arXiv cs.AI· Xingchen Zou, Maonan Wang, Kemou Jiang, Jie Li, Yiqi Chen, Xi Chen, Hai Yang, Yuxuan Liang·· 10 小时前AI 评分38
Traffic-VL：用强化视觉语言模型实现可泛化的端到端交通信号控制
Traffic-VL: Reinforced Vision-Language Models for Generalizable End-to-End Traffic Signal Control
AI 导读
Traffic-VL 是一个 80 亿参数的视觉语言模型，可直接将多视角图像与自然语言相位描述映射为信号决策，无需中间结构化状态。配套的 SynTra-V 将物理仿真转为逼真多视角监控图像并自动校验语义一致性。
正文 · AI 翻译
摘要：现有的交通信号控制方法通常依赖于由专用感知流水线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，从而限制了它们直接利用路侧视觉观测的能力。为弥合视觉域差距与感知到决策的差距，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逼真的多视角监控图像，覆盖多种道路拓扑和传感条件，并通过自动语义审计检查控制关键几何、车辆运动和车道语义是否与仿真器状态一致。Traffic-VL 是一个八十亿参数的视觉语言模型，可直接将同步的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。基于 Traffic-R1 的两阶段强化推理框架，Traffic-VL 通过 SynTra-V 上的离线强化学习适配其视觉编码器，并在闭环仿真中的在线视觉逐步轨迹策略优化期间将其冻结。实验表明，Traffic-VL 与结构化状态的 Traffic-R1 相当，同时优于基于图像的控制器和通用视觉语言模型，包括 Gemini 3 Pro。在未见拓扑、退化传感条件、真实监控录像以及跨十个路口为期三周的部署上的评估，进一步证明了稳健的视觉泛化和有效的约束在线控制。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06353 [cs.CV] |
| （或 arXiv:2611.06353v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06353 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xingchen Zou [查看电子邮件]
[v1]
2026年11月4日星期三 11:15:20 UTC（16,282 KB）
来源：arXiv cs.AI · arxiv.org