を微調整する階層的なLLM増強TSCフレームワークを提案する。
• 交通言語検索システム（TLRS）を介してドメイン知識でLLMの意思決定を地固めする。
• LLMが生成者と検証者の役割を果たす自己改良メカニズムを導入し、TLRSを継続的に改善する。

提案手法

• 上位レベルのLLMエージェント（仮想交通警察）と下位レベルの適応型TSC制御器という2層階層を導入する。
• ゼロショットの連鎖思考 prompting を用いて微調整パラメータと推論軌跡を生成する。
• TLRSを用いてLLM推論を地固めし、事故条件-制御連鎖の交通言語データベースからドメイン知識を取得する。
• LLMベースの検証者を実装し出力を批判させ、TLRSを更新する。
• 最大圧力法とMPC制御器を下位レベルの制御器として統合し、パラメータを調整可能にする。
• 事故を想定したパラメータ調整をGLLM(E_s)として定式化し、予期せぬ事象に適応させる。

実験結果

リサーチクエスチョン

• RQ1 RQ1 従来のTSCシステムをLLMエージェントで拡張して予期せぬ事象に対処するにはどうすればよいか？
• RQ2 RQ2 ドメイン地固めされた推論と自己改良を通じて交通事象に対するLLMエージェントの信頼性をどのように高められるか？

主な発見

• LLMsは予期せぬ事象に対して従来のTSC手法を適応させる信頼できる上位エージェントとして機能し得る。
• TLRSが過去の交通事象知識に基づいているとLLM生成決定の信頼性が向上する。
• 自己改良メカニズムによりLLMは自分の出力を批評し、知識ベースを継続的に更新できる。
• 本フレームワークは2つの適応型TSC手法と4つのシミュレーションケースで評価され、運用効率と信頼性の向上を示す（定性的）。