論文の概要: D2-V2X: Depth-Driven Cooperative V2X Reasoning for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.24098v1
• Date: Fri, 22 May 2026 18:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.627688
• Title: D2-V2X: Depth-Driven Cooperative V2X Reasoning for Autonomous Driving
• Title（参考訳）: D2-V2X:自律運転のための深さ駆動協調V2X推論
• Authors: Kevin Richard, Alphin Varghese, Colin Pham, David Oh, Srijan Das,
• Abstract要約: D2-V2Xは,空間認識型質問応答(QRA)ベンチマークで8500個の三重項を特徴とする。 構造化された出力に先立って、自然言語のリコール合理性を強制することにより、我々のモデルは空間的関係を明確に表現せざるを得ない。 このモデルではF1スコアを53.5の関数的に決定するが、3次元から2次元の投影を現在のVLMアーキテクチャの基本的なボトルネックとみなす。
• 参考スコア（独自算出の注目度）: 10.860896159477264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-vehicle Vision-Language Models (VLMs) are fundamentally constrained by sensor occlusions. While Vehicle-to-Everything (V2X) systems mitigate this, current benchmarks lack the cooperative reasoning required for resolving ambiguities in complex environments. We introduce D2-V2X, a spatially-aware Question-Rationale-Answer (QRA) benchmark featuring 8,500 triplets derived from multimodal vehicle and infrastructure sensors. We additionally establish a baseline that aligns 3D LiDAR features with the VLM's latent space. By enforcing natural language Chain-of-Thought rationales prior to structured JSON outputs, our model is forced to explicitly articulate spatial relations. Our experiments demonstrate that grounding VLMs in cooperative LiDAR achieves 24.4% recall in identifying occluded hazards compared to near-zero in zero-shot models and reduces spatial estimation error for visible objects by 77% compared to the zero-shot baseline. While the model achieves a functional decision-making F1-score of 53.5, we identify 3D-to-2D projection as a fundamental bottleneck in current VLM architectures, establishing a new baseline for future innovation. Data, code, and trained models available at https://github.com/KevinRichard1/D2-V2X
• Abstract（参考訳）: 単一車両ビジョンランゲージモデル(VLM)は、センサーの閉塞によって根本的に制約される。 V2X(Vine-to-Everything)システムがこれを緩和する一方で、現在のベンチマークでは複雑な環境におけるあいまいさを解決するのに必要な協力的理由が欠如している。 D2-V2Xは,マルチモーダル車両とインフラセンサから派生した8,500個のトリプルからなる,空間認識型質問応答(QRA)ベンチマークである。 さらに,VLMの潜在空間と3次元LiDAR特徴を一致させるベースラインを確立する。 構造化されたJSON出力の前に、自然言語のChain-of-Thought論理を強制することにより、我々のモデルは空間的関係を明確に表現せざるを得ない。 実験の結果, ゼロショットモデルでは, ゼロショットモデルでは, ゼロショットモデルでは, ゼロショットモデルでは, ゼロショットモデルでは, ゼロショットモデルでは, ゼロショットモデルでは24.4%, ゼロショットベースラインでは77%の空間推定誤差を低減できることがわかった。 このモデルではF1スコア53.5の関数的決定が達成されているが、3次元から2次元の投影を現在のVLMアーキテクチャの基本的ボトルネックとして認識し、将来のイノベーションの新たなベースラインを確立する。 data, code, and training model available at https://github.com/KevinRichard1/D2-V2X

関連論文リスト

• DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning [94.62097655403683]
  本稿では,ビジョン・ランゲージ・アクション統合フレームワークとして機能する空間認識型4次元MLLMであるDrivePIを提案する。 提案手法は,空間的理解,3次元知覚,予測(占有フロー),計画(行動出力)を並列に行う。 MLLMのバックボーンとして0.5BのQwen2.5モデルしか持たず、単一の統一モデルとしてのDrivePIは既存のVLAモデルと特殊VAモデルの両方を上回るか、あるいは超える。
  論文  参考訳（メタデータ） (2025-12-14T18:45:54Z)
• Beyond Flatlands: Unlocking Spatial Intelligence by Decoupling 3D Reasoning from Numerical Regression [12.590536117486257]
  既存の視覚言語モデル(VLM)は、現実世界の空間知能を理解するのに苦労している。 GEODEは2つの特別なプラグアンドプレイモジュールでメインVLMを拡張している。 これらのモジュールの相乗効果により、1.5Bパラメータモデルは高レベルのセマンティックディスパッチとして機能します。
  論文  参考訳（メタデータ） (2025-11-14T12:42:07Z)
• SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities [59.39858959066982]
  空間的関係についての理解と推論は、視覚質問応答(VQA)とロボット工学の基本的な能力である。 我々は,1000万枚の実画像に対して,最大20億個のVQAサンプルをスケール可能な3次元空間VQAデータ自動生成フレームワークを開発した。 このようなデータに基づいてVLMを訓練することにより、定性的空間的VQAと定量的空間的VQAの両方において、その能力を大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-22T18:01:01Z)
• V2V4Real: A Real-world Large-scale Dataset for Vehicle-to-Vehicle Cooperative Perception [49.7212681947463]
  車両から車両への協調認識システム(V2V)は、自動運転産業に革命をもたらす大きな可能性を秘めている。 V2V4Realは、V2V知覚のための世界初の大規模実世界のマルチモーダルデータセットである。 我々のデータセットは、20KのLiDARフレーム、40KのRGBフレーム、240Kの注釈付き5クラスの3Dバウンディングボックス、HDMapからなる410kmの走行領域をカバーしている。
  論文  参考訳（メタデータ） (2023-03-14T02:49:20Z)
• LiDAR-based 4D Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,両タスクの現在の最先端手法よりも優れた精度を実現する。 DS-Netを4次元パノプティカルLiDARセグメンテーションに拡張し、一列のLiDARフレーム上で時間的に統一されたインスタンスクラスタリングを行う。
  論文  参考訳（メタデータ） (2022-03-14T15:25:42Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)

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。