LIDSA：无信号自主交叉口管理的认知仲裁

大语言模型 (LLM) 在智能交通系统 (ITS) 方面表现出强大的潜力，特别是在需要情景推理和多智能体协调的任务中。这些功能使它们非常适合协作驾驶，基于规则的方法在复杂和动态的交通环境中举步维艰。由于相互冲突的路权要求、异构的车辆优先级以及必须实时解决的特定于车辆的运动学约束，交叉口管理仍然特别具有挑战性。然而，现有方法通常使用 LLM 作为基于信号的系统之上的辅助组件，而不是作为主要决策者。信号控制器仍然与车辆无关，基于预订的方法缺乏意图感知，并且最近基于 LLM 的系统仍然依赖于信号基础设施。此外，LLM 推理延迟限制了它们在亚秒级控制设置中的使用。我们提出了 LIDSA（LLM-Based Intent-Driven Speed Advisory），一种用于自主交叉口管理的无信号认知仲裁框架。 LIDSA 使用 LLM 对声明的车辆意图进行推理，结合优先级类别、队列压力和能源偏好。我们根据固定周期控制、SCATS、AIM 和 GLOSA 在不同的流量负载下评估 LIDSA。结果表明，LIDSA 将平均控制延迟降低了 89.1%，并维持了服务级别 C，而所有非 LLM 基线均降级至服务级别 F。在需求接近饱和的情况下，相对于固定周期控制，LIDSA 将平均等待时间减少了 93%，峰值队列长度减少了 60.6%。与最佳非 LLM 方法的 61.2% 相比，它还可将燃料消耗降低高达 48.8%，并实现 86.2% 的意图满意度。这些结果表明，基于 LLM 的推理可以实现实时、无信号的交叉口管理。