Riepilogo Tecnico: LISA – Arbitraggio Cognitivo per la Gestione delle Intersezioni Autonome Senza Semafori

1. Enunciato del Problema

La gestione delle intersezioni urbane ha storicamente fatto affidamento su paradigmi incentrati sull'infrastruttura, utilizzando semafori e segnali per regolare il flusso basandosi su misurazioni aggregate piuttosto che sulle capacità o intenzioni individuali dei veicoli. Sebbene i Veicoli Connessi e Autonomi (CAV) offrano il potenziale per un coordinamento diretto, le soluzioni esistenti presentano limitazioni strutturali distinte:

• I controllori basati su semafori (a ciclo fisso, adattivi) rimangono agnostici rispetto al veicolo, ottimizzando le fasi in base al flusso aggregato piuttosto che alle intenzioni o priorità specifiche dei veicoli.
• Il Green Light Optimal Speed Advisory (GLOSA) migliora l'efficienza cinematica ma rimane vincolato agli orari dei semafori esistenti, mancando di meccanismi per la risoluzione dei diritti di precedenza tra più veicoli.
• La Gestione Autonoma delle Intersezioni (AIM) elimina i semafori tramite slot di prenotazione ma si affida alla pianificazione deterministica degli stati cinematici, fallendo nel ragionare su intenzioni dei veicoli, classi di priorità o compromessi contestuali come la pressione delle code.
• Gli approcci basati su LLM sono emersi come strumenti di ragionamento ma sono tipicamente utilizzati come moduli ausiliari per selezionare le fasi semaforiche o correggere le decisioni dell'Apprendimento per Rinforzo (RL), piuttosto che agire come agenti autonomi per il processo decisionale diretto e senza semafori.

Inoltre, l'alta latenza di inferenza dei Large Language Models (LLM) pone un ostacolo significativo al controllo in tempo reale, poiché i cicli di controllo veicolare sub-secondo non possono attendere chiamate di ragionamento di diversi secondi. La sfida fondamentale è se il ragionamento degli LLM da solo, senza infrastruttura semaforica o addestramento specifico per il compito, possa arbitrare efficacemente le intenzioni di attraversamento e fornire avvisi cinematici cooperativi in tempo reale.

2. Metodologia: Il Framework LISA

Gli autori propongono LISA (LLM-Based Intent-Driven Speed Advisory), un framework di arbitraggio cognitivo senza semafori. LISA riformula la gestione delle intersezioni come un problema di arbitraggio cognitivo in cui un agente LLM risolve le rivendicazioni concorrenti di diritto di precedenza direttamente dalle intenzioni dei veicoli, senza fasi semaforiche o piani di prenotazione.

Architettura del Sistema

LISA impiega un'architettura di controllo a due livelli per separare il ragionamento semantico di alto livello dall'esecuzione cinematica di basso livello:

1. Arbitraggio Semantico di Alto Livello (Agente LLM): L'LLM riceve input strutturati riguardanti gli approcci attivi, le intenzioni dichiarate dei veicoli (spaziali, temporali, di priorità, energetiche), le pressioni delle code e le relazioni di conflitto. Produce ruoli simbolici di diritto di precedenza: CLEAR (procedere), YIELD (cedere) o SHARE (condivisione a velocità ridotta).
2. Esecuzione Cinematica di Basso Livello: Un esecutore deterministico converte questi ruoli simbolici in avvisi di velocità specifici e verificabili ($v_{adv}$) per ciascun veicolo in base alla sua distanza attuale dalla linea di arresto. Questo livello garantisce precisione temporale e sicurezza, rimuovendo l'LLM dal ciclo di controllo in tempo reale.

Meccanismi Chiave per la Mitigazione della Latenza

Per affrontare la latenza di inferenza degli LLM, LISA integra due meccanismi complementari:

• Tabella di Arbitraggio in Memoria (MAT): Una cache memorizza le assegnazioni di diritto di precedenza calcolate in precedenza, indicizzate da una "firma di conflitto" discreta (che codifica classi di priorità, fasce di urgenza, profondità della coda e preferenze energetiche). Ciò permette al sistema di servire stati di conflitto ricorrenti senza invocare l'LLM, raggiungendo tassi di hit della cache elevati.
• Arbitraggio Anticipatorio: Le query vengono attivate quando i veicoli entrano in un "orizzonte di avviso" (400 m dalla linea di arresto), creando un buffer di latenza di circa 14 secondi prima che i veicoli entrino nella "zona vicina" (200 m) dove vengono imposti gli avvisi di velocità. Ciò garantisce che le risposte dell'LLM arrivino prima che siano necessarie.

