論文の概要: UniTraffic-Agent: Unified Traffic Video Reasoning for AI City Challenge 2026 Track 3 with Two Out-of-Domain Evaluations
- arxiv url: http://arxiv.org/abs/2608.13031v1
- Date: Thu, 13 Aug 2026 10:00:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.469241
- Title: UniTraffic-Agent: Unified Traffic Video Reasoning for AI City Challenge 2026 Track 3 with Two Out-of-Domain Evaluations
- Title（参考訳）: UniTraffic-Agent: AI City Challenge 2026 Track 3のための統合トラフィックビデオ推論
- Abstract要約: 第10回AIシティチャレンジのトラック3のMR-CASソリューションであるUniTraffic-Agentを紹介する。
UniTraffic-Agentは、タイムスタンプされた視覚的証拠をサンプリングするオブザーバ-レアソン--act-verifyワークフローに従う。
MR-CASはTARでは16位、FETVでは0.5780、FETVでは2位、PSI-VQAでは64.4161である。
- 参考スコア（独自算出の注目度）: 87.58552218939225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic video understanding has become an important problem in intelligent transportation, as road videos provide direct evidence for accidents, violations, and interactions between vehicles and vulnerable road users. A useful system should explain how a traffic event develops, why it happens, and when the relevant interaction occurs, yet this remains difficult for multimodal large language models (MLLMs) because traffic videos contain sparse events and varied viewpoints. We introduce UniTraffic-Agent, the MR-CAS solution for Track~3 of the 10th AI City Challenge, which includes Traffic Anomaly Reasoning (TAR) and two out-of-domain evaluations: FETV for fisheye traffic events and PSI-VQA for pedestrian intention reasoning. UniTraffic-Agent follows an observe--reason--act--verify workflow that samples timestamped visual evidence, reasons over all questions from the same clip in one request, and converts responses through task-specific action adapters. On the official Public leaderboards, MR-CAS ranks 16th on TAR with a score of 0.5780, 2nd on FETV with 0.4884, and 4th on PSI-VQA with 64.4161. The code is available at https://github.com/Roclp/UniTraffic-Agent.
- Abstract（参考訳）: 交通ビデオの理解は、事故、違反、車両と脆弱な道路利用者間の相互作用の直接的な証拠を提供するため、インテリジェントな交通機関において重要な問題となっている。
交通イベントの発生状況,発生理由,関連するインタラクションの発生状況などを説明する上で有用なシステムである。しかし,交通ビデオには,スパースイベントやさまざまな視点を含むため,マルチモーダルな大規模言語モデル(MLLM)では依然として困難である。
第10回AIシティチャレンジのトラック〜3のMR-CASソリューションであるUniTraffic-Agentを紹介し、交通異常推論(TAR)と2つの領域外評価:魚眼交通イベントのFETVと歩行者意図推論のためのPSI-VQAについて紹介する。
UniTraffic-Agentは、タイムスタンプされた視覚的エビデンス、ひとつのリクエストで同じクリップからすべての質問の理由をサンプリングし、タスク固有のアクションアダプタを通じてレスポンスを変換する、オブザーバ-リアソン-act-verifyワークフローに従う。
MR-CASはTARでは16位、FETVでは0.5780、FETVでは2位、PSI-VQAでは64.4161である。
コードはhttps://github.com/Roclp/UniTraffic-Agent.comで公開されている。
関連論文リスト
- TAU-Agent: An Agentic Retrieval-Augmented Framework for Traffic Anomaly Understanding [16.4778063596097]
TAU-Agentは、トラフィック異常理解のためのエージェント検索拡張フレームワークである。
タスククエリが与えられた場合、中央検索エージェントは2つの視覚認識ツールを編成し、クエリ関連エビデンスを検索して選択する。
我々はAI City Challenge 2026のドメイン内ベンチマークとドメイン外ベンチマークでTAU-Agentを評価した。
論文 参考訳（メタデータ） (2026-08-26T15:50:38Z) - OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning [47.85568621735744]
トラフィック推論のための制御可能なパイプライン生成とベンチマークであるOmniTrafficを紹介した。
現実世界の12の交差点に建設され、2つの国の監視映像によって再建されている。
シーン認識、多視点、時間的推論、意思決定支援にまたがる3段階のタスク階層を定義する。
論文 参考訳（メタデータ） (2026-06-14T11:16:53Z) - InterAct-Video: Reasoning-Rich Video QA for Urban Traffic [21.849445040376537]
ディープラーニングは、質問応答(VideoQA)モデルを通じて、高度なビデオベースのトラフィック監視を実現する。
既存のVideoQAモデルは、現実世界の交通シーンの複雑さに悩まされている。
InterAct VideoQAは、トラフィック監視タスクのためのVideoQAモデルをベンチマークし、拡張するために設計された、キュレートされたデータセットである。
論文 参考訳（メタデータ） (2025-07-19T20:30:43Z) - Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。
i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
論文 参考訳（メタデータ） (2025-03-06T07:36:06Z) - Eyes on the Road: State-of-the-Art Video Question Answering Models Assessment for Traffic Monitoring Tasks [0.0]
本研究では、非ベンチマーク合成および実世界のトラフィックシーケンスを用いて、最先端のビデオQAモデルの評価を行う。
VideoLLaMA-2は57%の精度で進行する。
これらの知見は、トラフィック監視におけるVideoQAの可能性を裏付けるだけでなく、多目的追跡、時間的推論、合成機能の改善の必要性も強調している。
論文 参考訳（メタデータ） (2024-12-02T05:15:32Z) - TrafficVLM: A Controllable Visual Language Model for Traffic Video Captioning [0.0]
本稿では,車載エゴカメラビューのためのマルチモーダル高密度映像キャプションモデルであるTrafficVLMを提案する。
私たちのソリューションは、AI City Challenge 2024のトラック2で傑出した成果を上げました。
論文 参考訳（メタデータ） (2024-04-14T14:51:44Z) - Traffic-Domain Video Question Answering with Automatic Captioning [69.98381847388553]
Video Question Answering (VidQA) は、高度な機械推論機能を促進する重要な可能性を示している。
本稿では,交通領域の知識を大規模ビデオ言語モデルに注入する弱スーパービジョン手法として,交通領域ビデオ質問回答と自動キャプション(TRIVIA)を提案する。
論文 参考訳（メタデータ） (2023-07-18T20:56:41Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳（メタデータ） (2023-04-20T16:31:22Z) - ROCO: A Roundabout Traffic Conflict Dataset [65.55451440776098]
実世界のトラフィック競合データセットであるROCOを導入し分析する。
データはミシガン州アンアーバーのセント・セントとW・エルズワースの交差点にある2車線のラウンドアラウンドで収集される。
2021年8月から2021年10月までの合計557回の交通事故と17回の交通事故が収集された。
論文 参考訳（メタデータ） (2023-03-01T15:09:45Z) - TrafficQA: A Question Answering Benchmark and an Efficient Network for
Video Reasoning over Traffic Events [13.46045177335564]
収集した10,080本のビデオと62,535本のqaペアに基づく,新たなデータセットtrafficqa(traffic question answering)を作成しました。
複雑で実用的であるさまざまな交通イベントに対する推論能力を評価するために, さまざまな交通シナリオに対応する6つの難しい推論タスクを提案する。
また,計算効率が高く,信頼性の高いビデオ推論を実現するために,動的推論による新しい視覚ネットワークであるEclipseを提案する。
論文 参考訳（メタデータ） (2021-03-29T12:12:50Z)
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。