VLALight：面向交通信号控制的视觉-语言-动作模型

研究者提出 VLALight，称其为首个可直接从多视角路侧视频端到端完成交通信号控制的 vision-language-action（VLA）模型。它通过多目标时空交通推理和跨路口拓扑感知协同感知，把视觉观测直接映射为协调信号动作，并采用两阶段监督冷启动加协同式 agentic 强化学习，以及自适应快慢推理模式。在三个城市网络、七个真实交通流数据集上的实验显示，其表现持续优于交通类、RL 类和 LLM/VLM 类基线。

此前交通信号控制多依赖人工设计的交通状态或独立感知模块，视觉观测与控制决策之间存在断层。该工作把多视角路侧视频直接接入控制策略，并用跨路口协同感知覆盖网络级效率，为端到端信号控制提供了可与其他方法在真实数据集上对比的新基线。

机制上，模型先以两阶段监督冷启动学习视觉交通理解与信号决策，再用协同式 agentic 强化学习同时优化本地控制和全网交通效率；跨路口拓扑感知让相邻路口信息进入策略。自适应快慢推理使策略只在额外推理带来足够控制收益时投入更深计算，从而在决策质量与推理成本之间做取舍。

对智能交通产品而言，这意味着路侧摄像头可被更直接地用于信号控制，减少对人工特征和独立感知模块的依赖。研发上需要关注多路口数据接入、协同推理和推理成本调度；若落地，可能影响边缘侧算力配置和信号配时的运维方式。

• 在城市路口试点中，用现有路侧多视角摄像头数据复现 VLALight 的端到端控制流程，并与既有配时方案做 A/B 对比。
• 针对快慢推理模式，设计面向边缘设备的推理成本监控与分级调度策略，降低高峰期算力压力。
• 评估跨路口拓扑感知对区域协调控制的增益，形成可售卖的干线或区域信号优化模块。

• VLALight 在真实路口的部署成本和时延是否满足实时控制要求？
• 快慢推理模式的选择依据和额外收益阈值是否在论文中有明确量化？
• 七个数据集和三个城市网络的具体来源与覆盖场景是否足以代表其他城市？
• 与现有交通信号控制系统的集成方式是否在论文中给出？