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

📄 arXiv: 2410.14368v2 📥 PDF

作者: Huaiyuan Yao, Longchao Da, Vishnu Nandam, Justin Turnau, Zhiwei Liu, Linsey Pang, Hua Wei

分类: cs.AI, cs.RO

发布日期: 2024-10-18 (更新: 2025-01-09)

备注: 8 pages, 4 figures, accepted to SDM25

🔗 代码/项目: GITHUB

💡 一句话要点

提出CoMAL以解决混合自主交通问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 混合自主交通 协作智能体 大语言模型 交通流优化 智能交通系统 自动驾驶

📋 核心要点

  1. 核心问题：现有方法在混合自主交通中缺乏有效的协作机制，导致交通流优化不足。
  2. 方法要点：CoMAL框架通过自主车辆间的协作与交流，利用大语言模型优化交通流。
  3. 实验或效果：CoMAL在Flow基准测试中表现优越，展现出比强化学习方法更强的合作能力。

📝 摘要（中文）

随着自主车辆在城市交通中的整合，提升效率、减少拥堵和优化交通流的潜力巨大。本文提出了CoMAL（协作多智能体大语言模型）框架，通过自主车辆之间的协作来优化交通流。CoMAL基于大语言模型，在交互式交通仿真环境中运行，利用感知模块观察周围智能体，并通过记忆模块存储每个智能体的策略。整体工作流程包括协作模块、推理引擎和执行模块，实验结果表明CoMAL在Flow基准测试中表现优越，并与强化学习方法进行了比较，展示了LLM智能体的强大协作能力，为混合自主交通挑战提供了有前景的解决方案。

🔬 方法详解

问题定义：本文旨在解决混合自主交通中自主车辆协作不足的问题。现有方法往往缺乏有效的互动机制，导致交通流优化效果不佳。

核心思路：CoMAL框架的核心思路是通过自主车辆之间的协作与交流，利用大语言模型的强大能力来优化交通流。这种设计旨在提升车辆间的信息共享和决策效率。

技术框架：CoMAL的整体架构包括多个模块：感知模块用于观察周围环境，记忆模块存储策略，协作模块促进车辆间的讨论，推理引擎根据角色分配确定最佳行为，执行模块则控制车辆行动，结合规则基础模型进行决策。

关键创新：CoMAL的主要创新在于将大语言模型应用于交通流优化中，强调了智能体间的协作能力，与传统的强化学习方法相比，提供了更灵活的策略生成和执行机制。

关键设计：在设计中，感知模块和记忆模块的参数设置至关重要，确保智能体能够准确理解环境并有效存储策略。此外，执行模块结合了规则基础模型和学习模型，提升了决策的准确性和实时性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，CoMAL在Flow基准测试中表现优越，相较于传统强化学习方法，提升了交通流效率，具体性能数据未详细披露，但强调了LLM智能体的强大合作能力。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、城市交通管理和自动驾驶车辆的协同控制。通过优化混合自主交通流，CoMAL能够有效减少交通拥堵，提高道路使用效率，未来可能对城市交通的可持续发展产生深远影响。

📄 摘要（原文）

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.