[论文解读] 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 7

一句话总结

论文提出 LA-Light，一种使用具感知与决策工具的 LLM 的混合交通信号控制框架，能够管理复杂的城市交通并在罕见事件中无需额外训练。

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.

研究动机与目标

• 在复杂的城市环境中，提出需要超越基于规则的方法和强化学习方法的自适应交通信号控制的动机。
• 介绍一个混合的 LA-Light 框架，利用 LLM 推理结合感知与决策工具来解释并对交通数据采取行动。
• 展示与现有交通信号控制（TSC）方法的集成，在常规条件下维持性能，同时适应罕见事件。
• 提供模块化工具包和标准化提示，以增强对 LLM 指导的 TSC 的透明度和运维信任。

提出的方法

• 将 LA-Light 作为一个五步循环：LLM 选择感知与决策工具、收集数据、进行分析，并输出带有理由的交通相位决策。
• 开发一个模块化工具包，包含静态/动态感知工具以及用于可行性、引导和正当性说明的决策工具。
• 使用系统提示结构和工具特定提示来引导 LLM 的推理以及与交通环境的交互。
• 在 SUMO 上实现该框架，使用 GPT-4 Turbo 模型，并在多种场景下进行评估，包括紧急情况和传感器中断。
• 与 Webster、SOTL、Maxpressure，以及基于 RL 的方法比较，并附带一个 Vanilla-LLM 基线，以展示推理和工具辅助决策的优势。

实验结果

研究问题

• RQ1 配备感知与决策工具的 LLM 能否在复杂的城市交叉口有效控制交通信号？
• RQ2 LA-Light 框架在常规交通条件下是否维持或提升性能，同时适应罕见事件？
• RQ3 在效率与透明度方面，工具辅助的 LLM 推理与传统的基于规则和基于 RL 的 TSC 方法相比如何？

主要发现

• LA-Light 在典型场景以及罕见事件条件下均表现良好且无需额外训练。
• 在传感器中断情况下，相比传统基于 RL 的系统，LA-Light 将平均等待时间降低了 20.4%。
• 该框架为决策提供了明确的正当性说明，提升了对交通运营者的透明度。
• 实验覆盖合成交叉口和真实世界的上海网络，包括紧急情况和封路情况。
• 模块化工具包和标准化提示有助于与现有 TSC 方法的集成及未来扩展。