Technische Samenvatting: LISA – Cognitieve Arbitrage voor Signaalvrij Autonomisch Kruispuntbeheer

1. Probleemstelling

Het beheer van stedelijke kruispunten heeft historisch gezien vertrouwd op paradigma's die infrastructuurcentrisch zijn, waarbij verkeerslichten en borden worden gebruikt om de stroom te reguleren op basis van aggregaatmetingen in plaats van op individuele voertuigcapaciteiten of -intenties. Hoewel Connected and Autonomous Vehicles (CAV's) potentieel bieden voor directe coördinatie, ondervinden bestaande oplossingen duidelijke structurele beperkingen:

• Signaalgebaseerde controllers (vast cyclisch, adaptief) blijven voertuigagnostisch, waarbij fasen worden geoptimaliseerd op basis van aggregaatstroom in plaats van specifieke voertuigintenties of prioriteiten.
• Green Light Optimal Speed Advisory (GLOSA) verbetert de kinematische efficiëntie maar blijft gebonden aan bestaande signaalschema's, zonder mechanismen voor het oplossen van voorrangsconflicten tussen meerdere voertuigen.
• Autonomous Intersection Management (AIM) elimineert signalen via reserveringssloten, maar vertrouwt op deterministische planning van kinematische toestanden, waarbij het faalt in het redeneren over voertuigintentie, prioriteitsklassen of contextuele afwegingen zoals wachtrijdruk.
• LLM-gebaseerde benaderingen zijn opgekomen als redeneertools, maar worden doorgaans gebruikt als aanvullende modules om signaalfasen te selecteren of Reinforcement Learning (RL)-beslissingen te corrigeren, in plaats van te fungeren als autonome agenten voor directe, signaalvrije besluitvorming.

Bovendien vormt de hoge inferentielatentie van Large Language Models (LLM's) een aanzienlijke barrière voor real-time controle, aangezien voertuigcontrolecycli van minder dan een seconde niet kunnen wachten op redeneeroproepen van meerdere seconden. De kernuitdaging is of LLM-redenering alleen, zonder signaalinfrastructuur of taakspecifieke training, effectief kruisingsintenties kan arbitreren en coöperatieve kinematische adviezen kan leveren in real time.

2. Methodologie: Het LISA-kader

De auteurs stellen LISA (LLM-Based Intent-Driven Speed Advisory) voor, een signaalvrij cognitief arbitragekader. LISA herformuleert kruispuntbeheer als een cognitief arbitrageprobleem waarbij een LLM-agent concurrerende voorragsclaims direct oplost op basis van voertuigintenties, zonder signaalfasen of reserveringsplanningen.

Systeemarchitectuur

LISA maakt gebruik van een tweelaagse controlearchitectuur om hoog-niveau semantisch redeneren te scheiden van laag-niveau kinematische uitvoering:

1. Hoog-niveau semantische arbitrage (LLM-agent): De LLM ontvangt gestructureerde invoer over actieve benaderingen, gedeclareerde voertuigintenties (ruimtelijk, temporair, prioriteit, energie), wachtrijdruk en conflicterelaties. Het outputt symbolische voorrangsrollen: CLEAR (doorrijden), YIELD (afwachten) of SHARE (gelijktijdig met verlaagde snelheid).
2. Laag-niveau kinematische uitvoering: Een deterministische executor zet deze symbolische rollen om in specifieke, verifieerbare snelheidsadviezen ($v_{adv}$) voor elk voertuig op basis van de huidige afstand tot de stoplijn. Deze laag zorgt voor temporele precisie en veiligheid, waardoor de LLM uit de real-time controlelus wordt gehaald.

Belangrijke Mechanismen voor Latentiebeperking

Om de inferentielatentie van LLM's aan te pakken, integreert LISA twee complementaire mechanismen:

• Gememoriseerde Arbitratietabel (MAT): Een cache slaat eerder berekende voorrangs-toewijzingen op, gekoppeld aan een discrete "conflictsignatuur" (codering van prioriteitsklassen, urgentiebanden, wachtrijdiepte en energievoorkomens). Dit stelt het systeem in staat terugkerende conflictoestanden te bedienen zonder de LLM op te roepen, wat hoge cache-hitpercentages oplevert.
• Anticiperende Arbitrage: Queries worden geactiveerd wanneer voertuigen een "advieshorizon" binnenkomen (400 m van de stoplijn), waardoor een latentiebuffer van ongeveer 14 seconden ontstaat voordat voertuigen de "nabijzone" (200 m) binnenkomen waar snelheidsadviezen worden afgedwongen. Dit zorgt ervoor dat LLM-antwoorden aankomen voordat ze nodig zijn.

Veiligheid en Logica

• Veiligheidswachthond: Een tegelgebaseerde botsingsmonitor draait onafhankelijk van de LLM. Als twee voertuigen met conflicterende bewegingen dezelfde tegel bezetten, wordt het later aankomende voertuig overruled naar een vasthoudsnelheid ($V_{hold} = 2.0$ m/s) om botsingen te voorkomen.
• Rollogica: Het systeem handhaaft strikte preemptie voor noodvoertuigen. Voor verzadigde conflicterende benaderingen met vergelijkbare wachtrijdruk, staat de SHARE-rol toe dat beide voertuigen doorgaan met verlaagde, druk-gewogen snelheden om verhongering te voorkomen.

