在道路施工區域，臨時交通管制會重新引導車輛通行，自動駕駛系統必須把對可見交通設施的語義理解轉化為一條連續、可執行的透過路徑。幾何預測器往往能生成多條看似合理的候選路徑，但從中挑選出真正符合臨時管制意圖的那一條仍然困難。針對這一問題，論文提出了 SAGE（Semantic-to-Action Grounded Execution，語義到動作的落地執行）框架，以“讀取—決策—執行—校驗”的流程把路徑構造、路徑偏好與控制合規拆分開來，並在同一候選空間內協同處理。
SAGE 的核心思路是把視覺語言模型（VLM）輸出的軌跡當作一種偏好訊號，用來對完整的幾何候選路徑進行排序。具體而言，一個角色解耦的生成器負責構造候選路徑，隨後透過排序融合將每條候選自身的幾何得分與其同 VLM 軌跡的一致程度結合起來。這樣既保留了傳統幾何方法在路徑生成上的多樣性，又引入了 VLM 對交通場景語義的理解能力，避免僅憑几何分數做出與臨時管制相悖的選擇。
在監督訊號方面，SAGE 圍繞《統一交通控制設施手冊》（MUTCD）設計訓練結構，要求 SAGE-VLM 在給出通行決策和軌跡之前，先陳述車道狀態與危險側。預測出的危險側會被轉化為基於 MUTCD 條款的影像空間謂詞，這些謂詞支撐最終的有界干預——干預在得分和位移上均受到限制，從而保證修正不會過度偏離幾何候選。
實驗在 2,306 個真實世界 ROADWork 驗證片段上展開。結果顯示，在 87% 的片段中，候選集合裡已經包含與人類演示路徑相差 10 畫素以內的路徑，這說明候選生成本身覆蓋充分；但選擇遺憾佔到了幾何排序器誤差的 53%，凸顯了“選不對”才是主要瓶頸。SAGE 相對於該幾何排序器將平均位移誤差和最終位移誤差分別降低 8.3% 和 12.0%，改進主要出現在遠場區域，同時將硬約束違規減少 37%。此外，VLM 軌跡意見對全部四組測試過的生成器—選擇器組合都有提升；SAGE 在精度上與最先進的 VLM 模組相當，且所用 VLM 響應更快，並在位移誤差和安全指標上優於另外四種經過適配的駕駛 VLM。論文專案頁面為 https://hhjj233.github.io/SAGE-page/。