論文の概要: NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving

• arxiv url: http://arxiv.org/abs/2608.14767v1
• Date: Fri, 14 Aug 2026 12:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.074862
• Title: NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving
• Title（参考訳）: NARRATE: 自動走行における人中心説明のためのマルチモーダル・リアルワールド・オーストラリア運転データセット
• Abstract要約: 既存の言語アノテーション付き駆動データセットは、主にオブザーバー書き、ポストホック、シミュレーションベース、センサー入力から生成される。 我々は、35人の経験豊富なドライバーと公道での運転インストラクターによる2,050件の注釈付きイベントからなるマルチモーダルな実世界のオーストラリア運転データセットであるNARRATEを紹介した。 各イベントは、同期されたビジュアル、ローカライゼーション、モーション、およびLiDARストリームで構成され、車内または/または後述のフリーテキスト説明と組み合わせられる。
• 参考スコア（独自算出の注目度）: 14.607239446674479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated vehicles must explain their decisions in ways that passengers can understand, monitor, and trust. Existing language-annotated driving datasets are mostly observer-written, post-hoc, simulation-based, or generated from sensor inputs, rather than elicited from the driver performing the action. We introduce NARRATE, a multimodal real-world Australian driving dataset comprising 2,050 annotated events from 35 experienced drivers and driving instructors on public roads. Each event is grounded in synchronised visual, localisation, motion, and LiDAR streams and paired with in-vehicle and/or post-drive free-text explanations. NARRATE provides action labels, scenario-context labels spanning six high-level and 32 fine-grained categories, and span-level Situational Awareness (SA) annotations over driver explanations for Perception, Comprehension and Projection. Four benchmark tasks (SA, scenario-context, driver-action classification, and explanation generation) show that this structure is learnable from driver language, while fine-grained context recognition and explanation generation remain challenging. NARRATE paves a path towards more human-centred and domain-aware explanation models for automated driving.
• Abstract（参考訳）: 自動走行車は、乗客が理解し、監視し、信頼できる方法で意思決定を説明する必要がある。 既存の言語アノテートドライビングデータセットは、ほとんどの場合、ドライバがアクションを実行するのではなく、オブザーバ書き、ポストホック、シミュレーションベース、あるいはセンサー入力から生成される。 我々は、35人の経験豊富なドライバーと公道での運転インストラクターによる2,050件の注釈付きイベントからなるマルチモーダルな実世界のオーストラリア運転データセットであるNARRATEを紹介した。 各イベントは、同期されたビジュアル、ローカライゼーション、モーション、およびLiDARストリームで構成され、車内または/または後述のフリーテキスト説明と組み合わせられる。 NARRATEは6つの高いレベルと32の細かいカテゴリにまたがるアクションラベルとシナリオコンテキストラベルを提供し、パーセプション、包括、投影のためのドライバーの説明に対するスパンレベルな状況認識(SA)アノテーションを提供する。 4つのベンチマークタスク(SA、シナリオコンテキスト、ドライバアクション分類、説明生成)は、この構造がドライバ言語から学習可能であることを示している。 NARRATEは、自動運転のためのより人間中心でドメイン対応の説明モデルへの道を開く。

関連論文リスト

• The LAIA Dataset: Labelled Attention for Intelligent Automobiles [0.0]
  本稿では,人間の注意データを用いたエンド・ツー・エンド運転研究の強化を目的とした新しいデータセットであるLAIAを紹介する。 LAIAは44人の参加者から15時間以上運転し、自然反応を誘発する設計シナリオを慎重に構築している。 LAIAを用いて、エンド・ツー・エンドの運転モデルに現れる知覚的注意と人間の注意を比べ、その行動に関する洞察を与える。
  論文  参考訳（メタデータ） (2026-07-28T10:57:22Z)
• InCarEmo: A Multimodal Dataset for In-Cabin Emotion Recognition and Driver State Monitoring [41.33240617747301]
  InCarEmoは、キャビン内の感情認識とドライバ状態監視のためのマルチモーダルデータセットである。 RGBと赤外線ビデオ、インキャビンオーディオ、スクリプト化されたインキャビンシナリオから収集された対話テキストを統合する。 単モーダル法とマルチモーダル法にまたがる広範なベースライン結果を持つ統一ベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-07-16T07:44:42Z)
• Sce2DriveX: A Generalized MLLM Framework for Scene-to-Drive Learning [24.511628941825116]
  我々は,人間ライクな駆動チェーン(CoT)推論フレームワークであるSce2DriveXを紹介した。 人間の運転に固有の暗黙の認知連鎖を再構築し、シーン理解、メタアクション推論、行動解釈分析、行動計画および制御をカバーしている。 CARLA Bench2Driveベンチマークでは、シーン理解からエンドツーエンドの駆動まで、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-02-19T09:50:44Z)
• HERMES: A Unified Self-Driving World Model for Simultaneous 3D Scene Understanding and Generation [59.675030933810106]
  我々はHERMESという統合運転世界モデルを提案する。 シナリオを駆動する統合フレームワークを通じて、3Dシーン理解と将来のシーン進化(世代)をシームレスに統合する。 HERMESは最先端のパフォーマンスを実現し、生成エラーを32.4%削減し、CIDErなどの理解基準を8.0%改善した。
  論文  参考訳（メタデータ） (2025-01-24T18:59:51Z)
• 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)
• Assessing Drivers' Situation Awareness in Semi-Autonomous Vehicles: ASP based Characterisations of Driving Dynamics for Modelling Scene Interpretation and Projection [0.0]
  我々は,運転者が状況に気付いているかを判断し,人間中心の支援を提供するための枠組みを提案する。 このフレームワークはロボット・オペレーティング・システム(ROS)内のモジュールシステムとして開発され、環境と運転者の状態を検知するモジュールを備えている。 本稿では、運転者の解釈とシーンの投影をモデル化し、推論するAnswer Set Programming(ASP)に基づくアプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-30T09:07:49Z)
• 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)
• 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)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions [10.557942353553859]
  コメント運転では、ドライバーは観察、評価、意図を口頭で話す。 彼らの考えを語ることで、学習と熟練したドライバーの両方が、自分たちの環境をよりよく理解し、認識できるようになります。 インテリジェントな車両の文脈では、自動運転解説は運転行動についての理解に富んだ説明を提供することができる。
  論文  参考訳（メタデータ） (2022-04-19T19:39:13Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)

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。