Fugu-MT 論文翻訳(概要): AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding

論文の概要: AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding

arxiv url: http://arxiv.org/abs/2607.08745v1
Date: Thu, 09 Jul 2026 17:46:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.61585
Title: AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding
Title（参考訳）: AUTOPILOT VQA:インシデント中心のダッシュボード理解のためのビジョン言語モデルのベンチマーク
Abstract要約: 本稿では,ダシュカム映像理解のためのインシデント中心の視覚質問応答ベンチマークであるAUTOPILOT-VQAを提案する。このデータセットは、現実世界の運転事故や事故に近い事象を中心に設計された構造化された質問を通じて、さまざまなシステムを評価する。我々のベンチマークは、現実の自動運転のための、より解釈可能で、堅牢で、安全に配慮した視覚言語システムの開発を支援する。
参考スコア（独自算出の注目度）: 12.229867730747996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in Vision-Language Models, Large Language Models, and Multimodal Large Language Models have improved autonomous driving tasks such as scene understanding, decision making, trajectory prediction, and visual question answering. However, evaluating whether these models can reliably reason about safety-critical incidents remains challenging. To address this gap, we present AUTOPILOT-VQA, an incident-centric visual question answering benchmark for dashcam video understanding. The dataset evaluates different systems through structured questions designed around real-world driving incidents and near-incidents. The benchmark covers diverse safety-relevant categories, including weather and lighting conditions, traffic environment, road layout, road surface state, signage, involved entities, accident occurrence, impact location, and avoidability-related reasoning. By requiring models to answer grounded questions about both contextual scene properties and event-level incident details, AUTOPILOT-VQA moves beyond object recognition toward temporally grounded, safety-aware reasoning. The dataset is released as part of the AUTOPILOT CVPR 2026 competition and provides a standardized benchmark for assessing the reliability of autonomous driving systems in different scenarios. Our benchmark support developments for more interpretable, robust, and safety-conscious vision-language systems for real-world autonomous driving.
Abstract（参考訳）: 近年,視覚・言語モデル,大規模言語モデル,多モーダル言語モデルなどの進歩により,シーン理解,意思決定,軌道予測,視覚的質問応答といった自律運転タスクが改善されている。しかし、これらのモデルが安全クリティカルな事故を確実に推論できるかどうかを評価することは依然として困難である。このギャップに対処するため、ダッシュカムビデオ理解のためのインシデント中心の視覚質問応答ベンチマークであるAUTOPILOT-VQAを提案する。このデータセットは、現実世界の運転事故や事故に近い事象を中心に設計された構造化された質問を通じて、さまざまなシステムを評価する。このベンチマークでは、天候や照明条件、交通環境、道路レイアウト、道路表面の状態、標識、関連するエンティティ、事故発生、衝突箇所、回避可能性に関する推論など、さまざまな安全関連カテゴリがカバーされている。 AUTOPILOT-VQAは、文脈的シーン特性と事象レベルのインシデントの詳細の両方に関する基礎的な質問に答えるモデルを要求することにより、オブジェクト認識を越えて、時間的基盤と安全を意識した推論へと移行する。このデータセットは、AUTOPILOT CVPR 2026コンペティションの一部としてリリースされ、さまざまなシナリオにおける自律運転システムの信頼性を評価するための標準ベンチマークを提供する。我々のベンチマークは、現実の自動運転のための、より解釈可能な、堅牢で、安全に配慮した視覚言語システムの開発を支援する。

関連論文リスト

AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving [10.121649137872298]
自動運転の失敗は、乗客、歩行者、その他の道路利用者の身体的リスクに直接変換される。視覚異常検出(VAD)は、トレーニング中に存在しない異常物体の識別を可能にする。 VADモデルは、特定の領域にドライバーの注意を誘導するピクセルレベルの異常マップを生成する。
論文参考訳（メタデータ） (2026-04-16T17:54:53Z)
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)
SAVeS: Steering Safety Judgments in Vision-Language Models via Semantic Cues [50.928203120795786]
本研究では,視覚言語モデルにおけるマルチモーダル安全性の挙動を,単純な意味的手がかりによって評価できるかどうかを考察する。シーン内容を変更することなく、テキスト、視覚、認知の介入を制御できるセマンティック・ステアリング・フレームワークを導入する。
論文参考訳（メタデータ） (2026-03-19T16:18:00Z)
Vision and language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning [2.1379801460200416]
視覚言語モデル(VLM)は、視覚観察を自然言語の概念と整合させる強力な表現学習システムとして登場した。本稿では、視覚言語表現が、認識、予測、計画パイプラインに統合された場合、シーンの安全性評価と意思決定をどのようにサポートするかを検討する。
論文参考訳（メタデータ） (2026-02-07T20:04:21Z)
AccidentBench: Benchmarking Multimodal Understanding and Reasoning in Vehicle Accidents and Beyond [101.20320617562321]
AccidentBenchは、自動車事故シナリオとBeyondドメインを組み合わせた大規模なベンチマークである。このベンチマークには、約2000のビデオと19000以上の人間による質問応答ペアが含まれている。
論文参考訳（メタデータ） (2025-09-30T17:59:13Z)
Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文参考訳（メタデータ） (2025-05-09T20:28:17Z)
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)
CRASH: Crash Recognition and Anticipation System Harnessing with Context-Aware and Temporal Focus Attentions [13.981748780317329]
カメラ映像から周囲の交通機関の事故を正確にかつ迅速に予測することは、自動運転車(AV)の安全性に不可欠である本研究は, CRASH と呼ばれる, AV の新たな事故予測フレームワークを提案する。オブジェクト検出、特徴抽出、オブジェクト認識モジュール、コンテキスト認識モジュール、多層融合の5つのコンポーネントをシームレスに統合する。私たちのモデルは、平均精度(AP)や平均到達時間(mTTA)といった重要な評価指標において、既存のトップベースラインを超えています。
論文参考訳（メタデータ） (2024-07-25T04:12:49Z)
Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)

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。