論文の概要: LIDSA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management

• arxiv url: http://arxiv.org/abs/2605.12321v2
• Date: Wed, 20 May 2026 11:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.018914
• Title: LIDSA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management
• Title（参考訳）: LIDSA:信号のない自律的交差点管理のための認知的アロケーション
• Authors: Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah,
• Abstract要約: 自律的交差点管理のための信号自由認知調停フレームワーク LIDSA を提案する。 各種交通負荷に対する固定サイクル制御,SCATS,AIM,GLOSAに対するLIDSAの評価を行った。 LIDSAは平均制御遅延を最大89.1%削減し、サービスレベルCを維持している。
• 参考スコア（独自算出の注目度）: 3.099103925863002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 LIDSA (LLM-Based Intent-Driven Speed Advisory), a signal-free cognitive arbitration framework for autonomous intersection management. LIDSA uses an LLM to reason over declared vehicle intents, incorporating priority classes, queue pressure, and energy preferences. We evaluate LIDSA against fixed-cycle control, SCATS, AIM, and GLOSA across varying traffic loads. Results show that LIDSA 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, LIDSA 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.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、特に状況推論やマルチエージェント調整を必要とするタスクにおいて、インテリジェントトランスポーテーションシステム(ITS)に強い可能性を示す。 これらの能力は、ルールベースのアプローチが複雑で動的な交通環境に苦しむ協調運転に適している。 交差点管理は、道路右翼の要求、異種車両の優先順位、およびリアルタイムに解決しなければならない車両固有の運動的制約に矛盾するため、特に困難なままである。 しかし、既存のアプローチでは、信号ベースのシステム上の補助的なコンポーネントとしてLLMを使うのが一般的である。 信号制御装置は車両に依存しないままであり、予約ベースの方法には意図的認識がなく、最近のLCMベースのシステムは信号基盤に依存している。 加えて、LLM推論遅延は、秒以下の制御設定での使用を制限する。 LIDSA (LLM-based Intent-Driven Speed Advisory) は,自律的交差点管理のための信号のない認知調停フレームワークである。 LIDSAはLLMを使用して、宣言された車両意図を推論し、優先度クラス、待ち行列圧力、エネルギー優先を取り入れている。 各種交通負荷に対する固定サイクル制御,SCATS,AIM,GLOSAに対するLIDSAの評価を行った。 その結果, LIDSAは平均制御遅延を最大89.1%削減し, 非LLMベースラインはすべてサービスFレベルに低下する一方でサービスCレベルを維持していることがわかった。 また、燃料消費量を48.8%まで減少させ86.2%の意図的満足度を達成し、最も優れた非LLM法では61.2%である。 これらの結果から,LLMに基づく推論により,リアルタイムで信号のない交差点管理が可能であることが示唆された。

関連論文リスト

• LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support [0.0]
  本研究では,LSTMに基づく短期交通状態予測を統合したLLM拡張交通信号制御フレームワークを提案する。 提案手法は,特に動的かつ非再帰的な交通条件下での交通効率を向上する。
  論文  参考訳（メタデータ） (2026-04-26T22:26:20Z)
• 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)
• AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving [71.55254573283793]
  既存のアプローチでは、Large Language Modelsを頻繁に起動し、過剰な計算オーバーヘッドを引き起こすか、固定スケジュールを使用するかのいずれかである。 我々は,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的なスローファストフレームワークであるAdaDriveを提案する。 AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-09T07:05:03Z)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• AURA: Adaptive Unified Reasoning and Automation with LLM-Guided MARL for NextG Cellular Networks [5.20555845228727]
  次世代(NextG)セルネットワークは,高性能を保ちながら動的トラフィックを管理することが期待されている。 LLMは6G計画のための戦略的推論を提供するが、計算コストと遅延はリアルタイムの使用を制限する。 AURAは、クラウドベースのLCMを高レベルプランニングのためのフレームワークであり、MARLエージェントをモデルとしたローカル意思決定のためのベースステーションである。
  論文  参考訳（メタデータ） (2025-10-02T22:43:47Z)
• Intra-request branch orchestration for efficient LLM reasoning [52.68946975865865]
  大規模言語モデル(LLM)は、複雑なタスクの正確性を改善するために、推論時推論アルゴリズムにますます依存している。 それまでの作業は、トークンの使用を減らすことを中心に、多くの場合、正確さを犠牲にしつつ、他のレイテンシ要因を見越すことに重点を置いていた。 本稿では,LLMサービスシステムであるDUCHESSについて,予測によって導かれるリクエスト内ブランチオーケストレーションにより,精度を犠牲にすることなく,コストとレイテンシを低減できるシステムを提案する。
  論文  参考訳（メタデータ） (2025-09-29T15:52:08Z)
• Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
  大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。 我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:11Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Large Language Models (LLMs) as Traffic Control Systems at Urban Intersections: A New Paradigm [5.233512464561313]
  本研究では,Large Language Models (LLM) をトラヒックコントローラとして利用することで,トラヒック制御システムに新たなアプローチを提案する。 この研究は、論理的推論、シーン理解、意思決定能力を利用してスループットを最適化し、リアルタイムで交通状況に基づいたフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-11-16T19:23:52Z)
• 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)

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。