論文の概要: VLALight: Lightweight Vision-Language-Action Models for Emergency-Aware Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2609.30709v1
• Date: Fri, 25 Sep 2026 02:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.189027
• Title: VLALight: Lightweight Vision-Language-Action Models for Emergency-Aware Traffic Signal Control
• Title（参考訳）: VLALight:緊急対応信号制御のための軽量ビジョンランゲージ・アクションモデル
• Abstract要約: VLALightは、TSCのための軽量なビジョン言語アクションフレームワークである。 交叉観測と信号相情報を離散的な信号行動にマッピングする。 実験によると、VLALightは、比較したすべての方法で最高の緊急車両サービスを提供している。
• 参考スコア（独自算出の注目度）: 8.929105961048135
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 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.
• Abstract（参考訳）: 交通信号制御(TSC)は都市交通渋滞の緩和に不可欠である。 近年の視覚言語モデル(VLM)の進歩により、交差点シーンのより豊かな解釈が可能となり、視覚コンテキスト対応のTSCの新しい機会が開かれる。 しかし、モジュール間の疎結合と繰り返しの情報変換により、詳細な視覚的詳細が失われ、シーケンシャル推論がかなりの遅延をもたらす。 これらの制約に対処するために,交差観測と信号位相情報を個別の信号行動に直接マッピングする,軽量なエンドツーエンドの視覚-言語-アクションフレームワークであるVLALightを提案する。 TSCのマルチビュー特性に対処するため、VLALightは複数の方向カメラビューを統合された視覚入力に結合し、テキスト命令を使用してトラフィックの動きや信号位相との対応を確立する。 この設計により、中間画像からテキストへの記述や手作りの交通状態表現なしに、0.5Bパラメータモデルで直接動作予測が可能となる。 実験により、VLALightは比較対象のすべての方法において最高の緊急車両サービスを提供し、ローカルハードウェア上でリアルタイムに実行しながら、プールされた緊急待ち時間を21.1%削減し、目に見えない交差点のトポロジやトラフィックフローパターンに一般化していることが示された。

関連論文リスト

• OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning [47.85568621735744]
  トラフィック推論のための制御可能なパイプライン生成とベンチマークであるOmniTrafficを紹介した。 現実世界の12の交差点に建設され、2つの国の監視映像によって再建されている。 シーン認識、多視点、時間的推論、意思決定支援にまたがる3段階のタスク階層を定義する。
  論文  参考訳（メタデータ） (2026-06-14T11:16:53Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models [80.1055544841585]
  ビジョン・ランゲージ・アクションモデルは通常、視覚観察と言語指示を直接ロボット制御信号にマッピングする。 本稿では,高レベルの推論と低レベルの実行を,構造化された視覚的プロンプトインタフェースを介して分離する,デュアルシステムフレームワークであるVP-VLAを提案する。 Robocasa-GR1-TabletopベンチマークとSimplerEnvシミュレーションの実験は、VP-VLAが成功率を5%と8.3%改善することを示した。
  論文  参考訳（メタデータ） (2026-03-23T14:08:58Z)
• Enhancing LLM-based Autonomous Driving with Modular Traffic Light and Sign Recognition [15.4994260281059]
  大規模言語モデル(LLM)は、自律運転における意思決定と計画にますます利用されている。 LLMをベースとした自律走行エージェントを明示的な信号と信号認識で拡張するモジュール冗長層であるTLS-Assistを導入する。 LMDriveを14%,BEVDriverを7%,運転性能を14%向上させた。
  論文  参考訳（メタデータ） (2025-11-18T11:52:52Z)
• VLMLight: Safety-Critical Traffic Signal Control via Vision-Language Meta-Control and Dual-Branch Reasoning Architecture [10.403439446065033]
  VLMLightは、視覚言語メタコントロールとデュアルブランチ推論を統合する新しいフレームワークである。 大規模言語モデル(LLM)は、安全優先のメタコントローラとして機能し、ルーチントラフィックの高速なRLポリシーとクリティカルケースの構造化推論ブランチを選択できる。 実験によると、VLMLightは緊急車両の待ち時間を、RLのみのシステムよりも最大65%短縮する。
  論文  参考訳（メタデータ） (2025-05-26T04:12:57Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
  交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。 記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。 提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-08T10:51:03Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。