LISA：用大语言模型实现无信号灯的智能交通路口管理

LISA是一种基于大语言模型的认知仲裁框架，用于实现无信号灯的自动驾驶路口管理。该系统通过理解车辆意图、优先级和队列压力进行实时决策，相比传统方法可减少89%的控制延迟和93%的等待时间，为智能交通路口管理提供创新方向。

智能交通系统（ITS）的核心难题之一是高效管理路口通行。传统方案依赖固定信号灯周期或基于规则的预约系统，在复杂动态交通环境中力不从心。自动驾驶技术发展需要更灵活的协调机制，但现有方案多将大语言模型（LLM）作为辅助组件叠加在信号系统上，而非主要决策者。路口管理的复杂性体现在路权冲突、车辆优先级各异、运动学约束不同，且需亚秒级协调；LLM推理延迟也制约其在实时场景的应用。

LISA框架概述

LISA（基于LLM的意图驱动速度建议）摒弃信号灯基础设施，让LLM承担路口认知仲裁角色，工作流程分三环节：

1. 意图收集：车辆声明行驶意图（目标出口、期望速度、是否紧急车辆等）；
2. 认知推理：LLM综合分析车辆意图、队列压力、能源偏好及潜在冲突，理解上下文相关优先级（如救护车优先但需结合场景）；
3. 速度建议生成：返回个性化速度建议（车速、加速/减速时机、停车指示），通过车路通信实时下发。

关键技术考量

• 延迟优化：采用模型蒸馏和边缘部署策略，实现毫秒级响应；
• 安全保障：多层安全回退机制，LLM超时或置信度不足时切换至保守预设规则；
• 可解释性：LLM生成自然语言决策说明（如“因救护车驶入暂停南北向通行”）。

研究团队将LISA与固定周期控制、SCATS自适应系统、AIM预约制系统、GLOSA速度引导系统对比测试，覆盖多种交通负载场景：

• 控制延迟：比固定周期降低89.1%，高负载下仍维持C级服务水平（其他方法恶化至F级）；
• 等待时间：近饱和条件下减少93%，峰值队列长度降60.6%；
• 能源效率：燃油消耗最多降低48.8%；
• 意图满足率：达86.2%（非LLM方法最好为61.2%）。

LISA的成果对智能交通有多重启示：

1. LLM可用于复杂多主体协调的物理系统（如机器人、物流调度）；
2. 无基础设施方案可行，降低部署成本（适用于新建区域或临时场景）；
3. 从实验室到实际部署仍需解决大规模路口网络协调、极端天气可靠性、人机混合交互等问题。

LISA是AI与交通工程交叉领域的重要探索，挑战了“信号灯是路口管理必需品”的传统认知，展示了认知智能体在实时决策场景的潜力。随着边缘计算能力提升和模型效率优化，类似系统有望从实验室走向街头，改变通勤体验。