Traffic-VL：面向可泛化端到端交通信号控制的强化视觉语言模型
Traffic-VL: Reinforced Vision-Language Models for Generalizable End-to-End Traffic Signal Control
精选理由
该研究让视觉语言模型直接依据路口监控图像控制信号灯，并验证了其在复杂路况与真实部署中的泛化能力。
AI 摘要
现有交通信号控制方法通常依赖专用感知流程生成的结构化交通状态。新兴的视觉方法往往使用理想化的仿真器图像，并在控制前将其转换为中间表示，这限制了它们直接利用路侧视觉观测的能力。为弥合视觉域差距以及从感知到决策的鸿沟，我们提出了 SynTra-V 和 Traffic-VL。SynTra-V 将基于物理的交通仿真转换为覆盖多种道路拓扑和感知条件的照片级逼真多视角监控图像，并通过自动语义审查，检查对控制至关重要的几何结构、车辆运动和车道语义是否与仿真器状态一致。Traffic-VL 是一个拥有 80 亿参数的视觉语言模型，可直接将同步多视角图像和自然语言相位描述映射为信号决策，无需中间结构化状态。在 Traffic-R1 的两阶段强化推理框架基础上，Traffic-VL 通过在 SynTra-V 上进行离线强化学习来适配其视觉编码器，并在闭环仿真中进行在线视觉逐步轨迹策略优化时冻结该编码器。实验表明，Traffic-VL 的性能与基于结构化状态的 Traffic-R1 相当，同时优于基于图像的控制器和包括 Gemini 3 Pro 在内的通用视觉语言模型。在未见过的道路拓扑、退化感知条件和真实监控视频上的评估，以及覆盖十个交叉口、为期三周的部署，进一步证明了其稳健的视觉泛化能力和有效的受约束在线控制能力。