VLA 模型 VLALight 控制交通信号灯：直接从路侧摄像头视频端到端输出动作

什么是用于交通信号灯控制的 VLA 模型

VLALight 是一种用于交通信号灯控制的视觉-语言-动作模型。作者：Pan Zhang、Siqi Lai、Kemu Dong、Hao Liu。论文于 2026 年 9 月 29 日提交。这是首个基于路侧摄像头多视角视频进行端到端交通信号灯控制的 VLA 模型。

该模型直接将视觉观测转换为协调一致的交通信号灯动作。它运用时空推理处理多个目标，并在拓扑层面考虑交叉路口的协同感知。

该方法的关键特性：

• 端到端推理：将视觉观测转化为交通信号灯动作。
• 多视角视频：数据来自路侧摄像头。
• 时空推理：模型会考虑多个目标。
• 拓扑层面的考量：交叉路口的协同感知。

选择标准：VLA 方法将感知与控制整合到同一个模型中。这使其区别于将这两项任务分开的方案。视频与动作之间的端到端关联是关键标准。

VLALight 如何训练：两个阶段

VLALight 的训练采用两阶段策略。首先进行监督式冷启动，以培养对道路交通状况的视觉理解能力以及交通信号决策能力。随后进行协作式智能体强化学习。

第二阶段联合优化局部控制和整个交通网络的效率。第一阶段负责理解场景和交通信号。第二阶段则优化局部控制和交通网络。

选择标准：关注方法是否包含网络层面的联合优化。缺乏网络背景的局部决策会限制效果。两阶段设计将感知训练与交互调优分开。

自适应推理模式与推理成本

VLALight 采用快速和慢速两种自适应推理模式。只有在更深入的推理能为控制带来足够收益时，才会启用该模式。模型采用均衡的模式感知 rollout 和相对优势优化。模型学会在决策质量与推理成本之间取得平衡。

选择标准：在决策质量与推理成本之间取得平衡。模式应根据其对控制的收益进行切换。始终以最大推理深度运行会增加成本。

实验结果

实验使用了七个真实交通流数据集，涵盖三个城市的交通网络。VLALight 的表现优于基线方法，包括交通模型、强化学习以及 LLM/VLM。

消融研究证实了协同感知、网络层面优化和自适应推理的有效性。作者指出，VLA 模型有望用于控制真实的物理交通系统。

选择标准：检查基线方法的构成以及是否进行了消融实验。实验涵盖真实交通流和三个城市的交通网络。每个组件的贡献都应单独得到验证。