基于提示引导的大型语言模型，具备思维链推理能力，用于混合交通场景下的车辆跟随模拟

《Simulation Modelling Practice and Theory》：Prompt-guided Large Language Models with chain-of-thought reasoning for mixed traffic car-following simulation

本文提出基于大语言模型与链式推理的混合交通车辆跟随建模框架，通过结构化提示实现无训练的多类型车辆轨迹生成，确保物理合理性与行为可解释性，并验证了其在单车预测与多车编队中的有效性。

　　

窦平高|张华为|刘月文|齐志

西安交通大学管理学院，中国西安

摘要

本文提出了一个模拟框架，该框架采用基于提示的大型语言模型（LLM）和思维链推理机制，在混合交通中生成物理上合理且行为上可解释的车辆跟随轨迹。数值状态被转换为紧凑、结构化的提示，这些提示编码了车辆类型和短期运动趋势。LLM返回一步之后的速度，然后通过安全约束进行后处理。我们在NGSIM轨迹数据上评估了该框架，包括单车辆预测以及六车辆车队的模拟，模拟场景包括人工驾驶（HV）、自适应巡航控制（ACC）和协作式巡航控制（CACC）三种情况。结果表明，该方法能够再现特定类型的车辆间距模式，并实现了高安全性。为了解决工程上的问题，我们明确报告了计算延迟和可重复性，并提供了完整的提示和模型设置以确保可重复性。该方法旨在作为模拟研究的可行性探讨，而不是实时控制器，适用于优先考虑可解释性和快速原型设计的场景。

引言

自适应巡航控制（ACC）和协作式自适应巡航控制（CACC）系统的广泛应用显著改变了交通构成。因此，出现了人工驾驶车辆（HV）与自动驾驶技术共存的混合交通环境。这种整合由于HV、ACC和CACC车辆在感知、决策和执行机制上的根本差异，引入了复杂的车辆间交互[1]、[2]。准确建模这种混合交通场景仍然是交通流理论中的一个基本挑战，尤其是在捕捉每种车辆类型特有的响应延迟、行为激进性和协调策略的细微差异方面。

传统的车辆跟随模型，如智能驾驶模型（IDM）和全速度差（FVD）模型，通常是确定性的，依赖于通过校准获得的固定行为参数[3]、[4]。虽然这些模型能够有效再现一般的交通模式，但在表示驾驶行为的多样性方面能力有限，尤其是在HV、ACC和CACC车辆相互作用的混合交通中[5]。一些扩展模型试图纳入驾驶员异质性或随机元素[6]，但它们通常针对特定场景定制，缺乏适应动态变化环境的灵活性。此外，这些模型生成的轨迹要么过于平滑，要么过于僵硬，难以同时捕捉现实世界驾驶中的变异性和交通模拟所需的物理合理性[7]。

为了解决基于规则模型的局限性，研究人员越来越多地探索数据驱动的方法，特别是基于深度学习的方法。这些方法已广泛应用于人工驾驶交通中的车辆跟随预测，得到了下一代模拟（NGSIM）数据等公开可用数据集的支持[8]、[9]。通过学习历史轨迹数据，这些模型可以实现高预测精度并捕捉复杂的时间依赖性。然而，它们的有效性往往依赖于大规模数据集和大量的计算资源进行训练。此外，许多深度学习模型像黑箱一样运行，难以理解内部决策过程或集成明确的行为约束。尽管初步尝试已经探索了自动驾驶行为的数据驱动分析[10]，但此类研究仍然很少，且往往依赖于信号处理技术而非深度学习。更重要的是，缺乏公开可用的高分辨率混合交通轨迹数据严重限制了基于学习的模型的开发和验证。

大型语言模型（LLM）的最新发展，如GPT-4，为在统一框架内结合符号推理、物理理解和可控行为生成开辟了新的可能性。LLM在规划、推理和生成各种领域的结构化输出方面展示了强大的能力[11]、[12]。初步研究表明，LLM可以适应解释驾驶场景并在交通应用中做出基于规则的决策[13]。然而，它们在混合交通条件下生成连续且物理上真实的车辆跟随轨迹的应用仍然很大程度上未被探索。相比之下，最近的研究提出了受神经启发的强化学习框架，通过类似大脑的威胁响应机制来模拟防御性驾驶行为，从而提高高风险场景的安全性[14]。虽然这些方法通过奖励塑造和防御性策略学习提高了安全性，但它们需要大量的交互式训练且难以解释。我们的方法通过探索是否可以通过结构化的LLM推理在没有迭代训练的情况下近似安全且真实的行为，补充了这些努力。

