检索增强生成-增强分布式LLM代理用于具有紧急车辆的可泛化交通信号控制

于红博

摘要: 随着城市交通复杂性的增加，交通信号控制（TSC）对于优化交通流量和提高道路安全至关重要。大型语言模型（LLMs）被视为TSC的有望方法。然而，在紧急情况下，它们容易产生幻觉，导致不可靠的决策，可能会给紧急车辆造成重大延误。此外，不同类型的交叉口对交通状态编码和交叉口训练提出了重大挑战，限制了跨异质交叉口的泛化。因此，本文提出了增强检索生成（RAG）的分布式LLM代理，并采用应急响应来实现通用TSC（REG-TSC）。首先，本文提出了一个应急感知推理框架，根据紧急情况动态调整推理深度，并配备一种新颖的基于评论者的紧急RAG（RERAG），从历史案例中提炼特定知识和指导，增强代理的紧急决策的可靠性和合理性。其次，本文设计了一种类型无关的交通表示，并提出了一种奖励引导的强化细化（R3）用于异质交叉口。R3根据环境反馈的优先级自适应地从不同的交叉口中采样训练经验，并使用设计的奖励加权似然损失对LLM代理进行微调，引导REG-TSC朝着跨异质交叉口的高奖励策略发展。在三个实际道路网络上的17到177个异质交叉口上，大量实验证明REG-TSC将旅行时间减少了42.00％，队列长度减少了62.31％，紧急车辆等待时间减少了83.16％，优于其他最先进的方法。

更新时间: 2025-10-30 08:23:08

领域: cs.AI

下载: http://arxiv.org/abs/2510.26242v1