論文の概要: Search-based Testing of Vision Language Models for In-Car Scene Understanding

• arxiv url: http://arxiv.org/abs/2607.02300v2
• Date: Thu, 09 Jul 2026 13:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 16:54:55.147805
• Title: Search-based Testing of Vision Language Models for In-Car Scene Understanding
• Title（参考訳）: 車内シーン理解のための視覚言語モデルの探索によるテスト
• Abstract要約: 自動車分野において、車内シーン理解(ISU)は安全クリティカル事象の検出を可能にする。 ISUシステムを評価するために,レンダリングベースのシーン生成と検索ベースのテストを組み合わせた自動テスト手法であるISU-Testを提案する。
• 参考スコア（独自算出の注目度）: 2.9682153664947317
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the automotive domain, in-car scene understanding (ISU) enables the detection of safety-critical events, such as driver distraction, and supports drivers or passengers by analyzing the in-car scene and adapting the environment (e.g., ambient lighting). The industry is increasingly exploring vision-language models (VLMs) to interpret camera-recorded in-car scenes and extract information for downstream reasoning tasks. However, VLMs may generate incomplete, erroneous, or misleading scene descriptions, highlighting the need for systematic testing. Collecting real in-vehicle data is costly, difficult to scale, and often infeasible, particularly in early design stages. In this paper, we present ISU-Test, an automated testing approach that combines rendering-based scene generation with search-based testing to evaluate ISU systems. By framing testing as an optimization problem and systematically modifying scene parameters, our method generates diverse in-car scenarios and explores a wide range of configurations. We evaluate ISU-Test on both an industrial prototype and open-source VLMs across two case studies: question answering and captioning, comparing against randomized scenario generation. Results show that ISU-Test significantly outperforms the baseline, achieving up to 10 times higher failure rates and up to 3.6 times higher failure coverage.
• Abstract（参考訳）: 自動車分野において、車内シーン理解(ISU)は、運転者の気晴らしなどの安全クリティカルな事象の検出を可能にし、車内シーンを分析し、環境(例えば環境照明)に適応させることで、運転者や乗客を支援する。 業界は、カメラ記録された車内シーンを解釈し、下流の推論タスクに関する情報を抽出するビジョン言語モデル(VLM)の探求をますます進めている。 しかしながら、VLMは不完全な、誤った、あるいは誤解を招くシーン記述を生成し、体系的なテストの必要性を強調している。 実際の車載データの収集はコストがかかり、スケールが難しく、特に初期の設計段階では不可能であることが多い。 本稿では、レンダリングベースのシーン生成と検索ベースのテストを組み合わせてISUシステムを評価する自動テスト手法であるISU-Testを提案する。 最適化問題としてのテストをフレーミングし,シーンパラメータを体系的に修正することにより,車内シナリオを多種多様に生成し,幅広い構成を探索する。 ISU-Testを産業用プロトタイプとオープンソースのVLMの2つのケーススタディ、すなわち質問応答とキャプション、ランダムなシナリオ生成と比較した。 結果は、ISU-Testがベースラインを大幅に上回り、最大で10倍の障害率、最大で3.6倍の障害カバレッジを実現していることを示している。

関連論文リスト

• CrashSight: A Phase-Aware, Infrastructure-Centric Video Benchmark for Traffic Crash Scene Understanding and Reasoning [27.23760411917563]
  textbfCrashSightは,現実の道路カメラデータを用いた道路事故理解のための視覚ベンチマークである。 データセットは250のクラッシュビデオで構成されており、2階層の分類の下で構成された13Kの質問応答ペアが注釈付けされている。 我々は8つの最先端のVLMをベンチマークし、強いシーン記述能力にもかかわらず、現在のモデルは安全クリティカルなシナリオにおける時間的・因果的推論に苦戦していることを示す。
  論文  参考訳（メタデータ） (2026-04-09T16:52:04Z)
• How Well Do Vision-Language Models Understand Sequential Driving Scenes? A Sensitivity Study [2.6954666679827137]
  VENUSSは連続運転シーンにおけるVLM性能の系統的感度解析のためのフレームワークである。 ドライビングビデオから時間的シーケンスを抽出し、カスタムカテゴリ間で構造化された評価を生成する。 トップモデルでさえ、同じような制約で人間のパフォーマンスにマッチせず、57%の精度しか達成できないことを示す。
  論文  参考訳（メタデータ） (2026-04-08T07:14:55Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Hard Cases Detection in Motion Prediction by Vision-Language Foundation Models [16.452638202694246]
  本研究は、自動運転におけるハードケースの検出におけるビジョン・ランゲージ・ファンデーション・モデル(VLM)の可能性を探るものである。 設計したプロンプトで逐次画像フレームを供給し,課題のあるエージェントやシナリオを効果的に識別する,実現可能なパイプラインを提案する。 NuScenesデータセット上で、パイプラインを最先端の手法に組み込むことの有効性と可能性を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:35:41Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• An Application of Scenario Exploration to Find New Scenarios for the Development and Testing of Automated Driving Systems in Urban Scenarios [2.480533141352916]
  この研究はベイズ最適化とガウス過程を利用して、論理的シナリオの中で関連する、興味深い、あるいは重要なパラメータ集合を見つけることを目的としている。 この研究がもたらし、さらに調査すべきアイデアの一覧が提示される。
  論文  参考訳（メタデータ） (2022-05-17T09:47:32Z)

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。