論文の概要: TrafficRAG: A Multimodal RAG Framework for Traffic Accident Liability Determination
- arxiv url: http://arxiv.org/abs/2606.01737v1
- Date: Mon, 01 Jun 2026 06:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.405191
- Title: TrafficRAG: A Multimodal RAG Framework for Traffic Accident Liability Determination
- Title（参考訳）: TrafficRAG: 交通事故責任決定のためのマルチモーダルRAGフレームワーク
- Authors: Xu Li, Zedong Fu, Xinyi Li, Xun Han,
- Abstract要約: 既存の手法は、しばしば低効率、主観的判断、一貫性のない分析結果に悩まされる。
本稿では,自動交通事故解析とレポート生成のためのマルチモーダル検索拡張フレームワークであるTrafficRAGを紹介する。
- 参考スコア（独自算出の注目度）: 8.432460382640143
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Traffic accident liability analysis is a critical yet challenging task in intelligent transportation and legal assistance. Existing methods often suffer from low efficiency, subjective judgment, and inconsistent analysis results. Meanwhile, large language models are constrained by noisy video inputs and insufficient legal domain knowledge. To address these issues, this work presents TrafficRAG, a multimodal retrieval-augmented framework for automated traffic accident analysis and report generation. Specifically, the proposed framework first adopts a vision-language model to produce structured textual descriptions of accident scenarios, which serve as accurate retrieval queries. Based on these textual queries, a hybrid retrieval strategy integrating BM25 sparse retrieval and dense embedding retrieval is employed to fetch relevant traffic regulations and similar historical cases. Finally, the large language model incorporates retrieved legal knowledge and multimodal accident evidence for comprehensive reasoning, and generates standardized, legally grounded liability analysis reports. Extensive experiments show that TrafficRAG consistently outperforms baseline methods, achieving 77.32% Legal Norm Adaptation Accuracy, 81.71% Factual Faithfulness, and a Liability Ratio MAE of 5.48%. The results validate that integrating multimodal factual evidence with legal clauses via retrieval augmentation can effectively improve the reliability and accuracy of traffic accident liability determination.
- Abstract（参考訳）: 交通事故の責任分析は、インテリジェント輸送と法的援助において重要な課題である。
既存の手法は、しばしば低効率、主観的判断、一貫性のない分析結果に悩まされる。
一方、大きな言語モデルは、騒々しいビデオ入力と不十分な法的ドメイン知識によって制約される。
これらの問題に対処するため,交通事故の自動解析とレポート生成のためのマルチモーダル検索拡張フレームワークであるTrafficRAGを提案する。
具体的には、まず視覚言語モデルを用いて、事故シナリオの構造化されたテキスト記述を生成し、正確な検索クエリとして機能する。
これらのテキストクエリに基づいて、BM25スパース検索と密埋検索を統合したハイブリッド検索戦略を用いて、関連する交通規制や同様の歴史的事例を取得する。
最後に、検索された法的知識と総合的推論のためのマルチモーダルな事故証拠を組み込んだ大規模言語モデルを作成し、標準化された法的根拠に基づく責任分析レポートを生成する。
広範な実験により、TrafficRAGはベースライン法を一貫して上回り、77.32%の法定ノルム適応精度、81.71%のFactual Faithfulness、そして5.48%のLiability Ratio MAEを達成した。
その結果, 交通事故責任決定の信頼性と精度を効果的に向上できることを示す。
関連論文リスト
- TRIP-Evaluate: An Open Multimodal Benchmark for Evaluating Large Models in Transportation [16.24388752700607]
