🤖 AI

LISA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management

Das Papier schlägt LISA vor, ein signalloses kognitives Arbitrierungsframework, das Large Language Models nutzt, um über Fahrzeugabsichten und -prioritäten für das autonome Kreuzungsmanagement zu reasoning und dabei im Vergleich zu herkömmlichen signal- und reservierungsbasierten Methoden signifikante Verbesserungen bei Verkehrsverzögerungen, Warteschlangenlänge, Kraftstoffverbrauch und Absichtserfüllung demonstriert.

Ursprüngliche Autoren: Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah

Veröffentlicht 2026-05-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine belebte Kreuzung in einer Stadt als einen chaotischen Tanzboden vor. Derzeit managen wir diesen Tanzboden mit einem strengen, starren DJ (der Ampel), der denselben Beat im Loop abspielt, unabhängig davon, wer sich tatsächlich auf dem Boden befindet. Wenn der DJ „Stopp" sagt, hält jeder an, selbst wenn der Tanzboden leer ist. Wenn der DJ „Los" sagt, stürmt jeder los, selbst wenn der Boden vollgepackt ist. Dieses System weiß nicht, wer tanzt, wohin sie wollen oder wie dringend ihr Tanz ist.

Die Arbeit stellt LISA (LLM-Based Intent-Driven Speed Advisory) vor, eine neue Art, diesen Tanzboden ohne DJ zu managen. Anstelle einer Ampel nutzt LISA einen „Smart Conductor" (intelligenten Dirigenten), der von einem Large Language Model (LLM) angetrieben wird – derselben Art von KI, die Geschichten schreiben oder komplexe Fragen beantworten kann.

So funktioniert LISA, aufgeschlüsselt in einfache Konzepte:

1. Der „Smart Conductor" vs. der starre DJ

Im alten System (Ampeln) werden Autos wie identische Ziegelsteine behandelt. Die Ampel schaltet auf Grün, und alle fahren los.
Im LISA-System ist jedes Auto eine Person mit einer Stimme. Wenn sich Autos der Kreuzung nähern, teilen sie dem Smart Conductor ihre Absicht mit:

„Ich bin ein Krankenwagen und habe es eilig!" (Priorität)
„Ich bin ein Bus mit 40 Personen an Bord." (Priorität)
„Ich möchte links abbiegen, aber ich habe es eilig." (Absicht)
„Ich würde lieber gleichmäßig fahren, um Benzin zu sparen, auch wenn ich etwas warte." (Energiepräferenz)

Der Smart Conductor hört all diese Stimmen gleichzeitig zu. Anstatt nur „Los" oder „Stopp" zu sagen, agiert er wie ein Schiedsrichter, der sagt: „Okay, der Krankenwagen geht zuerst, der Bus folgt dicht auf, und das Auto, das links abbiegen will, kann sich dazwischenfädeln, wenn es nur ein winziges bisschen langsamer wird."

2. Keine roten Ampeln mehr, nur „Geschwindigkeitshinweise"

LISA entfernt die Ampeln vollständig. Die Kreuzung ist immer „offen".

Der alte Weg: Sie warten an einer roten Ampel 30 Sekunden, auch wenn von der anderen Seite niemand kommt.
Der LISA-Weg: Der Smart Conductor sendet einen „Geschwindigkeitshinweis" an Ihr Auto. Er könnte sagen: „Fahren Sie weiter mit 30 Meilen pro Stunde" oder „Verlangsamen Sie auf 10 Meilen pro Stunde, damit Sie genau dann ankommen, wenn der Weg frei ist."
Das Ergebnis: Autos fließen durch die Kreuzung wie Wasser in einem Bach, passen ihre Geschwindigkeit ständig an, um ein Zusammenstoßen zu vermeiden, statt wie ein Zug nach Fahrplan anzuhalten und wieder anzufahren.

3. Die „Spickzettel" (Lösen des Geschwindigkeitsproblems)

Sie könnten denken: „Aber ist KI nicht langsam? Wenn die KI 5 Sekunden zum Nachdenken braucht, wird das Auto einen Unfall bauen!"
Die Arbeit gibt zu, dass KI langsam sein kann. Um dies zu beheben, nutzt LISA zwei Tricks:

Der Spickzettel (Memoized Arbitration Table): Der Smart Conductor führt ein Notizbuch mit häufigen Situationen. Wenn er dasselbe Verkehrsmuster sieht, das er vor 10 Minuten gelöst hat, schaut er einfach die Antwort im Notizbuch nach, anstatt erneut nachzudenken. Dies passiert in starkem Verkehr zu 98 % der Zeit, wodurch das System sofortig wirkt.
Der Vorsprung: Das System beginnt, mit den Autos zu sprechen, wenn diese noch weit entfernt sind (400 Meter entfernt). Dies gibt der KI reichlich Zeit zum Nachdenken und zum Senden des „Geschwindigkeitshinweises", bevor das Auto der Kreuzung überhaupt nahe kommt.