与传统的基于规则和基于深度学习的车辆跟随模型相比，使用LLM的动机有三个互补的优势。首先，LLM允许通过提示进行行为级控制，使得单个模型能够模拟HV、ACC和CACC的风格，而无需重新训练或参数校准。其次，与通常作为黑箱运行的深度学习预测器不同，LLM可以提供思维链推理，暴露中间决策逻辑，支持调试、安全审计和行为解释。第三，LLM能够自然适应场景变化，因为基于提示的条件化允许从业者修改控制逻辑（例如，激进性、响应性、期望的车头时距），而无需修改模型权重。这些特性使得LLM在混合交通模拟环境中快速原型设计行为模型时特别具有吸引力，即使它们并非旨在替代实时嵌入式控制器。

本文提出了一个基于LLM的混合交通环境下的提示引导车辆跟随建模框架，该框架利用了增强思维链（CoT）逻辑的LLM的推理能力。通过将车辆跟随信息（包括车辆类型、历史状态和驾驶偏好）转换为结构化的自然语言提示，该框架能够逐步预测既物理上合理又在行为上多样的纵向运动。所提出的方法不需要特定任务的训练，并支持不同车辆类别和控制风格（如保守和激进驾驶）的零样本推理。为了评估该框架的有效性，我们使用NGSIM数据集中的真实世界轨迹数据进行了实验，并模拟了所有跟随车辆都基于LLM生成的输出进行决策的混合车队。该框架在单车辆和多车辆设置中都进行了评估。

本研究的贡献如下：

• 1.
  我们提出了一个基于提示的车辆跟随建模框架，该框架将LLM与CoT推理相结合。该框架能够在无需重新训练的情况下生成可解释且可适应的轨迹。
• 2.
  我们构建了特定级别的提示，以模拟HV、ACC和CACC车辆的不同车辆跟随行为，捕捉它们在响应性、协调性和控制风格上的差异。
• 3.
  我们进行了单车辆预测和车辆车队模拟。

本文的其余部分组织如下。第2节回顾了两个领域的相关工作：混合交通条件下的车辆跟随建模以及LLM在交通研究中的新兴应用。第3节介绍了所提出的基于提示的建模框架。第4节描述了数据集准备和场景配置。第5节展示了实验评估，包括轨迹合理性和交通流分析。第6节以总结和未来工作的潜在方向结束了本文。

部分片段

混合交通条件下的车辆跟随建模

车辆跟随建模是微观交通模拟的基础，并已显著发展，以适应HV和ACC、CACC等自动化系统的共存。传统的基于规则的模型，包括IDM[3]和FVD模型[4]，通过考虑间距、相对速度和驾驶员意图的确定性方程来描述车辆交互。这些模型通常假设交通流是均匀的，并需要手动参数校准。

为了反映

方法论

本节介绍了一个用于异构交通的提示引导车辆跟随建模框架，其中HV、ACC和CACC车辆的行为通过LLM解释的结构化提示进行建模。与传统的基于物理的模型不同，我们的方法利用CoT推理根据嵌入在自然语言中的上下文和行为线索来推断驾驶决策。

数据和场景设置

为了评估所提出的基于提示的车辆跟随建模框架，我们使用真实世界的高速公路轨迹数据和多车辆模拟进行了实验。本节详细介绍了数据集、行为分类协议以及单车辆预测和多车辆车队模拟的评估设置。

结果与讨论

本节展示了所提出的基于提示的车辆跟随建模框架的实验结果和分析。我们报告了单智能体轨迹预测和多智能体车队模拟的发现，证明了该框架生成特定类型、物理上合理且行为上可解释轨迹的能力。

结论

本研究提出了一个基于提示的车辆跟随建模框架，该框架将LLM与CoT推理相结合，用于模拟涉及HV、ACC和CACC车辆的混合交通环境。通过将车辆状态历史和行为特征转换为结构化的自然语言提示，该框架能够在无需重新训练或参数校准的情况下生成可解释且特定于行为的轨迹，并支持跨假设情况的灵活“如果...会怎样”分析。

致谢

本工作得到了中国国家重点研发计划（2022YFC3320800）的支持。