Traffic-VL：80亿参数视觉语言模型直接控制交通信号
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载两个要补的差距
现有交通信号控制多依赖专用感知流程产出的结构化交通状态；视觉类方法则常用理想化仿真图像，并先转成中间表示再控制，难以直接利用路侧视觉观测。该工作把问题归结为视觉域差距与感知到决策的差距，并提出 SynTra-V 与 Traffic-VL 两个组件分别应对：前者负责让训练图像接近真实监控画面，后者负责跳过中间结构化状态，直接从图像与语言描述走向控制动作。
数据集的构建与校验
SynTra-V 把基于物理的交通仿真转换为照片级多视角监控影像，覆盖多种道路拓扑与传感条件。为避免生成图像与仿真状态脱节，构建流程带有自动语义审计，检查对控制关键的几何结构、车辆运动以及车道语义是否与仿真器状态一致。这一校验环节的意义在于：若图像中的车道归属或车辆位置与仿真不符，模型学到的视觉到决策映射就会偏离真实交通状态。
模型结构与训练方式
Traffic-VL 参数量为 80 亿，输入是同步的多视角图像与自然语言形式的相位描述，输出为信号决策，不经过中间结构化状态。它建立在 Traffic-R1 的两阶段强化推理框架之上：先在 SynTra-V 上以离线强化学习适配视觉编码器，随后在闭环仿真的在线视觉逐步轨迹策略优化中冻结该编码器。冻结编码器的做法把视觉表征学习与在线策略优化分开，减少闭环训练中对视觉部分的扰动。
评测与部署结果
实验显示，Traffic-VL 与使用结构化状态的 Traffic-R1 表现相当，同时优于基于图像的控制器以及包括 Gemini 3 Pro 在内的通用视觉语言模型。评估还覆盖未见过的道路拓扑、退化的传感条件与真实监控画面，并在十个路口进行了为期三周的实际部署，用以检验视觉泛化能力与受限条件下的在线控制效果。这些设置针对的正是仿真到现实迁移中最容易失效的环节。
为什么值得看
展示视觉语言模型直接接管交通信号控制的可行路径，含真实路口三周部署结果，对具身与城市智能体方向有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。