交通安全の研究では、歩行者と車両の相互作用を理解するために実道路の動画が豊富な証拠を提供してきた。しかし実データの注釈付けはコストが高く、カバーできるシナリオも限られる。そこで注目されているのが、シミュレーション環境だけでモデルを学習し、実世界の交通へ展開する試みである。ただし合成から実への評価は容易ではない。モデルは仮想シーンのみから学び、実際の道路における複雑な相互作用へ一般化しなければならない。Blessing Agyei Kyem、Richard Dzinyela、Joshua Kofi Asamoah、Eugene Denteh、Andrews Danyo、Solomon Owusu-Ansah、Dickson Gyimah Asiedu、Armstrong Aboahによる論文は、この「合成のみで学習する」プロトコルのために設計された交通動画言語フレームワークStateBridgeを提案している。
StateBridgeの中心的な考え方は、視覚言語モデルに映像の見た目だけを頼らせず、安定して解釈可能な交通証拠を明示的に与えることにある。そのために三つの相補的な設計を採用する。第一はフェーズ認識クリップ構築で、長い動画を参加者の行動フェーズに沿って分割し、各クリップが明確な交通行動の意味を持つようにする。第二は歩行者と車両のトラック要約で、動画から軌跡情報を抽出して構造化表现に圧縮し、参加者の動きの傾向や相互関係を捉えられるようにする。第三は構造化プロンプトで、フェーズとトラックの情報を規範化した形で視覚言語モデルへ入力し、推論時に交通証拠そのものへ注意を向けさせる。
学習と推論の段階では、公開されている視覚言語モデルを合成のキャプショニングおよび視覚質問応答のサンプルで微調整する。単一モデルの微調整だけでは出力の安定性を保証できないため、二つの出力統合機構を導入する。一つは事実固定型のキャプション融合で、融合後の記述が検証可能な事実から逸脱しないよう制約する。もう一つは証拠多様型のVQA合意で、異なる証拠に支えられた回答を相互に照合し、参加者の役割、行動フェーズ、質問タイプにわたる一貫性を高める。
実験結果はこの手法の有効性を示している。StateBridgeはAI City Challenge 2026 Track 2において公式S2スコア55.4679を達成し、学習には実データを一切使用していない。この成果は、構造化された証拠転移が合成と実世界のドメインギャップを補えることを示し、交通安全における動画キャプショニングと視覚質問応答に実行可能な道筋を与える。論文は25ページ、図5点からなるECCV会議の研究で、arXiv番号2610.31898、2026年10月22日提出、コンピュータビジョンとパターン認識（cs.CV）に分類されている。