4. Das „Sicherheitsnetz"

Obwohl die KI der Boss ist, überwacht ein strenger, nicht denkender Roboter (ein „Safety Watchdog") die Kreuzung. Wenn die KI einen Fehler macht oder der „Geschwindigkeitshinweis" falsch ist, drückt dieser Roboter sofort die Bremsen des Autos, das kurz vor einem Unfall steht. Es ist wie ein menschliches Sicherheitsnetz unter einem Trapezkünstler; der Künstler (KI) führt die fancy Moves aus, aber das Netz sorgt dafür, dass niemand fällt.

Was haben sie herausgefunden?

Die Forscher testeten dies in einer Computersimulation im Vergleich zu herkömmlichen Ampeln, adaptiven Ampeln (SCATS) und anderen intelligenten Systemen. Hier ist, was passierte:

Weniger Wartezeit: LISA reduzierte die Zeit, die Autos warteten, um bis zu 89 % im Vergleich zu Standardampeln.
Kein Stau: Selbst wenn die Straße vollgepackt war, hielt LISA den Verkehr auf einem anständigen Tempo (Level of Service C), während herkömmliche Ampeln zu einem totalen Stau führten (Level of Service F).
Kraftstoffersparnis: Da Autos nicht so oft anhalten und wieder anfahren mussten, verbrauchten sie 48 % weniger Kraftstoff.
Glückliche Fahrer: Das System war besser darin, zu respektieren, was die Fahrer tatsächlich wollten (wie das Durchlassen eines Krankenwagens oder das Sparen von Benzin) und erreichte eine Zufriedenheitsrate von 86 % im Vergleich zu 61 % für das beste KI-freie System.

Das Fazit

LISA beweist, dass wir keine physischen Ampeln benötigen, um Kreuzungen sicher zu managen. Indem wir eine KI nutzen, die die Absicht jedes Fahrers versteht, und ein „Geschwindigkeitshinweis"-System, das sie lenkt, können wir Kreuzungen wie einen gut orchestrierten Tanz fließen lassen und Zeit, Kraftstoff und Frustration sparen. Die Arbeit zeigt, dass dies am besten funktioniert, wenn der Verkehr belebt, aber nicht vollständig verstopft ist, und fungiert als intelligenter Vermittler, der den Frieden wahrt, ohne eine rote Ampel zu benötigen.

Technische Zusammenfassung: LISA – Kognitive Arbitrierung für signallose autonome Kreuzungsmanagement

1. Problemstellung

Das Management urbaner Kreuzungen hat sich historisch auf infrastrukturzentrierte Paradigmen verlassen, die Verkehrsampeln und Schilder nutzen, um den Fluss auf Basis aggregierter Messungen zu regulieren, anstatt individuelle Fahrzeugfähigkeiten oder -absichten zu berücksichtigen. Obwohl vernetzte und autonome Fahrzeuge (CAVs) das Potenzial für eine direkte Koordination bieten, stoßen bestehende Lösungen auf deutliche strukturelle Grenzen:

Signalbasierte Controller (festgetaktet, adaptiv) bleiben fahrzeugagnostisch und optimieren Phasen basierend auf dem aggregierten Fluss statt auf spezifischen Fahrzeugabsichten oder Prioritäten.
Green Light Optimal Speed Advisory (GLOSA) verbessert die kinematische Effizienz, bleibt jedoch an bestehende Signalpläne gebunden und verfügt über keine Mechanismen zur Klärung von Vorfahrtsrechten bei mehreren Fahrzeugen.
Autonomous Intersection Management (AIM) eliminiert Signale durch Reservierungsslots, verlässt sich jedoch auf deterministische Zeitpläne kinematischer Zustände und ist nicht in der Lage, Fahrzeugabsichten, Prioritätsklassen oder kontextuelle Abwägungen wie Staudruck zu berücksichtigen.
LLM-basierte Ansätze haben sich als Werkzeuge für das Schlussfolgern etabliert, werden jedoch typischerweise als Hilfsmodule eingesetzt, um Signalphasen auszuwählen oder Entscheidungen des Reinforcement Learning (RL) zu korrigieren, statt als autonome Agenten für direkte, signallose Entscheidungsfindung zu agieren.

