Resumo Técnico: LISA – Arbitragem Cognitiva para Gestão de Interseções Autônomas sem Sinais

1. Declaração do Problema

A gestão de interseções urbanas historicamente dependeu de paradigmas centrados na infraestrutura, utilizando semáforos e placas para regular o fluxo com base em medições agregadas, em vez das capacidades ou intenções individuais dos veículos. Embora os Veículos Conectados e Autônomos (CAVs) ofereçam o potencial para coordenação direta, as soluções existentes enfrentam limitações estruturais distintas:

• Controladores baseados em sinais (ciclo fixo, adaptativo) permanecem agnósticos aos veículos, otimizando fases com base no fluxo agregado, e não em intenções ou prioridades específicas dos veículos.
• Aviso de Velocidade Otimizada para Luz Verde (GLOSA) melhora a eficiência cinemática, mas permanece atrelado aos cronogramas de sinais existentes, carecendo de mecanismos para resolução de direito de passagem entre múltiplos veículos.
• Gestão de Interseção Autônoma (AIM) elimina sinais por meio de slots de reserva, mas depende do agendamento determinístico de estados cinemáticos, falhando em raciocinar sobre a intenção do veículo, classes de prioridade ou compensações contextuais como pressão de fila.
• Abordagens baseadas em LLM emergiram como ferramentas de raciocínio, mas são tipicamente usadas como módulos auxiliares para selecionar fases de sinais ou corrigir decisões de Aprendizado por Reforço (RL), em vez de atuarem como agentes autônomos para tomada de decisão direta e sem sinais.

Além disso, a alta latência de inferência dos Grandes Modelos de Linguagem (LLMs) constitui uma barreira significativa para o controle em tempo real, pois ciclos de controle veicular subsegundos não podem aguardar chamadas de raciocínio de vários segundos. O desafio central é saber se o raciocínio de LLM, sozinho, sem infraestrutura de sinais ou treinamento específico para tarefas, pode efetivamente arbitrar intenções de travessia e entregar avisos cinemáticos cooperativos em tempo real.

2. Metodologia: O Framework LISA

Os autores propõem o LISA (Aviso de Velocidade Baseado em Intenção Impulsionado por LLM), um framework de arbitragem cognitiva sem sinais. O LISA reencena a gestão de interseções como um problema de arbitragem cognitiva, onde um agente LLM resolve reivindicações concorrentes de direito de passagem diretamente a partir das intenções dos veículos, sem fases de sinal ou cronogramas de reserva.

Arquitetura do Sistema

O LISA emprega uma arquitetura de controle de duas camadas para separar o raciocínio semântico de alto nível da execução cinemática de baixo nível:

1. Arbitragem Semântica de Alto Nível (Agente LLM): O LLM recebe entradas estruturadas sobre abordagens ativas, intenções declaradas dos veículos (espaciais, temporais, prioridade, energia), pressões de fila e relações de conflito. Ele gera papéis simbólicos de direito de passagem: CLEAR (prosseguir), YIELD (ceder) ou SHARE (velocidade reduzida concorrente).
2. Execução Cinemática de Baixo Nível: Um executor determinístico converte esses papéis simbólicos em avisos de velocidade específicos e verificáveis ($v_{adv}$) para cada veículo, com base em sua distância atual à linha de parada. Esta camada garante precisão temporal e segurança, removendo o LLM do loop de controle em tempo real.

Mecanismos Chave para Mitigação de Latência

Para abordar a latência de inferência do LLM, o LISA integra dois mecanismos complementares:

• Tabela de Arbitragem Memorizada (MAT): Um cache armazena atribuições de direito de passagem previamente computadas, indexadas por uma "assinatura de conflito" discreta (codificando classes de prioridade, faixas de urgência, profundidade de fila e preferências de energia). Isso permite que o sistema atenda estados de conflito recorrentes sem invocar o LLM, alcançando altas taxas de acerto no cache.
• Arbitragem Antecipatória: Consultas são acionadas quando os veículos entram em um "horizonte de aviso" (400m da linha de parada), criando um buffer de latência de aproximadamente 14 segundos antes de os veículos entrarem na "zona próxima" (200m), onde os avisos de velocidade são aplicados. Isso garante que as respostas do LLM cheguem antes de serem necessárias.

