CoMAL: Collaborative Multi-Agent Large Language Models for Mixed-Autonomy Traffic

要約

自動運転車を都市交通に統合すると、渋滞を軽減し、交通の流れを体系的に最適化することで効率を向上できる大きな可能性があります。
このホワイトペーパーでは、自律走行車間の連携により交通の流れを最適化することで、混合自律走行交通問題に対処するように設計されたフレームワークである CoMAL (Collaborative Multi-Agent LLM) を紹介します。
CoMAL は大規模な言語モデルに基づいて構築されており、対話型の交通シミュレーション環境で動作します。
知覚モジュールを利用して周囲のエージェントを観察し、記憶モジュールを利用して各エージェントの戦略を保存します。
全体的なワークフローには、自動運転車が効果的な戦略について話し合って役割を割り当てることを促すコラボレーション モジュール、割り当てられた役割に基づいて最適な動作を決定する推論エンジン、ルールベースのモデルを組み合わせたハイブリッド アプローチを使用して車両の動作を制御する実行モジュールが含まれます。
実験結果は、CoMAL がフロー ベンチマークで優れたパフォーマンスを達成することを示しています。
さらに、さまざまな言語モデルの影響を評価し、フレームワークと強化学習アプローチを比較します。
これは、LLM エージェントの強力な協調機能を強調し、混合自律トラフィックの課題に対する有望なソリューションを示します。
コードは https://github.com/Hyan-Yao/CoMAL で入手できます。

要約(オリジナル)

The integration of autonomous vehicles into urban traffic has great potential to improve efficiency by reducing congestion and optimizing traffic flow systematically. In this paper, we introduce CoMAL (Collaborative Multi-Agent LLMs), a framework designed to address the mixed-autonomy traffic problem by collaboration among autonomous vehicles to optimize traffic flow. CoMAL is built upon large language models, operating in an interactive traffic simulation environment. It utilizes a Perception Module to observe surrounding agents and a Memory Module to store strategies for each agent. The overall workflow includes a Collaboration Module that encourages autonomous vehicles to discuss the effective strategy and allocate roles, a reasoning engine to determine optimal behaviors based on assigned roles, and an Execution Module that controls vehicle actions using a hybrid approach combining rule-based models. Experimental results demonstrate that CoMAL achieves superior performance on the Flow benchmark. Additionally, we evaluate the impact of different language models and compare our framework with reinforcement learning approaches. It highlights the strong cooperative capability of LLM agents and presents a promising solution to the mixed-autonomy traffic challenge. The code is available at https://github.com/Hyan-Yao/CoMAL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google