交通機関における大規模モデルのオープンなマルチモーダルベンチマークであるTRIP-Evaluateを提案する。
このベンチマークでは、車両、交通管理、旅行者、計画設計機能をカバーするロールタスク知識分類を使用して837の項目をまとめている。
多様なモデルのパネルでは、テキストベースのパフォーマンスは改善されているが、多段階エンジニアリング計算、ルール制約推論、マルチモーダルシーン理解、ポイントクラウド理解に重大な弱点が残っている。
論文 参考訳（メタデータ） (2026-04-29T04:29:48Z) - AITP: Traffic Accident Responsibility Allocation via Multimodal Large Language Models [3.6393796347315974]
本稿では,AITP(Artificial Intelligence Traffic Police)について紹介する。
67,941の注釈付きビデオと195,821の質問応答対で10の交通事故推論タスクを統合したデカタラ型ベンチマークを提案する。
論文 参考訳（メタデータ） (2026-04-11T09:38:45Z) - Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking [47.47518672198846]
インターネット上に拡散する誤報は、社会と個人の両方に重大な脅威をもたらす。
これまでの方法は、トレーニングデータから学んだ意味的パターンと社会的コンテキスト的パターンに依存していた。
我々は、証拠のコアリソースとして認証されたオープンナレッジグラフを利用するWKGFCを提案する。
論文 参考訳（メタデータ） (2026-02-27T19:29:01Z) - Multimodal Fact-Level Attribution for Verifiable Reasoning [80.60864342985748]
マルチモーダル大言語モデル(MLLM)は、多段階推論と長文生成を含む実世界のタスクにますます利用されている。
既存のマルチモーダルグラウンドベンチマークと評価手法は、複雑なマルチモーダル推論における属性評価に失敗する。
我々は、直接観察以上の推論を必要とする設定において、ファクトレベルのマルチモーダル属性を評価するためのベンチマークであるMuRGAtを紹介する。
論文 参考訳（メタデータ） (2026-02-12T03:10:02Z) - MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。
現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。
本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T12:27:40Z) - Towards Comprehensive Stage-wise Benchmarking of Large Language Models in Fact-Checking [64.97768177044355]
大規模言語モデル(LLM)は、現実のファクトチェックシステムにますます多くデプロイされている。
FactArenaは、完全に自動化されたアリーナスタイルの評価フレームワークである。
本研究では,静的クレーム検証精度とエンドツーエンドのファクトチェック能力の相違点を明らかにした。
論文 参考訳（メタデータ） (2026-01-06T02:51:56Z) - Multimodal Fact-Checking: An Agent-based Approach [9.55806677152407]
実世界のマルチモーダルファクトチェックのための高品質で説明可能なデータセットであるRW-Postを紹介する。
RW-Postは、実世界のマルチモーダルなクレームと、そのクレームが作成されるリッチなコンテキスト情報を保存するオリジナルのソーシャルメディア投稿を整合させる。
RW-PostをベースとしたエージェントベースのマルチモーダルファクトチェックフレームワークであるAgentFactを提案する。
論文 参考訳（メタデータ） (2025-12-28T13:58:33Z) - Assessing the Performance Gap Between Lexical and Semantic Models for Information Retrieval With Formulaic Legal Language [1.3499500088995462]
本研究は,欧州連合司法裁判所(CJEU)の判決から法律又は段落を回収する業務について検討する。
実験の結果,BM25は7つのパフォーマンス指標のうち4つにおいて,市販の高密度モデルを上回る強力なベースラインであることが判明した。
ドメイン固有のデータに対する厳密なモデルを微調整することでパフォーマンスが向上し、ほとんどのメトリクスでBM25を上回った。
論文 参考訳（メタデータ） (2025-06-15T15:53:38Z) - Evaluating Retrieval Augmented Generative Models for Document Queries in Transportation Safety [0.7373617024876725]
本研究では、ChatGPT、GoogleのVertex AI、ORNL Retrieval Augmented Generation augmented LLaMA 2、LLaMAの3つの微調整生成モデルの性能を評価する。
経路計画と許容要件に関連する現実的なクエリを100個開発した。
その結果、RAGで強化されたLLaMAモデルはVertex AIとChatGPTを大きく上回っており、より詳細で一般的に正確な情報を提供していることがわかった。
論文 参考訳（メタデータ） (2025-04-09T16:37:03Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。
本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。
実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
論文 参考訳（メタデータ） (2023-10-22T16:07:06Z)
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。