Darüber hinaus stellt die hohe Inferenz-Latenz von Large Language Models (LLMs) eine erhebliche Hürde für die Echtzeitsteuerung dar, da Fahrzeugsteuerzyklen im Subsekundenbereich nicht auf mehrsekündige Schlussfolgerungsaufrufe warten können. Die Kernfrage besteht darin, ob LLM-Schlussfolgerungen allein, ohne Signalinfrastruktur oder aufgabenspezifisches Training, in der Lage sind, Durchfahrtsabsichten effektiv zu arbitrieren und kooperative kinematische Empfehlungen in Echtzeit bereitzustellen.

2. Methodik: Das LISA-Framework

Die Autoren schlagen LISA (LLM-Based Intent-Driven Speed Advisory) vor, ein signalloses kognitives Arbitrierungsframework. LISA stellt das Kreuzungsmanagement als kognitives Arbitrierungsproblem neu dar, bei dem ein LLM-Agent konkurrierende Vorfahrtsansprüche direkt aus Fahrzeugabsichten auflöst, ohne Signalphasen oder Reservierungspläne.

Systemarchitektur

LISA verwendet eine zweischichtige Steuerarchitektur, um hochrangige semantische Schlussfolgerung von niedrigrangiger kinematischer Ausführung zu trennen:

Hochrangige semantische Arbitrierung (LLM-Agent): Der LLM erhält strukturierte Eingaben bezüglich aktiver Heranfahrtsrichtungen, deklarierten Fahrzeugabsichten (räumlich, zeitlich, Priorität, Energie), Staudrücken und Konfliktbeziehungen. Er gibt symbolische Vorfahrtsrollen aus: CLEAR (weiterfahren), YIELD (nachgeben) oder SHARE (gleichzeitiges Fahren mit reduzierter Geschwindigkeit).
Niedrigrangige kinematische Ausführung: Ein deterministischer Executor wandelt diese symbolischen Rollen in spezifische, überprüfbare Geschwindigkeitsempfehlungen ( $v_{adv}$ ) für jedes Fahrzeug basierend auf seinem aktuellen Abstand zur Haltelinie um. Diese Schicht gewährleistet zeitliche Präzision und Sicherheit und entfernt den LLM aus dem Echtzeit-Steuerkreislauf.

Schlüsselmechanismen zur Latenzminderung

Um die Inferenz-Latenz von LLMs zu adressieren, integriert LISA zwei komplementäre Mechanismen:

Memoisierte Arbitrierungstabelle (MAT): Ein Cache speichert zuvor berechnete Vorfahrtszuweisungen, indiziert durch eine diskrete „Konfliktsignatur" (kodiert Prioritätsklassen, Dringlichkeitsbänder, Stautiefe und Energiepräferenzen). Dies ermöglicht dem System, wiederkehrende Konfliktzustände zu bedienen, ohne den LLM aufzurufen, und erzielt hohe Cache-Trefferquoten.
Antizipative Arbitrierung: Abfragen werden ausgelöst, wenn Fahrzeuge eine „Empfehlungshorizont"-Zone betreten (400 m von der Haltelinie entfernt), wodurch ein Latenzpuffer von etwa 14 Sekunden entsteht, bevor Fahrzeuge die „Nahzone" (200 m) erreichen, in der Geschwindigkeitsempfehlungen durchgesetzt werden. Dies stellt sicher, dass LLM-Antworten eintreffen, bevor sie benötigt werden.

Sicherheit und Logik

Sicherheits-Watchdog: Ein kachelbasierter Kollisionsmonitor läuft unabhängig vom LLM. Wenn zwei Fahrzeuge mit konfliktären Bewegungen dieselbe Kachel belegen, wird das später ankommende Fahrzeug auf eine Haltegeschwindigkeit ( $V_{hold} = 2,0$ m/s) überschrieben, um Kollisionen zu verhindern.
Rollenlogik: Das System erzwingt strikte Vorrangschaltungen für Einsatzfahrzeuge. Für gesättigte konfliktäre Heranfahrtsrichtungen mit vergleichbarem Staudruck ermöglicht die Rolle SHARE beiden, mit reduzierten, druckgewichteten Geschwindigkeiten weiterzufahren, um eine Verhungernssituation zu verhindern.

