[논문 리뷰] Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents

Shiqi Wei, Qiqing Wang외 1명|arXiv (Cornell University)|2026. 01. 22.

Traffic control and management인용 수 0

한 줄 요약

논문은 전통적인 적응형 교통신호 제어를 LLM 기반의 가상 교통경찰 에이전트로 보강하는 계층적 프레임워크를 제안하며, 검색 보강된 현장 지식과 자기 개선 루프를 사용해 예기치 않은 교통 사고를 처리합니다.

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.

연구 동기 및 목표

• 전통적인 모델 기반 방법을 넘어선 예기치 않은 사건 동안 신뢰할 수 있는 교통신호 제어의 필요성을 동기부여한다
• 상위 수준 LLM이 실시간으로 하위 수준 컨트롤러를 미세 조정하는 계층적 LLM-증강 TSC 프레임워크를 제안한다
• TLRS를 통한 도메인 지식으로 LLM 결정에 근거를 제공한다
• LLM이 제너레이터와 검증자로 작동하여 TLRS를 지속적으로 개선하는 자기 개선 메커니즘을 도입한다

제안 방법

• 상위 수준 LLM 에이전트(가상의 교통경찰)와 하위 수준의 적응형 TSC 컨트롤러로 이원 계층 구조를 도입한다
• 제로샷 사고 체인 프롬프트를 사용하여 미세 조정 매개변수와 추론 궤적을 생성한다
• 사건-조건-제어 체인의 교통 언어 데이터베이스에서 도메인 지식을 검색하는 TLRS로 LLM의 추론에 근거를 제공한다
• 출력을 비판하고 TLRS를 업데이트하는 LLM 기반 검증기를 구현한다
• 최대 압력(max-pressure) 및 MPC 컨트롤러를 조정 가능한 매개변수로 하위 레벨 컨트롤러로 통합하는 방법을 시연한다
• 사고 보강 매개변수 튜닝을 예기치 않은 사고에 적응하기 위해 GLLM(E_s)로 공식화한다

실험 결과

연구 질문

• RQ1 RQ1 전통적인 TSC 시스템을 LLM 에이전트와 보강하여 예기치 않은 사고를 처리하려면 어떻게 할 수 있는가?
• RQ2 RQ2 도메인 기반 추론과 자기 개선을 통해 트래픽 사건에 대한 LLM 에이전트의 신뢰성을 어떻게 높일 수 있는가?

주요 결과

• LLMs는 예기치 않은 사고에 전통적인 TSC 방법을 적응시키는 신뢰 가능한 상위 수준 에이전트 역할을 할 수 있다.
• 역사적 교통 사고 지식에 기반한 TLRS는 LLM이 생성한 의사결정의 신뢰성을 향상시킨다.
• 자기 개선 메커니즘은 LLM이 자신의 출력물을 비판하고 지식 베이스를 지속적으로 업데이트하도록 허용한다.
• 이 프레임워크는 두 가지 적응형 TSC 방법과 네 가지 시뮬레이션 사례에 걸쳐 평가되었으며, 운영 효율성과 신뢰성(정성적)이 향상되었음을 보여준다.