論文の概要: Retrieval Augmented Generation-Enhanced Distributed LLM Agents for Generalizable Traffic Signal Control with Emergency Vehicles

• arxiv url: http://arxiv.org/abs/2510.26242v1
• Date: Thu, 30 Oct 2025 08:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.709428
• Title: Retrieval Augmented Generation-Enhanced Distributed LLM Agents for Generalizable Traffic Signal Control with Emergency Vehicles
• Title（参考訳）: 緊急車両による一般交通信号制御のための検索拡張分散型LLMエージェント
• Authors: Xinhang Li, Qing Guo, Junyu Chen, Zheng Guo, Shengzhe Xu, Lei Li, Lin Zhang,
• Abstract要約: 交通信号制御(TSC)の有望なアプローチとして大型言語モデル(LLM)が出現する 本稿では,汎用TSC(Retrieval Augmented Generation, RAG-TSC)に対する緊急応答型分散LLMエージェントを提案する。
• 参考スコア（独自算出の注目度）: 25.292538507972868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing urban traffic complexity, Traffic Signal Control (TSC) is essential for optimizing traffic flow and improving road safety. Large Language Models (LLMs) emerge as promising approaches for TSC. However, they are prone to hallucinations in emergencies, leading to unreliable decisions that may cause substantial delays for emergency vehicles. Moreover, diverse intersection types present substantial challenges for traffic state encoding and cross-intersection training, limiting generalization across heterogeneous intersections. Therefore, this paper proposes Retrieval Augmented Generation (RAG)-enhanced distributed LLM agents with Emergency response for Generalizable TSC (REG-TSC). Firstly, this paper presents an emergency-aware reasoning framework, which dynamically adjusts reasoning depth based on the emergency scenario and is equipped with a novel Reviewer-based Emergency RAG (RERAG) to distill specific knowledge and guidance from historical cases, enhancing the reliability and rationality of agents' emergency decisions. Secondly, this paper designs a type-agnostic traffic representation and proposes a Reward-guided Reinforced Refinement (R3) for heterogeneous intersections. R3 adaptively samples training experience from diverse intersections with environment feedback-based priority and fine-tunes LLM agents with a designed reward-weighted likelihood loss, guiding REG-TSC toward high-reward policies across heterogeneous intersections. On three real-world road networks with 17 to 177 heterogeneous intersections, extensive experiments show that REG-TSC reduces travel time by 42.00%, queue length by 62.31%, and emergency vehicle waiting time by 83.16%, outperforming other state-of-the-art methods.
• Abstract（参考訳）: 都市交通の複雑化に伴い,交通信号制御(TSC)は交通流の最適化と道路安全向上に不可欠である。 大規模言語モデル (LLM) は TSC の有望なアプローチとして出現する。 しかし、彼らは緊急時に幻覚を起こす傾向にあり、緊急車両に重大な遅延を引き起こすような信頼性の低い決定を下す。 さらに、多種多様な交叉型は、異種交叉の一般化を制限し、交通状態の符号化と横断訓練に重大な課題をもたらす。 そこで本研究では,汎用TSC(Retrieval Augmented Generation, RAG-TSC)に対する緊急応答を有する分散LLMエージェントを提案する。 まず, 緊急シナリオに基づいて推論深度を動的に調整し, 歴史的事例から特定の知識やガイダンスを抽出し, エージェントの緊急判断の信頼性と合理性を高める, 新規なレビュアーベース緊急RAG (RERAG) を備える緊急対応推論フレームワークを提案する。 第2に,異種交点に対するタイプ非依存の交通表現を設計し,Reward-guided Reinforceed Refinement (R3)を提案する。 R3は、環境フィードバックに基づく優先度と、報酬重み付き可能性損失を設計した微調整LDMエージェントとの多様な交差点からのトレーニング経験を適応的にサンプリングし、不均一な交差点を横断する高逆ポリシーに向けてREG-TSCを誘導する。 17から177の異種交点を持つ3つの現実世界の道路網では、REG-TSCが走行時間を42.00%削減し、キューの長さを62.31%削減し、緊急車両待ち時間を83.16%削減し、他の最先端の手法より優れていることを示した。

関連論文リスト

• Reinforcement Learning Based Traffic Signal Design to Minimize Queue Lengths [15.439906983758808]
  本稿では、RL(Reinforcement Learning)を活用して全信号位相の待ち行列長を最小化する適応型TSCフレームワークを提案する。 提案アルゴリズムは,都市交通シミュレータ(SUMO)を用いて実装されている。 最も優れた構成は、従来のWebster法と比較して平均キュー長を約29%削減する。
  論文  参考訳（メタデータ） (2025-09-26T01:23:30Z)
• Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning [5.1129002613887105]
  本稿では,単一エージェント強化学習(RL)に基づく地域交通信号制御モデルを提案する。 このモデルは、広域交通渋滞を緩和し、総走行時間を最小化することを目的として、広範囲にわたる交通信号を調整することができる。 SUMO交通シミュレーションソフトウェアを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-03-12T10:51:29Z)
• Cross-domain Multi-step Thinking: Zero-shot Fine-grained Traffic Sign Recognition in the Wild [49.20086587208214]
  クロスドメイン マルチステップシンキング (CdMT) は、野生におけるゼロショットきめ細かなトラフィックサイン認識(TSR)の性能を改善することを提案した。 CdMTはトレーニングデータとは独立であり、単純で均一な命令のみを必要とするため、クロスカントリーのTSRを実現することができる。 フレームワークは5つのデータセット上の他の最先端メソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2024-09-03T02:08:47Z)
• Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
  本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。 本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。 シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T12:35:56Z)
• CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control [23.5766158697276]
  CityLightは、2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学ぶ。 97から13,952の交差点を含む5つの都市規模のデータセットの実験により、CityLightの有効性が確認された。
  論文  参考訳（メタデータ） (2024-06-04T09:10:14Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
  交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。 近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。 本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
  論文  参考訳（メタデータ） (2021-01-04T03:06:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。