🤖 AI

LISA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management

该论文提出了LISA，一种无信号认知仲裁框架，利用大语言模型对车辆意图与优先级进行推理以管理自动驾驶交叉口，相较于传统的基于信号和基于预约的方法，在交通延误、排队长度、燃油消耗及意图满足度方面均展现出显著改进。

原作者： Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah

发布于 2026-05-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个繁忙的城市十字路口，将其视为一个混乱的舞池。目前，我们用一个严格、僵硬的 DJ（交通信号灯）来管理这个舞池，无论舞池上实际是谁，他都循环播放同样的节拍。如果 DJ 说“停”，所有人都得停下，哪怕舞池空无一人；如果 DJ 说“走”，所有人都得冲上去，哪怕舞池已经挤满了人。这套系统不知道谁在跳舞、他们想去哪里，或者他们的舞蹈有多紧急。

这篇论文介绍了LISA（基于大语言模型的意图驱动速度建议），这是一种无需 DJ 即可管理舞池的新方法。LISA 不使用交通信号灯，而是利用由大语言模型（LLM）驱动的“智能指挥家”——也就是那种能写故事或回答复杂问题的同类型人工智能。

以下是 LISA 的工作原理，分解为简单的概念：

1. “智能指挥家”与僵硬的 DJ

在旧系统（交通信号灯）中，车辆被视为相同的砖块。绿灯亮起，所有人通行。
在 LISA 系统中，每辆车都是一个有声音的人。当车辆接近十字路口时，它们会向智能指挥家告知其意图：

“我是救护车，我很急！”（优先级）
“我是载有 40 人的公交车。”（优先级）
“我想左转，但我很急。”（意图）
“我宁愿为了省油而平稳行驶，即使需要多等一会儿。”（能源偏好）

智能指挥家同时聆听所有这些声音。它不再只是说“走”或“停”，而是像裁判一样说：“好的，救护车先走，公交车紧随其后，左转的车辆如果能稍微减速一点点，也可以插空进入。”

2. 不再有红灯，只有“速度提示”

LISA 完全移除了交通信号灯。十字路口始终处于“开放”状态。

旧方式：即使另一侧没有来车，你也要在红灯前等待 30 秒。
LISA 方式：智能指挥家向你的车辆发送“速度提示”。它可能会说：“保持 30 英里/小时的速度继续行驶”，或者“减速至 10 英里/小时，以便你在道路畅通时恰好到达”。
结果：车辆像溪流中的水一样流过十字路口，不断调整速度以避免相互碰撞，而不是像按时刻表运行的火车那样走走停停。

3. “作弊条”（解决速度问题）

你可能会想：“但人工智能不是很慢吗？如果 AI 思考需要 5 秒钟，车辆就会发生碰撞！”
论文承认 AI 确实可能很慢。为了解决这个问题，LISA 采用了两个技巧：

作弊条（记忆化仲裁表）：智能指挥家保留了一本常见情况的笔记本。如果它看到了 10 分钟前解决过的相同交通模式，它就直接查阅笔记本中的答案，而不是重新思考。在繁忙的交通中，这种情况发生的概率高达 98%，使系统感觉是即时响应的。
提前启动：系统在车辆距离路口还很远时（400 米外）就开始与车辆通信。这给了 AI 充足的时间进行思考，并在车辆接近十字路口之前发送“速度提示”。

4. “安全网”

尽管 AI 是主导，但有一个严格、不思考的机器人（“安全监控器”）在监视着十字路口。如果 AI 犯错或“速度提示”有误，这个机器人会立即让即将发生碰撞的车辆刹车。这就像在马戏团空中飞人演员下方设置了一张人类安全网；演员（AI）负责表演高难度动作，但安全网确保没有人坠落。

他们发现了什么？

研究人员在计算机模拟中将此系统与传统的交通信号灯、自适应信号灯（SCATS）以及其他智能系统进行了测试。结果如下：

减少等待：与标准交通信号灯相比，LISA 将车辆的等待时间减少了高达89%。
无拥堵：即使道路拥挤不堪，LISA 也能保持交通以 decent 的速度流动（服务水平 C），而传统信号灯则导致完全的交通瘫痪（服务水平 F）。
节省燃油：由于车辆无需频繁启停，燃油消耗降低了48%。
司机满意：该系统更能尊重司机实际的需求（如让救护车通行或节省燃油），实现了86% 的满意度，而最佳的非 AI 系统仅为 61%。

核心结论

LISA 证明，我们不需要物理交通信号灯也能安全地管理十字路口。通过使用一个能理解每位司机意图的 AI，以及一个引导他们的“速度提示”系统，我们可以让十字路口像编排精良的舞蹈一样流畅运行，从而节省时间、燃油和挫败感。论文表明，当交通繁忙但尚未完全堵塞时，该系统效果最佳，它充当了一个无需红灯即可维持秩序的明智调解者。

技术摘要：LISA——面向无信号灯自主交叉口管理的认知仲裁

1. 问题陈述

城市交叉口管理历来依赖于以基础设施为中心的范式，利用交通信号灯和标志，基于总体流量测量而非个体车辆的能力或意图来调节车流。尽管网联自动驾驶车辆（CAVs）具备直接协调的潜力，但现有解决方案面临独特的结构性局限：

基于信号的控制器（固定配时、自适应）仍对车辆无差别对待，其相位优化基于总体流量，而非特定车辆的意图或优先级。
绿灯最优速度建议（GLOSA） 虽能提升运动学效率，但仍受限于现有信号配时方案，缺乏多车辆路权裁决机制。
自主交叉口管理（AIM） 通过预留时段消除信号灯，但依赖于运动学状态的确定性调度，无法对车辆意图、优先级类别或排队压力等情境权衡进行推理。
基于大语言模型（LLM）的方法 已作为推理工具出现，但通常仅作为辅助模块用于选择信号相位或修正强化学习（RL）决策，而非作为自主代理直接进行无信号决策。

