論文の概要: Responsibility Distribution Estimation in Ego-View Accident Videos with Multimodal Large Language Models
- arxiv url: http://arxiv.org/abs/2607.03591v1
- Date: Fri, 03 Jul 2026 20:23:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.662274
- Title: Responsibility Distribution Estimation in Ego-View Accident Videos with Multimodal Large Language Models
- Title（参考訳）: マルチモーダル大言語モデルを用いたエゴビュー事故映像の応答性分布推定
- Abstract要約: エゴビューの事故ビデオは、運転者の視覚的な視点を表しており、回避可能性や運転者の責任についての推論に適している。
本稿では,エゴビュー交通事故ビデオの責任配分推定手法を提案する。
以上の結果から,エゴ中心の事故ビデオは,社会的かつ法的に有意義なマルチモーダル推論の基礎となる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 2.0339465062586566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent studies on multimodal traffic accident understanding have mainly relied on infrastructure-camera footage, satellite imagery, or structured crash records. However, such data sources are costly to deploy and maintain at large scale, and they cannot objectively capture what the driver was actually able to observe before the accident. In contrast, ego-view accident videos directly represent the driver's visual perspective, making them suitable for reasoning about avoidability and driver responsibility. In this paper, we introduce responsibility distribution estimation for ego-view traffic accident videos, a new task in which a model predicts the percentage of responsibility assigned to each involved agent. We construct an LLM-assisted responsibility annotation pipeline and fine-tune multimodal large language models under multiple input settings, including raw frames, segmentation-enhanced input, and textual descriptions. Experimental results establish a strong initial benchmark, demonstrating that multimodal LLMs can effectively perform this nuanced, constraint-based reasoning task. Our findings suggest that ego-centric accident videos provide a promising foundation for socially and legally meaningful multimodal reasoning beyond conventional accident classification and explanation tasks.
- Abstract（参考訳）: マルチモーダル交通事故の理解に関する最近の研究は、主にインフラストラクチャーカメラの映像、衛星画像、構造的クラッシュ記録に依存している。
しかし、このようなデータソースは大規模に展開および維持するためにコストがかかるため、運転者が事故前に実際に観察できたものを客観的に捉えることはできない。
対照的に、エゴビューの事故ビデオはドライバーの視覚的視点を直接表現し、回避可能性やドライバーの責任についての推論に適している。
本稿では,エゴビュー交通事故ビデオの責任配分推定について紹介する。これは,モデルが各エージェントに割り当てられた責任の割合を予測する新しいタスクである。
原文フレーム,セグメンテーション強化入力,テキスト記述などを含む複数の入力設定の下で,LCM支援型責任アノテーションパイプラインと微調整型マルチモーダル言語モデルを構築した。
実験結果から,マルチモーダル LLM がこのニュアンスな制約ベースの推論タスクを効果的に実行可能であることを示す,強力な初期ベンチマークが確立された。
以上の結果から,エゴ中心の事故動画は,従来の事故分類や説明課題を超えて,社会的かつ法的に意味のある多モーダル推論の基礎となる可能性が示唆された。
関連論文リスト
- CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios [10.195587813770075]
実世界の事故ビデオ2,249本からなる人手によるダッシュカムベンチマークであるCAViAR(Causal Accident Video and Incident Analysis Repository)を紹介する。
各ビデオには、環境条件、事故タイプ、因果説明、明らかなAt-Fault Agent、影響を受けたエージェント、および明らかなルール違反のカテゴリを含む構造化ラベルが注釈付けされている。
我々は、Cosmos-Reason2、Qwen3-VL、InternVL3を含む最先端のビジョン言語モデル(VLM)をベンチマークする。
論文 参考訳（メタデータ） (2026-08-19T18:51:21Z) - Seeing Is Not Deciding: Can Multimodal LLMs Act as Effective CEOs? [53.05042283845008]
C-SUITEBENCHは経営陣の意思決定のためのマルチモーダル・ベンチマークである。
我々は、最高経営責任者の役割に9つのモデルを設定し、意思決定能力を評価する。
