# 交通信号控制

交通信号控制此前多依赖专用感知流程产出的结构化车流状态，或把仿真图像先转成中间表示再决策。Traffic-VL 用80亿参数视觉语言模型把同步多视角图像与自然语言相位描述直接映射为相位选择，并配套 SynTra-V 把物理仿真转成经语义审计的逼真监控图像用于训练。在五个闭环基准上它与使用结构化状态的 Traffic-R1 相当，在真实监控图像上相位选择准确率为82.1%，三周十个路口实地运行相对人工历史操作把平均排队长度降低10.4%。

交通信号控制此前多依赖专用感知流程产出的结构化车流状态，或把仿真图像先转成中间表示再决策。Traffic-VL 用80亿参数视觉语言模型把同步多视角图像与自然语言相位描述直接映射为相位选择，并配套 SynTra-V 把物理仿真转成经语义审计的逼真监控图像用于训练。在五个闭环基准上它与使用结构化状态的 Traffic-R1 相当，在真实监控图像上相位选择准确率为82.1%，三周十个路口实地运行相对人工历史操作把平均排队长度降低10.4%。

多路口信号控制不再把整张路网压成一个共享隐向量。此前在正常流量下训练的策略遇到封路、走廊中断或降雨时，往往分不清短暂波动和持续通行能力下降。这里让每个路口按相邻路口的联合状态重新分配注意力，再用一段历史窗口判断变化是否持续，在随机封路场景中把等待时间恢复时间从329秒缩短到245秒，中心封区场景中等待时间恢复快82秒。

多路口信号控制不再把整张路网压成一个共享隐向量。此前在正常流量下训练的策略遇到封路、走廊中断或降雨时，往往分不清短暂波动和持续通行能力下降。这里让每个路口按相邻路口的联合状态重新分配注意力，再用一段历史窗口判断变化是否持续，在随机封路场景中把等待时间恢复时间从329秒缩短到245秒，中心封区场景中等待时间恢复快82秒。