Fugu-MT 論文翻訳(概要): Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents

論文の概要: Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents

arxiv url: http://arxiv.org/abs/2601.15816v1
Date: Thu, 22 Jan 2026 10:04:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-23 21:37:20.568761
Title: Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents
Title（参考訳）: 仮想交通警察:予期せぬ事故に対する大規模言語モデルによる交通信号制御
Authors: Shiqi Wei, Qiqing Wang, Kaidi Yang,
Abstract要約: 本稿では,Large Language Models (LLMs) を用いた既存の交通信号制御システムを強化する階層型フレームワークを提案する。上層部の仮想交通警察エージェントは、リアルタイム交通事故に応じて下層部の信号制御装置の選択パラメータを動的に微調整する。この結果から, LLM は従来の TSC 手法を交通事故に適応させることのできる, 信頼性の高い仮想交通警察官として機能することが示唆された。
参考スコア（独自算出の注目度）: 5.077053934708947
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adaptive traffic signal control (TSC) has demonstrated strong effectiveness in managing dynamic traffic flows. However, conventional methods often struggle when unforeseen traffic incidents occur (e.g., accidents and road maintenance), which typically require labor-intensive and inefficient manual interventions by traffic police officers. Large Language Models (LLMs) appear to be a promising solution thanks to their remarkable reasoning and generalization capabilities. Nevertheless, existing works often propose to replace existing TSC systems with LLM-based systems, which can be (i) unreliable due to the inherent hallucinations of LLMs and (ii) costly due to the need for system replacement. To address the issues of existing works, we propose a hierarchical framework that augments existing TSC systems with LLMs, whereby a virtual traffic police agent at the upper level dynamically fine-tunes selected parameters of signal controllers at the lower level in response to real-time traffic incidents. To enhance domain-specific reliability in response to unforeseen traffic incidents, we devise a self-refined traffic language retrieval system (TLRS), whereby retrieval-augmented generation is employed to draw knowledge from a tailored traffic language database that encompasses traffic conditions and controller operation principles. Moreover, we devise an LLM-based verifier to update the TLRS continuously over the reasoning process. Our results show that LLMs can serve as trustworthy virtual traffic police officers that can adapt conventional TSC methods to unforeseen traffic incidents with significantly improved operational efficiency and reliability.
Abstract（参考訳）: 適応的交通信号制御 (TSC) は, 動的交通流の管理において強い効果を示した。しかし、従来の方法では、予期せぬ交通事故(事故や道路整備など)が発生した場合、通常、交通警察官による労働集約的かつ非効率な手動介入を必要とする。大きな言語モデル(LLM)は、その顕著な推論と一般化能力のおかげで、有望なソリューションに見えます。それでも、既存のワークスでは、既存の TSC システムを LLM ベースのシステムに置き換えることがしばしば提案されている。一 LLM の本質的な幻覚による信頼性の低いもの (二)システム交換の必要性によりコストがかかる。既存の業務の課題に対処するため,LLM を用いて既存の TSC システムを拡張した階層的枠組みを提案し,リアルタイム交通事故に対応するために,上位の仮想交通警察員が信号制御装置のパラメータを動的に微調整する。予期せぬ交通事故に応答して,ドメイン固有の信頼性を高めるために,交通条件や制御動作の原則を包含した調整された交通言語データベースから知識を引き出すために,自己修正型交通言語検索システム(TLRS)を考案した。さらに,TLRS を逐次更新する LLM ベースの検証器を考案した。この結果から, LLM は従来の TSC 手法を, 運転効率と信頼性を著しく向上した交通事故に適応させることのできる, 信頼性の高い仮想交通警察官として機能できることが示唆された。

関連論文リスト

Enhancing LLM-based Autonomous Driving with Modular Traffic Light and Sign Recognition [15.4994260281059]
大規模言語モデル(LLM)は、自律運転における意思決定と計画にますます利用されている。 LLMをベースとした自律走行エージェントを明示的な信号と信号認識で拡張するモジュール冗長層であるTLS-Assistを導入する。 LMDriveを14%,BEVDriverを7%,運転性能を14%向上させた。
論文参考訳（メタデータ） (2025-11-18T11:52:52Z)
Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
論文参考訳（メタデータ） (2025-11-01T13:18:50Z)
Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
論文参考訳（メタデータ） (2025-03-27T11:56:27Z)
CoT-VLM4Tar: Chain-of-Thought Guided Vision-Language Models for Traffic Anomaly Resolution [14.703196966156288]
CoT-VLM4Tar:(交通異常解消のための思考視覚言語モデルの構造) 本稿では,より合理的かつ効果的に交通異常を解析し,推論し,解決する上で,VLMを導くための新たなチェーン・オブ・思想を提案する。本結果は,VLMがリアルタイム交通異常の解消に有効であることを示し,自律的な交通管理システムへの統合の実証となる。
論文参考訳（メタデータ） (2025-03-03T15:07:25Z)
LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments [3.7788636451616697]
本研究は,大規模言語モデルを交通信号制御システムに統合する革新的なアプローチを導入する。 LLMを知覚と意思決定ツールのスイートで強化するハイブリッドフレームワークが提案されている。シミュレーションの結果から,交通環境の多種性に適応するシステムの有効性が示された。
論文参考訳（メタデータ） (2024-03-13T08:41:55Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
LLMLight: Large Language Models as Traffic Signal Control Agents [25.438040499152745]
交通信号制御(TSC)は都市交通管理において重要な要素であり、道路網の効率を最適化し渋滞を軽減することを目的としている。本稿では,大規模言語モデル (LLM) を用いた新しいフレームワーク LLMLight について述べる。
論文参考訳（メタデータ） (2023-12-26T13:17:06Z)
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)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
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。