此外，大语言模型（LLM）的高推理延迟构成了实时控制的重大障碍，因为亚秒级的车辆控制周期无法等待长达数秒的推理调用。核心挑战在于：仅凭 LLM 推理，在无信号基础设施且无特定任务训练的情况下，能否有效仲裁通行意图并实时提供协同运动学建议。

2. 方法论：LISA 框架

作者提出了LISA（基于 LLM 的意图驱动速度建议），这是一个无信号认知仲裁框架。LISA 将交叉口管理重构为认知仲裁问题，其中 LLM 代理直接根据车辆意图解决竞争性的路权主张，无需信号相位或预留调度。

系统架构

LISA 采用双层控制架构，将高层语义推理与底层运动学执行分离：

高层语义仲裁（LLM 代理）： LLM 接收关于活跃车道、声明的车辆意图（空间、时间、优先级、能量）、排队压力及冲突关系的结构化输入。它输出符号化的路权角色：CLEAR（通行）、YIELD（让行）或 SHARE（并发减速通行）。
底层运动学执行： 确定性执行器根据车辆距停车线的当前距离，将这些符号化角色转换为具体、可验证的速度建议（ $v_{adv}$ ）。该层确保时间精度与安全，将 LLM 从实时控制回路中移除。

延迟缓解的关键机制

为解决 LLM 推理延迟问题，LISA 集成了两种互补机制：

记忆化仲裁表（MAT）： 缓存存储先前计算的路权分配，以离散的“冲突签名”（编码优先级类别、紧迫性等级、排队深度和能量偏好）为键。这使得系统能够无需调用 LLM 即可服务重复出现的冲突状态，实现高缓存命中率。
预判仲裁： 当车辆进入“建议视界”（距停车线 400 米）时触发查询，在车辆进入执行速度建议的“近区”（200 米）之前，形成约 14 秒的延迟缓冲。这确保 LLM 响应在需要之前到达。

安全与逻辑

安全看门狗： 基于瓦片的碰撞监测器独立于 LLM 运行。若两辆运动冲突的车辆占据同一瓦片，后到达的车辆将被强制覆盖为保持速度（ $V_{hold} = 2.0$ m/s）以防止碰撞。
角色逻辑： 系统对应急车辆执行严格的优先权抢占。对于具有可比排队压力的饱和冲突车道，SHARE 角色允许双方以经压力加权的减速速度通行，以避免饥饿现象。

3. 主要贡献

无信号意图驱动仲裁： LISA 是首个将交叉口管理构建为认知仲裁问题的框架，其中 LLM 直接根据车道级意图解决路权问题，无需信号相位、预留调度或微调。
延迟缓解的双层架构： 语义仲裁与确定性执行的分离，结合 MAT 和预判查询，实现了实时性能。MAT 在中等需求下实现了高达 98.8% 的命中率，且预判仲裁在所有条件下均维持零次 LLM 回退。
全面的实证评估： LISA 在 SUMO 模拟器中针对固定配时、SCATS（自适应）、AIM 和 GLOSA 进行了评估，涵盖低、中及近饱和交通负荷。
多维意图满意度指标： 作者引入结构化评估轴，将性能分解为空间、时间、优先级和能量满意度分量，提供车辆级意图满足的全局视图。

4. 实验结果

使用 Gemini-2.5 Flash Lite 模型进行评估，LISA 相比基线展现出显著改进：

交通效率：
- 平均控制延误： 在中等负荷下，LISA 将平均控制延误较固定配时控制降低了高达 89.1%。
- 服务水平（LOS）： 在中等负荷（ $v/c = 0.63$ ）下，LISA 维持了 LOS C，而所有非 LLM 基线均退化为 LOS F。
- 等待时间： 在近饱和需求下，LISA 将平均等待时间较固定配时控制减少了 93%。
- 峰值排队长度： 在高负荷下，LISA 将峰值排队长度较固定配时控制减少了 60.6%。
能源与排放：
- 相比固定配时控制，LISA 将燃油消耗降低了高达 48.8%。
- 在中等需求下，动能损失减少了高达 26%。
意图满意度：
- 在中等需求下，LISA 实现了 86.2% 的总体意图满意度，显著优于最佳非 LLM 结果（GLOSA 为 61.2%）。
- 这一提升主要得益于在时间延误合规性、优先级服务（尤其是应急车辆）及能量感知平滑度方面的卓越表现。
LLM 性能：
- 基准测试阶段确定 Gemini-2.5 Flash Lite 为最佳后端，其综合得分为 93.3%，平均延迟为 1,592 毫秒，且零次调用超过 5 秒阈值。

5. 意义与主张

本文主张，LISA 证明了当 LLM 推理与轻量级延迟缓解及确定性执行相结合时，可在无信号基础设施下支持实时协同交叉口仲裁。

作者认为 LISA 的主要意义在于其能够：

超越总体流量调节，转向意图感知协调，基于社会优先级、路线选择和能量偏好解决冲突。
在零样本（zero-shot）模式下运行，依赖 LLM 的通用推理能力，而非特定任务训练或微调。
提供人类可读、可解释的冲突解决过程，其中 LLM 充当显式仲裁代理，而非黑盒优化器。

作者指出，虽然 LISA 在“过渡区间”（中等负荷）展现出最强增益，即仲裁质量防止了持续性拥堵的 onset，但其在高负荷下管理拥堵分布方面依然有效。论文结论认为，这种方法为无信号协同自动驾驶提供了一条可行路径，尽管未来工作仍需解决多交叉口协调及对提示词变化的鲁棒性问题。