Sicurezza e Logica

• Watchdog di Sicurezza: Un monitor di collisione basato su "tile" opera indipendentemente dall'LLM. Se due veicoli con movimenti conflittuali occupano lo stesso tile, il veicolo che arriva più tardi viene sovrascritto a una velocità di arresto ($V_{hold} = 2.0$ m/s) per prevenire collisioni.
• Logica dei Ruoli: Il sistema impone una preclusione rigorosa per i veicoli di emergenza. Per approcci conflittuali saturi con pressioni delle code comparabili, il ruolo SHARE permette a entrambi di procedere a velocità ridotte e ponderate sulla pressione per evitare la carestia.

3. Contributi Chiave

1. Arbitraggio Basato sulle Intenzioni Senza Semafori: LISA è il primo framework a formulare la gestione delle intersezioni come un problema di arbitraggio cognitivo in cui un LLM risolve il diritto di precedenza direttamente dalle intenzioni a livello di approccio, senza fasi semaforiche, piani di prenotazione o fine-tuning.
2. Architettura a Due Livelli con Mitigazione della Latenza: La separazione tra arbitraggio semantico ed esecuzione deterministica, combinata con la MAT e le query anticipatorie, abilita prestazioni in tempo reale. La MAT ha raggiunto tassi di hit fino al 98,8% a domanda media, e l'arbitraggio anticipatorio ha mantenuto zero fallback all'LLM in tutte le condizioni.
3. Valutazione Empirica Completa: LISA è stato valutato nel simulatore SUMO contro Fixed-cycle, SCATS (adattivo), AIM e GLOSA su carichi di traffico bassi, medi e quasi saturi.
4. Metrica di Soddisfazione delle Intenzioni Multidimensionale: Gli autori introducono un asse di valutazione strutturato che scompone le prestazioni in componenti di soddisfazione spaziale, temporale, di priorità ed energetica, fornendo una visione olistica dell'adempimento delle intenzioni a livello di veicolo.

4. Risultati Sperimentali

Valutato utilizzando il modello Gemini-2.5 Flash Lite, LISA ha dimostrato miglioramenti significativi rispetto ai baseline:

• Efficienza del Traffico:

  • Ritardo Medio di Controllo: LISA ha ridotto il ritardo medio di controllo fino all'89,1% rispetto al controllo a ciclo fisso a carico medio.
  • Livello di Servizio (LOS): A carico medio ($v/c = 0,63$), LISA ha mantenuto il LOS C, mentre tutti i baseline non-LLM sono degradati al LOS F.
  • Tempo di Attesa: Sotto domanda quasi satura, LISA ha ridotto il tempo medio di attesa del 93% rispetto al controllo a ciclo fisso.
  • Lunghezza di Picco della Coda: LISA ha ridotto la lunghezza di picco della coda del 60,6% rispetto al controllo a ciclo fisso ad alto carico.

• Energia ed Emissioni:

  • LISA ha abbassato il consumo di carburante fino al 48,8% rispetto al controllo a ciclo fisso.
  • La perdita di energia cinetica è stata ridotta fino al 26% a domanda media.

• Soddisfazione delle Intenzioni:

  • LISA ha raggiunto una soddisfazione complessiva delle intenzioni dell'86,2% a domanda media, superando significativamente il miglior risultato non-LLM (61,2% per GLOSA).
  • Questo guadagno è stato guidato da prestazioni superiori nel rispetto dei ritardi temporali, nel servizio di priorità (specialmente per i veicoli di emergenza) e nella fluidità consapevole dell'energia.

• Prestazioni dell'LLM:

  • La fase di benchmarking ha identificato Gemini-2.5 Flash Lite come backend ottimale, ottenendo un punteggio composito del 93,3% con una latenza media di 1.592 ms e zero chiamate che superavano la soglia di 5 secondi.

5. Significato e Affermazioni

Il documento afferma che LISA dimostra che il ragionamento degli LLM, quando combinato con una mitigazione della latenza leggera e un'esecuzione deterministica, può supportare l'arbitraggio cooperativo delle intersezioni in tempo reale senza infrastruttura semaforica.

Gli autori sostengono che il significato primario di LISA risiede nella sua capacità di:

• Andare oltre la regolazione del flusso aggregato verso un coordinamento consapevole delle intenzioni, risolvendo i conflitti basandosi su priorità sociali, scelte di percorso e preferenze energetiche.
• Operare in un regime zero-shot, affidandosi alle capacità di ragionamento generale dell'LLM piuttosto che ad addestramento o fine-tuning specifici per il compito.
• Fornire un processo di risoluzione dei conflitti leggibile e interpretabile dall'uomo, dove l'LLM agisce come agente di arbitraggio esplicito piuttosto che come ottimizzatore a scatola nera.

Gli autori notano che, sebbene LISA mostri i guadagni più forti nel "regime di transizione" (carico medio) dove la qualità dell'arbitraggio previene l'insorgenza di congestione persistente, rimane efficace anche ad alti carichi per la gestione della distribuzione della congestione. Il documento conclude che questo approccio offre una via praticabile verso la guida autonoma cooperativa senza semafori, sebbene siano necessari lavori futuri per affrontare il coordinamento tra più intersezioni e la robustezza alle variazioni dei prompt.