LLM-Assisted Light：大语言模型赋能智能交通信号控制

LLM-Assisted Light项目旨在利用大语言模型实现类人化的复杂城市交通信号控制，结合强化学习与工具调用构建五阶段混合决策框架。该项目解决了传统强化学习方法缺乏可解释性、极端场景表现不稳定的问题，为智能交通信号控制提供了高效且可解释的新方案。

城市交通拥堵是现代都市面临的核心挑战之一。传统交通信号控制系统基于固定时序或简单感应逻辑，难以应对复杂多变场景；强化学习应用广泛但缺乏可解释性，极端场景表现不稳定。大语言模型的强大推理与知识理解能力为该领域带来新机遇，LLM-Assisted Light项目由此诞生，旨在结合LLM类人推理与RL方法构建混合智能系统。

LA-Light的核心创新是五阶段混合决策流程：

1. 任务规划：LLM明确交通管理角色，理解高层语义目标（如优先主干道、紧急车辆通道）；
2. 工具选择：动态调用路网结构感知、交通状态监测、传感器诊断等工具，按需感知降低信息负担；
3. 环境交互：通过TransSimHub仿真平台实时采集交通数据；
4. 数据分析：LLM结合工具数据与预训练知识推理（如异常占有率推断事故）；
5. 执行反馈：输出信号指令及自然语言解释（如延长绿灯时长的理由）。

LA-Light与RL协同互补：包含完整RL训练评估流程（TSCRL目录，提供训练/评估脚本），LLM在RL难以处理的边缘场景（传感器故障、紧急车辆）干预优化。工具调用机制借鉴LangChain，拆解任务为工具链，LLM自主决定调用序列，新增工具无需重训仅需更新描述，扩展性强。

三大场景验证系统能力：

1. 常规拥堵处理：调用路网查询与占有率检测工具，延长拥堵方向绿灯并解释；
2. 传感器故障容错：模拟E2--s传感器故障（脚本示例：python llm_rl.py --env_name '4way' --phase_num 4 --edge_block 'E1' --detector_break 'E2--s'），LLM利用常识与历史数据补偿决策；
3. 紧急车辆优先：理解"生命优先"指令，中断相位开辟绿色通道并解释决策合理性。

团队后续推出VLMLight框架（2025年，NeurIPS 2025接收），升级包括图像感知能力、安全关键决策双分支架构、元控制能力。开源生态基于TransSimHub、LangChain、stable-baselines3等，团队回馈社区（TransSimHub成为重要交通仿真工具），加速技术迭代。

LLM-Assisted Light代表交通信号控制范式转变：从纯数据驱动黑盒模型转向知识增强可解释智能。核心贡献：

1. 人机协作框架（决策助手而非取代专家）；
2. 工具增强智能（克服LLM幻觉与RL可解释性缺陷）；
3. 语义理解能力（高层指令与复杂场景理解）。 未来有望真实部署支撑智慧城市，为研究者提供大模型物理世界决策应用切入点。