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

要約

大都市圏の交通渋滞は、広範囲にわたる経済、環境、社会に影響を及ぼす大きな課題となっています。
したがって、効果的な渋滞管理が不可欠であり、交通信号制御 (TSC) システムがこの取り組みにおいて極めて重要です。
ルールベースのアルゴリズムまたは強化学習 (RL) に基づいて設計された従来の TSC システムは、不慣れなシナリオへの適応能力が限られているため、都市交通の流れの複雑さと変動性の管理に欠陥があることがよくあります。
これらの制限に対応して、この研究では、大規模言語モデル (LLM) を TSC に統合し、その高度な推論能力と意思決定能力を活用する革新的なアプローチを導入しています。
具体的には、一連の認識および意思決定ツールで LLM を強化し、静的および動的交通情報の両方の調査を容易にするハイブリッド フレームワークが提案されています。
この設計では、LLM を意思決定プロセスの中心に置き、外部トラフィック データと確立された TSC メソッドを組み合わせます。
さらに、提案されたフレームワークの有効性を裏付けるために、シミュレーション プラットフォームが開発されました。
私たちのシミュレーションから得られた結果は、追加のトレーニングを必要とせずに、システムが多様な交通環境に適応する能力に優れていることを証明しています。
特に、センサー障害 (SO) の場合、当社のアプローチは平均待機時間を $20.4\%$ 短縮することで、従来の RL ベースのシステムを上回っています。
この研究は、TSC 戦略の顕著な進歩を意味し、LLM を現実世界の動的なシナリオに統合する道を開き、トラフィック管理に革命をもたらす可能性を強調しています。
関連コードは https://github.com/Traffic-Alpha/LLM-Assisted-Light で入手できます。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google