3. Hauptbeiträge

Signallose absichtsbasierte Arbitrierung: LISA ist das erste Framework, das Kreuzungsmanagement als kognitives Arbitrierungsproblem formuliert, bei dem ein LLM Vorfahrtsrechte direkt aus absichtsebenenbezogenen Absichten auflöst, ohne Signalphasen, Reservierungspläne oder Feinabstimmung.
Latenzgeminderte Zweischichten-Architektur: Die Trennung von semantischer Arbitrierung und deterministischer Ausführung, kombiniert mit der MAT und antizipativen Abfragen, ermöglicht Echtzeit-Leistung. Die MAT erreichte bei mittlerer Nachfrage Trefferquoten von bis zu 98,8 %, und die antizipative Arbitrierung hielt über alle Bedingungen hinweg Null LLM-Fallbacks aufrecht.
Umfassende empirische Evaluation: LISA wurde im SUMO-Simulator gegen Fixed-cycle, SCATS (adaptiv), AIM und GLOSA bei niedrigen, mittleren und nahezu gesättigten Verkehrslasten evaluiert.
Mehrdimensionale Absichtserfüllungs-Metrik: Die Autoren führen eine strukturierte Evaluierungsachse ein, die die Leistung in räumliche, zeitliche, prioritätsbezogene und energiebezogene Erfüllungskomponenten zerlegt und so einen ganzheitlichen Blick auf die Erfüllung fahrzeugspezifischer Absichten bietet.

4. Experimentelle Ergebnisse

Evaluiert mit dem Gemini-2.5 Flash Lite-Modell zeigte LISA signifikante Verbesserungen gegenüber den Baselines:

Verkehrseffizienz:
- Mittlere Steuerungsverzögerung: LISA reduzierte die mittlere Steuerungsverzögerung bei mittlerer Last um bis zu 89,1 % im Vergleich zur festgetakteten Steuerung.
- Servicegrad (LOS): Bei mittlerer Last ( $v/c = 0,63$ ) hielt LISA LOS C aufrecht, während alle Nicht-LLM-Baselines auf LOS F absanken.
- Wartezeit: Unter nahezu gesättigter Nachfrage reduzierte LISA die mittlere Wartezeit um 93 % relativ zur festgetakteten Steuerung.
- Maximale Staulänge: LISA reduzierte die maximale Staulänge bei hoher Last um 60,6 % relativ zur festgetakteten Steuerung.
Energie und Emissionen:
- LISA senkte den Kraftstoffverbrauch um bis zu 48,8 % relativ zur festgetakteten Steuerung.
- Der Verlust an kinetischer Energie wurde bei mittlerer Nachfrage um bis zu 26 % reduziert.
Absichtserfüllung:
- LISA erreichte bei mittlerer Nachfrage eine gesamte Absichtserfüllung von 86,2 % und übertraf damit das beste Nicht-LLM-Ergebnis (61,2 % für GLOSA) signifikant.
- Dieser Gewinn wurde durch überlegene Leistung bei der Einhaltung zeitlicher Verzögerungen, Prioritätsdienst (insbesondere für Einsatzfahrzeuge) und energiebewusster Glätte getrieben.
LLM-Leistung:
- Die Benchmark-Phase identifizierte Gemini-2.5 Flash Lite als optimalen Backend, der mit einer mittleren Latenz von 1.592 ms und Null Aufrufen, die den 5-Sekunden-Schwellenwert überschritten, eine composite Score von 93,3 % erreichte.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass LISA demonstriert, dass LLM-Schlussfolgerungen, kombiniert mit leichter Latenzminderung und deterministischer Ausführung, eine Echtzeit-kooperative Kreuzungsarbitrierung ohne Signalinfrastruktur unterstützen können.

Die Autoren argumentieren, dass die primäre Bedeutung von LISA in seiner Fähigkeit liegt:

Über die Regulierung des aggregierten Flusses hinaus zu absichtsbewusster Koordination zu gehen und Konflikte basierend auf sozialen Prioritäten, Routenentscheidungen und Energiepräferenzen zu lösen.
In einem Zero-Shot-Regime zu operieren, das sich auf die allgemeinen Schlussfolgerungsfähigkeiten des LLM verlässt, anstatt auf aufgabenspezifisches Training oder Feinabstimmung.
Einen menschlich lesbaren, interpretierbaren Konfliktlösungsprozess bereitzustellen, bei dem der LLM als expliziter Arbitrierungsagent und nicht als Black-Box-Optimierer agiert.

Die Autoren stellen fest, dass LISA zwar die stärksten Gewinne im „Übergangsregime" (mittlere Last) zeigt, wo die Arbitrierungsqualität das Einsetzen persistenter Staus verhindert, es jedoch auch bei hohen Lasten wirksam bleibt, um die Stauverteilung zu steuern. Die Arbeit schließt, dass dieser Ansatz einen gangbaren Weg hin zu signallosem, kooperativem autonomen Fahren bietet, obwohl zukünftige Arbeiten erforderlich sind, um die Koordination mehrerer Kreuzungen und die Robustheit gegenüber Prompt-Variationen zu adressieren.