[논문 리뷰] LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments

Maonan Wang, Aoyu Pang외 4명|arXiv (Cornell University)|2024. 03. 13.

Traffic Prediction and Management Techniques인용 수 7

한 줄 요약

본 논문은 LA-Light를 제시한다. 이는 복합 도시 교통을 관리하고 드문 상황을 처리하기 위해 인식 및 의사결정 도구가 보강된 LLM을 활용하는 하이브리드 신호등 제어 프레임워크이며, 추가 학습 없이 작동한다.

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.

연구 동기 및 목표

• 복잡한 도시 환경에서 규칙 기반 및 강화학습(RL) 방법을 넘어서는 적응형 교통 신호 제어의 필요성을 제기한다.
• LLM 추론과 인식 및 의사결정 도구를 활용해 교통 데이터를 해석하고 행동으로 옮기는 하이브리드 LA-Light 프레임워크를 도입한다.
• 일반 조건에서 성능을 유지하면서 드문 사건에 적응하기 위해 기존의 TSC 방법과의 통합을 시연한다.
• LLM 기반 TSC의 투명성과 운영자 신뢰를 높이기 위한 모듈식 도구 키트와 표준화된 프롬프트를 제공한다.

제안 방법

• LA-Light를 LLM이 인식 도구와 의사결정 도구를 선택하고 데이터를 수집·분석한 뒤 타당성 있는 근거를 제시하여 교통 단계 결정을 내리는 다섯 단계 루프로 도입한다.
• 타당성·지도 및 근거를 위한 정적/동적 인식 도구와 의사결정 도구를 포함하는 모듈식 도구 키트를 개발한다.
• 시스템 프롬프트 구조와 도구별 프롬프트를 사용해 LLM의 추론과 교통 환경과의 상호작용을 안내한다.
• SUMO에서 GPT-4 Turbo 모델로 프레임워크를 구현하고 비상 상황 및 센서 장애를 포함한 여러 시나리오에서 평가한다.
• 추론 및 도구 보조 결정의 이점을 보여주기 위해 Webster, SOTL, Maxpressure, RL 기반 방법과 기본 Vanilla-LLM 기준선을 비교한다.

실험 결과

연구 질문

• RQ1 인식 및 의사결정 도구를 갖춘 LLM이 복잡한 도시 교차로에서 신호등을 효과적으로 제어할 수 있는가?
• RQ2 LA-Light 프레임워크가 일반적인 교통 조건에서 성능을 유지하거나 향상시키면서 드문 사건에 적응하는가?
• RQ3 도구 보조 LLM 추론이 전통적 규칙 기반 및 RL 기반 TSC 방법과 효율성과 투명성 면에서 어떻게 비교되는가?

주요 결과

• LA-Light는 추가 훈련 없이 일반적인 시나리오와 드문 이벤트 조건에서도 우수한 성능을 보여준다.
• 센서 장애 시, LA-Light는 기존 RL 기반 시스템에 비해 평균 대기 시간을 20.4% 감소시킨다.
• 프레임워크는 결정에 대한 명시적 근거를 제공하여 교통 운영자에 대한 투명성을 향상시킨다.
• 실험은 합성 교차로와 실제 상하이 네트워크를 포함하며, 비상 사태와 도로 차단을 포함한다.
• 모듈식 도구 키트와 표준화된 프롬프트는 기존 TSC 방법과의 통합 및 향후 확장을 용이하게 한다.