VLALight: Lightweight Vision-Language-Action Models for Emergency-Aware Traffic Signal Control

📄 arXiv: 2609.30709v1 📥 PDF

作者: Kemou Jiang, Maonan Wang, Xingchen Zou, Jiayue Zhu, Yuhang Fu, Sicheng Wang, Xi Chen, Yirong Chen, Zhiyong Cui

分类: cs.CV, cs.AI

发布日期: 2026-09-25

备注: 9 pages, 7 figures

💡 一句话要点

提出VLALight以解决紧急车辆交通信号控制问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交通信号控制 视觉语言模型 紧急车辆服务 多视角融合 实时处理 智能交通系统 端到端框架

📋 核心要点

  1. 现有的交通信号控制方法存在模块间信息转换重复、细节丢失及推理延迟等问题。
  2. VLALight通过轻量级的端到端框架，直接将视觉信息与信号动作对应，简化了处理流程。
  3. 实验结果显示，VLALight在紧急车辆服务方面优于其他方法，显著减少了等待时间并具备良好的实时性。

📝 摘要（中文）

交通信号控制（TSC）对于缓解城市拥堵至关重要。近年来，视觉语言模型（VLMs）的进展使得对交叉口场景的理解更加丰富，为视觉上下文感知的TSC开辟了新机遇。然而，模块之间的松散耦合和信息转换的重复可能导致细粒度视觉细节的丢失，而顺序推理则引入了显著的延迟。为了解决这些问题，我们提出了VLALight，这是一种轻量级的端到端视觉-语言-动作框架，直接将交叉口观察和信号相位信息映射到离散信号动作。VLALight结合多个方向的摄像头视图，使用文本指令建立与交通运动和信号相位的对应关系，从而实现直接的动作预测，模型参数仅为0.5B，无需中间的图像到文本描述或手工制作的交通状态表示。实验表明，VLALight在所有比较方法中提供了最佳的紧急车辆服务，减少了21.1%的紧急等待时间，并在本地硬件上实时运行，能够推广到未见过的交叉口拓扑和交通流模式。

🔬 方法详解

问题定义：本论文旨在解决交通信号控制中的信息转换重复和推理延迟问题。现有方法在处理多视角信息时，往往导致细节丢失和响应速度慢。

核心思路：VLALight通过构建一个轻量级的端到端框架，直接将交叉口的视觉观察与信号相位信息映射到信号动作，避免了中间步骤的复杂性。

技术框架：该框架整合了多个方向的摄像头视图，形成统一的视觉输入，并利用文本指令与交通运动和信号相位建立对应关系。主要模块包括视觉输入处理、信号相位映射和动作预测。

关键创新：VLALight的核心创新在于其轻量级设计和直接映射机制，显著减少了模型参数（仅0.5B），与传统方法相比，省略了图像到文本的转换步骤。

关键设计：模型采用了多视角输入的融合策略，设计了高效的损失函数以优化信号动作预测，并通过简化的网络结构提高了实时处理能力。实验中验证了其在不同交通流模式下的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，VLALight在紧急车辆服务方面表现优异，相较于级联的VLMLight，减少了21.1%的紧急等待时间，并且能够在本地硬件上实时运行，展现出良好的泛化能力。

🎯 应用场景

VLALight的研究成果可广泛应用于智能交通系统，特别是在城市交通信号控制中，能够有效提升紧急车辆的通行效率，减少交通拥堵。未来，该技术还可扩展至其他交通管理领域，如自动驾驶和交通流量监测，具有重要的实际价值和社会影响。

📄 摘要（原文）

Traffic signal control (TSC) is essential for mitigating urban congestion. Recent advances in vision-language models (VLMs) enable richer interpretation of intersection scenes, opening new opportunities for visual-context-aware TSC. However, the loose coupling and repeated information conversion between modules can lead to the loss of fine-grained visual details, while sequential inference introduces substantial latency. To address these limitations, we propose VLALight, a lightweight end-to-end vision-language-action framework that directly maps intersection observations and signal-phase information to discrete signal actions. To handle the multi-view nature of TSC, VLALight combines multiple directional camera views into a unified visual input and uses textual instructions to establish their correspondence with traffic movements and signal phases. This design enables direct action prediction with a compact 0.5 B-parameter model, without intermediate image-to-text descriptions or handcrafted traffic-state representations. Experiments show that VLALight delivers the best emergency-vehicle service of all compared methods, reducing pooled emergency waiting time by 21.1% over the cascaded VLMLight while running in real time on local hardware and generalizing to unseen intersection topologies and traffic-flow patterns.