3. Belangrijkste Bijdragen

1. Signaalvrije Intentiegebaseerde Arbitrage: LISA is het eerste kader dat kruispuntbeheer formuleert als een cognitief arbitrageprobleem waarbij een LDM voorrangsregeling direct oplost op basis van benaderingsniveau-intenties zonder signaalfasen, reserveringsplanningen of fijne afstelling.
2. Latentiebeperkte Tweelaagse Architectuur: De scheiding tussen semantische arbitrage en deterministische uitvoering, gecombineerd met de MAT en anticiperende query's, maakt real-time prestaties mogelijk. De MAT behaalde hitpercentages tot 98,8% bij gemiddelde vraag, en anticiperende arbitrage hield nul LLM-fallbacks vol onder alle omstandigheden.
3. Uitgebreide Empirische Evaluatie: LISA werd geëvalueerd in de SUMO-simulator tegen Vast cyclisch, SCATS (adaptief), AIM en GLOSA over lage, gemiddelde en bijna-verzadigde verkeersbelastingen.
4. Meerdimensionale Intentievoldoening-maatstaf: De auteurs introduceren een gestructureerde evaluatie-as die prestaties ontbindt in ruimtelijke, temporale, prioriteits- en energievoldoeningcomponenten, waardoor een holistisch beeld van voertuigniveau-intentievoldoening wordt geboden.

4. Experimentele Resultaten

Geëvalueerd met het Gemini-2.5 Flash Lite-model, toonde LISA aanzienlijke verbeteringen ten opzichte van baselines:

• Verkeersefficiëntie:

  • Gemiddelde Controlevertraging: LISA verlaagde de gemiddelde controlevertraging met maximaal 89,1% ten opzichte van vast cyclisch beheer bij gemiddelde belasting.
  • Servicegraad (LOS): Bij gemiddelde belasting ($v/c = 0,63$) behield LISA LOS C, terwijl alle niet-LLM-baselines degradeerden naar LOS F.
  • Wachttijd: Onder bijna-verzadigde vraag verlaagde LISA de gemiddelde wachttijd met 93% ten opzichte van vast cyclisch beheer.
  • Piekwachtrijlengte: LISA verlaagde de piekwachtrijlengte met 60,6% ten opzichte van vast cyclisch beheer bij hoge belasting.

• Energie en Emissies:

  • LISA verlaagde het brandstofverbruik met maximaal 48,8% ten opzichte van vast cyclisch beheer.
  • Het verlies aan kinetische energie werd met maximaal 26% gereduceerd bij gemiddelde vraag.

• Intentievoldoening:

  • LISA behaalde een algehele intentievoldoening van 86,2% bij gemiddelde vraag, wat significant beter presteerde dan het beste niet-LLM-resultaat (61,2% voor GLOSA).
  • Deze winst werd gedreven door superieure prestaties in temporele vertragingconformiteit, prioriteitsservice (vooral voor noodvoertuigen) en energiebewuste soepelheid.

• LLM-prestaties:

  • De benchmarkfase identificeerde Gemini-2.5 Flash Lite als de optimale backend, met een composite score van 93,3%, een gemiddelde latentie van 1.592 ms en nul oproepen die de drempel van 5 seconden overschreden.

5. Betekenis en Claims

Het artikel stelt dat LISA aantoont dat LLM-redenering, wanneer gecombineerd met lichtgewicht latentiebeperking en deterministische uitvoering, real-time coöperatieve kruispuntarbitrage kan ondersteunen zonder signaalinfrastructuur.

De auteurs betogen dat de primaire betekenis van LISA ligt in het vermogen om:

• Voorbij aggregaatstroomregulatie te gaan naar intentiebewuste coördinatie, waarbij conflicten worden opgelost op basis van sociale prioriteiten, routekeuzes en energievoorkomens.
• Te opereren in een zero-shot-regime, waarbij wordt vertrouwd op de algemene redeneercapaciteiten van de LLM in plaats van taakspecifieke training of fijne afstelling.
• Een menselijk leesbaar, interpreteerbaar conflictoplossingsproces te bieden waarbij de LLM fungeert als een expliciete arbitrage-agent in plaats van een black-box-optimizer.

De auteurs merken op dat hoewel LISA de sterkste winst laat zien in het "overgangsregime" (gemiddelde belasting) waar arbitragekwaliteit het ontstaan van persistente congestie voorkomt, het zelfs bij hoge belasting effectief blijft voor het beheer van congestieverdeling. Het artikel concludeert dat deze aanpak een levensvatbaar pad biedt naar signaalvrij, coöperatief autonoom rijden, hoewel toekomstig werk vereist is om coördinatie over meerdere kruispunten en robuustheid tegen promptvariaties aan te pakken.