Segurança e Lógica

• Monitor de Segurança (Watchdog): Um monitor de colisão baseado em tiles opera independentemente do LLM. Se dois veículos com movimentos conflitantes ocuparem o mesmo tile, o veículo que chega mais tarde é sobrescrito para uma velocidade de retenção ($V_{hold} = 2.0$ m/s) para prevenir colisões.
• Lógica de Papéis: O sistema aplica preempção estrita para veículos de emergência. Para abordagens conflitantes saturadas com pressões de fila comparáveis, o papel SHARE permite que ambos prossigam em velocidades reduzidas e ponderadas pela pressão para evitar a inanição.

3. Contribuições Principais

1. Arbitragem Baseada em Intenção sem Sinais: O LISA é o primeiro framework a formular a gestão de interseções como um problema de arbitragem cognitiva onde um LLM resolve o direito de passagem diretamente a partir de intenções em nível de abordagem, sem fases de sinal, cronogramas de reserva ou ajuste fino.
2. Arquitetura de Duas Camadas com Mitigação de Latência: A separação entre arbitragem semântica e execução determinística, combinada com a MAT e consultas antecipatórias, permite desempenho em tempo real. A MAT alcançou taxas de acerto de até 98,8% em demanda média, e a arbitragem antecipatória sustentou zero fallbacks para LLM em todas as condições.
3. Avaliação Empírica Abrangente: O LISA foi avaliado no simulador SUMO contra Ciclo Fixo, SCATS (adaptativo), AIM e GLOSA, em cargas de tráfego baixa, média e quase saturada.
4. Métrica de Satisfação de Intenção Multidimensional: Os autores introduzem um eixo de avaliação estruturado que decompõe o desempenho em componentes de satisfação espacial, temporal, de prioridade e de energia, fornecendo uma visão holística do cumprimento de intenções em nível de veículo.

4. Resultados Experimentais

Avaliado usando o modelo Gemini-2.5 Flash Lite, o LISA demonstrou melhorias significativas em relação às linhas de base:

• Eficiência de Tráfego:

  • Atraso Médio de Controle: O LISA reduziu o atraso médio de controle em até 89,1% em comparação com o controle de ciclo fixo em carga média.
  • Nível de Serviço (LOS): Em carga média ($v/c = 0,63$), o LISA manteve LOS C, enquanto todas as linhas de base não-LLM degradaram-se para LOS F.
  • Tempo de Espera: Sob demanda quase saturada, o LISA reduziu o tempo médio de espera em 93% em relação ao controle de ciclo fixo.
  • Comprimento Máximo da Fila: O LISA reduziu o comprimento máximo da fila em 60,6% em relação ao controle de ciclo fixo em alta carga.

• Energia e Emissões:

  • O LISA reduziu o consumo de combustível em até 48,8% em relação ao controle de ciclo fixo.
  • A perda de energia cinética foi reduzida em até 26% em demanda média.

• Satisfação de Intenção:

  • O LISA alcançou uma satisfação geral de intenção de 86,2% em demanda média, superando significativamente o melhor resultado não-LLM (61,2% para GLOSA).
  • Esse ganho foi impulsionado por desempenho superior em conformidade com atrasos temporais, serviço de prioridade (especialmente para veículos de emergência) e suavidade consciente de energia.

• Desempenho do LLM:

  • A fase de benchmarking identificou o Gemini-2.5 Flash Lite como o backend ideal, alcançando uma pontuação composta de 93,3% com uma latência média de 1.592 ms e zero chamadas excedendo o limite de 5 segundos.

5. Significado e Alegações

O artigo afirma que o LISA demonstra que o raciocínio de LLM, quando combinado com mitigação de latência leve e execução determinística, pode suportar arbitragem cooperativa de interseções em tempo real sem infraestrutura de sinais.

Os autores argumentam que o significado primário do LISA reside em sua capacidade de:

• Ir além da regulação de fluxo agregado para coordenação consciente de intenções, resolvendo conflitos com base em prioridades sociais, escolhas de rota e preferências de energia.
• Operar em um regime zero-shot, confiando nas capacidades gerais de raciocínio do LLM, em vez de treinamento ou ajuste fino específicos para tarefas.
• Fornecer um processo de resolução de conflitos legível por humanos e interpretável, onde o LLM atua como um agente de arbitragem explícito, e não como um otimizador de caixa preta.

Os autores observam que, embora o LISA mostre os maiores ganhos no "regime de transição" (carga média), onde a qualidade da arbitragem previne o início de congestionamentos persistentes, ele permanece eficaz mesmo em cargas altas para gerenciar a distribuição de congestionamento. O artigo conclui que essa abordagem oferece um caminho viável para a condução autônoma cooperativa sem sinais, embora trabalhos futuros sejam necessários para abordar a coordenação de múltiplas interseções e a robustez a variações de prompts.