視覚的ビジネス情報を追加することで、9つのモデルすべてに対する制約付きリソース割り当てが低下する。
論文 参考訳（メタデータ） (2026-08-06T10:43:33Z) - PEDESTRIANQA: A Benchmark for Vision-Language Models on Pedestrian Intention and Trajectory Prediction [17.259627750358046]
歩行者の意図と軌道予測を定式化した大規模ビデオベースデータセットであるPedestrianQAを紹介する。
PedestrianQAは、リッチな注釈付き歩行者シーケンスを自然言語で表現し、VLMが視覚力学、文脈的手がかり、交通機関間の相互作用から学べるようにしている。
実証評価の結果,PedestrianQAの精巧なVLMは意図分類,軌道予測精度,説明的合理性の品質を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2026-05-23T12:56:44Z) - Perception-Aware Multimodal Spatial Reasoning from Monocular Images [57.42071289037214]
単眼画像からの空間的推論は 自律運転には不可欠です
現在のヴィジュアルランゲージモデル(VLM)は、微粒な幾何学的知覚に苦慮している。
本稿では,VLMを明示的な対象中心の接地能力を持つ知覚認識型マルチモーダル推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T02:05:12Z) - Advancing Adaptive Multi-Stage Video Anomaly Reasoning: A Benchmark Dataset and Method [96.63801368613177]
本稿では,記述的理解から構造化多段階推論への映像異常解析を向上するタスクを提案する。
我々は8,641本のビデオからなる新しいデータセットを提示し、合計5万本以上のサンプルを作成し、ビデオ異常理解のための最大のデータセットの1つである。
提案したタスクとデータセットに基づいて,適応的階層的推論とリスク認識意思決定をサポートする,Vad-R1-Plusと呼ばれるエンドツーエンドのMLLMベースのVARモデルを開発する。
論文 参考訳（メタデータ） (2026-01-15T08:09:04Z) - Hierarchical Reasoning with Vision-Language Models for Incident Reports from Dashcam Videos [0.03598453624340711]
本稿では,ダッシュカムビデオからのインシデントレポート生成のための階層的推論フレームワークを提案する。
視覚言語モデルにフレームレベルのキャプション、インシデントフレームの検出、微粒化推論を統合する。
公式の2COOOLオープンリーダーボードでは、29チーム中2位にランクされ、最高のCIDEr-Dスコアを獲得しています。
論文 参考訳（メタデータ） (2025-10-14T06:36:41Z) - Towards Safer and Understandable Driver Intention Prediction [30.136400523083907]
運転者の安全のために,運転予測における解釈可能性の課題を紹介する。
解釈可能なDIPの研究を促進するために,新たなマルチモーダル・エゴ中心のビデオデータセットであるDAAD-Xをキュレートする。
次に,コヒーレントな説明を本質的に生成するフレームワークとして,ビデオコンセプト・ボトルネック・モデル(VCBM)を提案する。
論文 参考訳（メタデータ） (2025-10-10T09:41:25Z) - LMAD: Integrated End-to-End Vision-Language Model for Explainable Autonomous Driving [58.535516533697425]
視覚言語モデル(VLM)はシーン理解において有望な能力を示している。
本稿では,自律運転に適した視覚言語フレームワークLMADを提案する。
本フレームワークは,VLMに包括的シーン理解とタスク特化構造を組み込むことにより,最新のエンド・ツー・エンド駆動パラダイムをエミュレートする。
論文 参考訳（メタデータ） (2025-08-17T15:42:54Z) - Causal-Entity Reflected Egocentric Traffic Accident Video Synthesis [78.14763828578904]
自動車事故の原因と影響をエゴセントリックに理解することは、自動運転車の安全性にとって不可欠である。
この研究は、事故参加者を正確に特定し、関連する行動を捉えることが重要であると論じている。
本稿では,エゴセントリックな交通事故ビデオを合成するための新しい拡散モデルCausal-VidSynを提案する。
論文 参考訳（メタデータ） (2025-06-29T14:37:48Z) - Are VLMs Ready for Autonomous Driving? An Empirical Study from the Reliability, Data, and Metric Perspectives [56.528835143531694]
視覚言語モデル(VLM)を評価するために設計されたベンチマークデータセットであるDriveBenchを紹介する。
以上の結果から, VLMは視覚的接地ではなく, 一般的な知識やテキストの手がかりから得られる, もっともらしい応答をしばしば生み出すことが明らかとなった。
本稿では,頑健な視覚的接地とマルチモーダル理解を優先する評価指標を提案する。
論文 参考訳（メタデータ） (2025-01-07T18:59:55Z) - 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) - RAG-Driver: Generalisable Driving Explanations with Retrieval-Augmented In-Context Learning in Multi-Modal Large Language Model [22.25903116720301]
説明責任は、信頼できる自律的な意思決定において重要な役割を果たす。
MLLM(Multi-Modal Large Language Model)の最近の進歩は、駆動エージェントとしての説明可能性を高める有望な可能性を示している。
提案するRAG-Driverは,高機能,説明性,一般化可能な自律運転にコンテキスト内学習を活用する,検索強化型多モード大言語モデルである。
論文 参考訳（メタデータ） (2024-02-16T16:57:18Z)
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。