CoT-VLM4Tar：引导交通异常解决的链条思考式视觉语言模型
人工智能
2025-03-04 v1
摘要
随着城市化进程的加快，现代城市交通系统日益复杂，导致频发的交通异常。这些异常不仅包括常见的交通拥堵，还包括幽灵交通堵塞、交叉口死锁以及事故责任分析等更具挑战性的问题，这些问题严重影响交通流、车辆安全以及整体交通效率。当前解决方案主要依赖交通警察的人工干预或基于人工智能的检测系统。然而，这些方法常因资源不足导致响应延迟和管理不一致，而 AI 检测系统虽提升了效率，仍在实时和精确处理复杂交通异常方面存在不足。为此，我们提出了 CoT-VLM4Tar：（Chain of Thought Visual-Language Model for Traffic Anomaly Resolution），该创新方法引入了新的链式思考框架，以引导视觉语言模型对交通异常进行分析、推理和生成解决方案，从而实现更合理且高效的解决，并为评估方法性能与效果，我们开发了基于 CARLA 模拟器的闭环测试框架。此外，为确保 VLM 生成的解决方案能无缝集成至 CARLA 模拟器，我们实现了一个将这些解决方案转换为可执行命令的集成模块。我们的结果表明，视觉语言模型在实时交通异常解决中具有有效性，为其集成至自主交通管理系统提供了概念验证。
引用
@article{arxiv.2503.01632,
title = {CoT-VLM4Tar: Chain-of-Thought Guided Vision-Language Models for Traffic Anomaly Resolution},
author = {Tianchi Ren and Haibo Hu and Jiacheng Zuo and Xinhong Chen and Jianping Wang and Chun Jason Xue and Jen-Ming Wu and Nan Guan},
journal= {arXiv preprint arXiv:2503.01632},
year = {2025}
}