谷歌的“绿灯”项目利用人工智能优化波士顿114个交叉口的信号灯，旨在降低交通排放。该技术通过分析交通模式，帮助城市工程师快速实施优化方案，预计可减少30%的交通停顿和10%的排放。该项目已在18个城市推广。

本研究通过合并LISA和S2TLD数据集，并应用傅里叶领域适应技术，解决了交通信号灯检测中的数据稀缺和恶劣天气性能差的问题。实验结果表明，增强模型在雨天和雾天的表现显著优于未增强模型。

本文提出了一种基于增强学习的交通信号控制方法CityLight，采用MAPPO框架实现多个智能体的协同控制，显著提升交通效率。实验结果显示，整体性能提高11.66%，迁移场景吞吐量提升22.59%。

本研究探讨了车辆灯光在自动驾驶中的表示及其对不同任务的影响，介绍了LISA车辆灯光数据集和光可见性模型，总结了数据集的特点和局限性，强调了准确注释的重要性。

本研究将大型语言模型与交通信号控制系统相结合，提供先进的推理和决策能力，适应复杂的交通流量。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。这一研究为交通信号控制策略带来重大突破，展示了其改变交通管理的潜力。

该研究提出了一种融合交通信号信息和多车辆交互的知识增强生成对抗网络（KI-GAN）模型，用于车辆轨迹预测。通过专用的注意力汇聚方法，在6秒观测和预测周期内实现了较低的位移误差。该模型在复杂场景中的车辆轨迹预测中表现出有效性。

本文介绍了四种常见的信号灯：计数信号灯、二值型信号灯、互斥信号灯和递归互斥信号灯。计数信号灯用于限制线程访问数量，二值型信号灯用于同步线程运行，互斥信号灯用于确保多个线程不能同时访问共享资源，递归互斥信号灯提供递归互斥锁的API。每种信号灯都有相应的API函数和示例代码。

本研究综合调查和分析了使用卷积神经网络的交通信号灯识别方法，重点关注数据集和CNN架构。根据底层架构分为三个主要群组：修改通用目标检测器的方法、利用规则和CNN组件的多阶段方法以及特定任务的单阶段方法。讨论了每个群组中最重要的工作，数据集的使用情况，并确定了研究的空白点。