LISA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management
作者: Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah
分类: cs.AI, cs.CY, cs.ET
发布日期: 2026-05-12
💡 一句话要点
LISA：基于LLM的认知仲裁无信号灯自动交叉口管理
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 智能交通系统 大型语言模型 交叉口管理 自主驾驶 意图识别 认知仲裁 交通优化
📋 核心要点
- 现有交叉口管理方法在复杂交通环境中表现不佳，缺乏对车辆意图的感知，且依赖信号基础设施。
- LISA利用LLM进行认知仲裁，根据车辆意图、优先级等因素，实现无信号灯的自主交叉口管理。
- 实验表明，LISA显著降低了控制延迟、等待时间、燃料消耗，并提高了意图满足率，优于传统方法。
📝 摘要（中文）
大型语言模型(LLMs)在智能交通系统(ITS)中展现出强大的潜力，尤其是在需要情境推理和多智能体协调的任务中。这些能力使其非常适合协同驾驶，而基于规则的方法在复杂和动态的交通环境中难以应对。交叉口管理仍然特别具有挑战性，因为存在冲突的路权需求、异构车辆优先级以及必须实时解决的车辆特定运动学约束。然而，现有的方法通常将LLM用作基于信号灯系统的辅助组件，而不是作为主要的决策者。信号控制器仍然与车辆无关，基于预定的方法缺乏意图感知，最近基于LLM的系统仍然依赖于信号基础设施。此外，LLM推理延迟限制了它们在亚秒级控制设置中的使用。我们提出了LISA（基于LLM的意图驱动速度建议），这是一个用于自主交叉口管理的无信号灯认知仲裁框架。LISA使用LLM来推理声明的车辆意图，包括优先级、队列压力和能源偏好。我们在不同的交通负载下，针对固定周期控制、SCATS、AIM和GLOSA评估了LISA。结果表明，LISA将平均控制延迟降低了高达89.1%，并保持了C级服务水平，而所有非LLM基线都降级为F级服务水平。在接近饱和的需求下，LISA相对于固定周期控制，将平均等待时间减少了93%，峰值队列长度减少了60.6%。它还将燃料消耗降低了高达48.8%，并实现了86.2%的意图满足率，而最佳的非LLM方法为61.2%。这些结果表明，基于LLM的推理可以实现实时的无信号灯交叉口管理。
🔬 方法详解
问题定义：论文旨在解决传统交叉口管理方法在复杂交通环境下效率低、适应性差的问题。现有方法，如固定周期控制、SCATS等，无法有效处理异构车辆的优先级和意图，导致交通拥堵和服务水平下降。此外，基于信号灯的系统依赖基础设施，限制了其在某些场景下的应用。
核心思路：论文的核心思路是利用大型语言模型（LLM）的推理能力，对车辆的意图进行理解和仲裁，从而实现更智能、更高效的交叉口管理。通过让LLM考虑车辆的优先级、队列压力和能源偏好等因素，可以做出更合理的决策，优化交通流量。
技术框架：LISA框架主要包括以下几个模块：车辆意图声明模块（车辆向系统声明其行驶意图，如目的地、优先级等）、LLM推理模块（LLM根据车辆意图和其他交通信息进行推理，生成速度建议）和速度建议执行模块（车辆根据LLM的建议调整速度，安全通过交叉口）。整体流程是，车辆首先声明意图，然后LLM进行推理，最后车辆执行建议。
关键创新：LISA的关键创新在于将LLM作为交叉口管理的核心决策者，而不是作为辅助组件。与现有方法相比，LISA能够更好地理解车辆的意图，并根据交通状况进行实时调整，从而实现更灵活、更高效的交叉口管理。此外，LISA无需依赖信号灯等基础设施，具有更强的适应性。
关键设计：论文中没有详细说明LLM的具体结构和训练方法，但提到LLM需要能够处理车辆意图、优先级、队列压力和能源偏好等信息。关键设计可能包括如何将这些信息编码为LLM可以理解的输入，以及如何设计损失函数来优化LLM的决策能力。此外，如何平衡LLM的推理时间和决策质量也是一个重要的设计考虑。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LISA在不同交通负载下均优于传统方法。在高负载情况下，LISA将平均控制延迟降低了高达89.1%，并保持了C级服务水平，而所有非LLM基线都降级为F级。在接近饱和的需求下，LISA相对于固定周期控制，将平均等待时间减少了93%，峰值队列长度减少了60.6%，燃料消耗降低了高达48.8%，意图满足率达到86.2%。
🎯 应用场景
LISA可应用于智能交通系统，尤其是在城市交通拥堵缓解、自动驾驶车辆调度和能源效率优化等方面。该研究的实际价值在于提高交叉口通行效率，减少交通延误和燃料消耗，提升城市交通服务水平。未来，LISA有望成为构建更智能、更可持续的城市交通系统的关键技术。
📄 摘要（原文）
Large language models (LLMs) show strong potential for Intelligent Transportation Systems (ITS), particularly in tasks requiring situational reasoning and multi-agent coordination. These capabilities make them well suited for cooperative driving, where rule-based approaches struggle in complex and dynamic traffic environments. Intersection management remains especially challenging due to conflicting right-of-way demands, heterogeneous vehicle priorities, and vehicle-specific kinematic constraints that must be resolved in real time. However, existing approaches typically use LLMs as auxiliary components on top of signal-based systems rather than as primary decision-makers. Signal controllers remain vehicle-agnostic, reservation-based methods lack intent awareness, and recent LLM-based systems still depend on signal infrastructure. In addition, LLM inference latency limits their use in sub-second control settings. We propose LISA (LLM-Based Intent-Driven Speed Advisory), a signal-free cognitive arbitration framework for autonomous intersection management. LISA uses an LLM to reason over declared vehicle intents, incorporating priority classes, queue pressure, and energy preferences. We evaluate LISA against fixed-cycle control, SCATS, AIM, and GLOSA across varying traffic loads. Results show that LISA reduces mean control delay by up to 89.1% and maintains Level of Service C while all non-LLM baselines degrade to Level of Service F. Under near-saturated demand, LISA reduces mean waiting time by 93% and peak queue length by 60.6% relative to fixed-cycle control. It also lowers fuel consumption by up to 48.8% and achieves 86.2% intent satisfaction, compared to 61.2% for the best non-LLM method. These results demonstrate that LLM-based reasoning can enable real-time, signal-free intersection management.