不得不看的AI前沿理论与技术： LLM-Assisted Light大模型

文章主要介绍最新论文《LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments》，该论文提出了一种名为LLM-Assisted Light（LA-Light）的创新方法，利用大型语言模型的能力来改进复杂城市环境中的交通信号控制。传统的交通信号控制系统主要依赖规则算法或强化学习，在应对不熟悉场景时表现有限。为了解决这些问题，论文提出了一个混合框架，将大型语言模型与一套感知和决策工具相结合，使其能够处理静态和动态交通信息，并在决策过程中起核心作用。实验结果表明，LA-Light系统在各种交通环境下无需额外训练即可有效适应，尤其是在传感器故障的情况下，表现优于传统RL系统，显著减少了平均等待时间。该研究展示了大型语言模型在交通管理中的潜力，开辟了将大型语言模型应用于实际动态场景的道路。文章的作者为邱雪，审校为黄星宇和许东舟。

1. 背景与挑战

这篇论文介绍了当前城市交通信号控制系统面临的挑战，包括传统基于规则和强化学习的方法在应对复杂和动态的交通环境时表现不佳，难以适应不熟悉的场景，以及传感器技术的发展虽然带来了更具适应性的策略，但仍存在过拟合和难以捕捉关键事件的局限性。尤其在传感器故障的情况下，传统系统难以有效管理交通流，实时数据利用的局限也限制了动态调整交通信号的能力。

为解决这些问题，论文提出了LA-Light框架，通过整合大型语言模型和一套感知与决策工具，提高交通信号控制系统的适应性和智能化水平。实验结果表明，LA-Light在各种交通环境下无需额外训练即可有效适应，尤其在传感器故障情况下表现优于传统强化学习系统，显著减少了平均等待时间，展示了大型语言模型在交通管理中的巨大潜力。

2. 方法

图1 LA-Light的混合框架图

论文提出的方法论是通过整合大型语言模型与交通信号控制系统，构建一个名为LLM-Assisted Light（LA-Light）的混合框架，如图1所示，以提高交通信号控制的适应性和智能化水平。具体方法包括以下几个方面：

首先，LA-Light框架的结构将LLM置于决策过程的核心，通过高级推理和决策能力来处理交通信号控制任务。同时，框架中集成了一套感知工具和决策工具，感知工具用于收集静态和动态交通信息，决策工具用于辅助LLM做出交通信号控制决策。工作流程从任务描述开始，定义LLM在交通管理中的角色。接着，LLM从预定义的工具集中选择合适的感知和决策工具，收集交通环境中的数据并进行分析，最终做出交通信号控制的决策，并解释其决策逻辑以提高系统的透明度。决策传输给交通控制系统后，实施相应的信号调整，并提供解释反馈。

为了验证该框架的有效性，论文开发了一个仿真平台，并通过实验表明，LA-Light系统能够在不同的交通环境下有效适应，特别是在传感器故障的情况下，表现优于传统RL系统，显著减少了平均等待时间。论文通过将LLM的高级推理和决策能力与传统交通信号控制方法相结合，提出了一种创新的混合框架，显著提升了交通信号控制系统的灵活性和智能化水平。

3. 数据集

图2 上海市松江区陈塔路的交通网络。(a) Google地图上的显示。(b) 在SUMO模拟器中的显示。

论文使用的数据集包括合成数据集和实际数据集，以评估提出的LA-Light框架在交通信号控制中的表现。合成数据集包含具有不同布局的独立交叉路口场景，包括三路交叉口（每个方向有三条车道）和四路交叉口（每个方向有三条车道）。实际数据集则主要来自上海市松江区的城市道路网络，该区域因高密度建设和商业活动而交通拥堵严重。该网络涵盖18个交叉路口，包括12个四路交叉口和6个三路交叉口。数据通过分析2021年7月30日的监控视频记录每分钟的车辆数，以在SUMO仿真平台上重现这些交通场景，部分数据如图2所示。

为了全面评估LA-Light的性能，设计了三个特定的测试场景，如图3所示。首先是紧急车辆场景，在正常交通流中引入占总交通量1%的紧急车辆（如救护车），这些车辆有随机的起点和终点。其次是道路封闭事件场景，模拟交通事故等突发事件，通过随机道路封闭来测试系统的响应能力。最后是传感器故障场景，模拟传感器可靠性问题，在仿真过程中引入10%的传感器故障概率，以测试系统在数据丢失情况下的性能。通过这些数据集和场景，验证了LA-Light框架在不同交通环境和突发情况下的适应性和有效性。

图3 三个测试场景。(a) 紧急车辆场景，救护车被整合进交通流中；(b) 道路封闭事件场景，展示因事故或其他事件导致的临时道路封闭；(c) 传感器故障场景，展示传感器故障对交通数据准确性的影响。

4. 实验结果

图4 在紧急车辆场景中，LA-Light在不同数据集上与其它模型的对比实验结果

论文的实验结果表明，LA-Light框架在各种交通环境下表现出色，特别是在紧急车辆、道路封闭事件和传感器故障等特殊场景中显著优于传统的交通信号控制方法和强化学习方法。在紧急车辆场景中，与Maxpressure方法相比，LA-Light在四路交叉口中减少了32.1%的平均行程时间（ATT），在上海网络中减少了10.8%，具体如图4所示。此外，LA-Light显著提高了紧急车辆的效率，平均紧急行程时间（AETT）在上海网络中减少了15.3%。

图5 在道路封闭事件场景中，LA-Light在不同数据集上与其它模型的对比实验结果

在道路封闭事件场景中，LA-Light在三路交叉口中比IntelliLight方法减少了2.2%的平均行程时间和6.3%的平均等待时间（AWT），如图5所示。在上海网络中，LA-Light在平均行程时间和平均等待时间上分别比UniTSA方法提高了6.8%和11.3%。

图6 在传感器故障场景中，LA-Light在不同数据集上与其它模型的对比实验结果

在传感器故障场景中，与Maxpressure方法相比，LA-Light在上海网络中的平均行程时间和平均等待时间分别减少了20.0%和35.9%，如图6所示。与UniTSA方法相比，平均行程时间和平均等待时间分别提高了7.7%和20.4%。

总体而言，LA-Light框架通过利用LLM强大的推理和决策能力，结合传统交通信号控制方法和实时数据收集工具，实现了显著的性能提升。实验结果展示了LA-Light在处理紧急事件、应对突发交通状况以及传感器数据缺失情况下的强大适应能力和稳定性。

5. 总结与展望

论文提出的LA-Light框架，将大型语言模型集成到交通信号控制系统中，以提升其在复杂城市交通环境中的适应能力和智能化水平。通过将大型语言模型作为决策核心，结合感知工具和决策工具，LA-Light框架能够动态收集和分析交通数据，制定有效的交通信号控制决策。实验结果表明，LA-Light在处理紧急车辆、道路封闭事件和传感器故障等特殊场景中表现优异，相较于传统方法和其他强化学习方法，显著减少了平均行程时间和平均等待时间，提升了交通管理的效率和应变能力。

未来的工作将致力于改进大型语言模型与交通控制系统的交互过程，以加快响应速度，并引入基于视觉的模型来直接处理视觉信息。这些改进预计将提升框架在处理实际复杂交通系统方面的能力，减少对文本描述的依赖。此外，还计划在更大规模和更复杂的实际交通网络中验证LA-Light的有效性，以进一步优化其应用潜力，推动大型语言模型在实际交通管理中的应用。