論文の概要: CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2608.19380v1
• Date: Wed, 19 Aug 2026 18:51:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.384948
• Title: CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios
• Title（参考訳）: CAViAR: 現実世界のシナリオにおける微粒化事故推論のための因果的ビデオデータセット
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.195587813770075
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While modern autonomous driving systems excel at perception tasks such as object detection and trajectory prediction, they lack the high-level causal reasoning required to interpret traffic accidents. In particular, determining responsibility, such as identifying who is at fault and which traffic rule was violated, remains largely unexplored in current benchmarks. To this end, we introduce CAViAR (Causal Accident Video and Incident Analysis Repository), a human-annotated dashcam benchmark comprising 2,249 real-world accident videos collected from CarCrashDataset (CCD) and Nexar. Each video is annotated with structured labels spanning environmental conditions, accident type, causal explanation, apparent At-Fault Agent, affected agent, and apparent rule-violation category. We benchmark state-of-the-art vision-language models (VLMs), including Cosmos-Reason2, Qwen3-VL, and InternVL3. Once class imbalance is accounted for with majority/random baselines and balanced metrics, perceptual competence is uneven--lighting is nearly solved, whereas weather and road-condition accuracy fall at or below the majority-class baseline---and all models degrade sharply on accident type and responsibility reasoning. Overall, CAViAR exposes a practical Perception--Reasoning Gap: current VLMs may recognize salient context, but do not reliably map visible agent actions to annotated rule-relevant responsibility categories in safety-critical driving scenarios. Code, annotation schema, prompts, and evaluation scripts are available at: https://github.com/nec-labs-ma/CAViAR
• Abstract（参考訳）: 現代の自律運転システムは、物体検出や軌道予測などの知覚タスクに優れるが、交通事故の解釈に必要な高レベルの因果推論は欠如している。 特に、誰が悪いのか、どの交通ルールに違反しているかといった責任決定は、現在のベンチマークでは明らかにされていない。 そこで我々はCAViAR(Causal Accident Video and Incident Analysis Repository)という,CarCrashDataset(CCD)とNexar(Nexar)から収集した2,249件の現実世界の事故ビデオからなる人手によるダッシュカムベンチマークを紹介した。 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。 ひとたびクラス不均衡が多数/ランダムなベースラインとバランスの取れたメトリクスで説明されると、知覚的能力はほぼ解決される。一方、天気と道路条件の正確さは、多数クラスのベースラインのそれ以下である。そして、すべてのモデルは、事故タイプと責任推論に基づいて急激に低下する。全体として、CAViARは実践的なパーセプション-推論ギャップを露出する。現在のVLMは、健全なコンテキストを認識することができるが、安全クリティカルな運転シナリオにおいて、目に見えるエージェントアクションをアノテートされたルール関連責任カテゴリに確実にマッピングすることはできない。 コード、アノテーションスキーマ、プロンプト、評価スクリプトは、https://github.com/nec-labs-ma/CAViARで入手できる。

関連論文リスト

• AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding [12.229867730747996]
  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。
  論文  参考訳（メタデータ） (2026-07-09T17:46:24Z)
• Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles [14.04593970867671]
  CARS(Context-Aware, Responsibility-attributed Scenario generation)は、責任帰属を直接敵シナリオ生成に統合するフレームワークである。 CARSは、規則に規定された注意深い有能なドライバーモデルの下で、高い帰属率を持つ実行可能な衝突シナリオを一貫して発見する。
  論文  参考訳（メタデータ） (2026-05-13T16:33:07Z)
• ACCIDENT: A Benchmark Dataset for Vehicle Accident Detection from Traffic Surveillance Videos [0.0]
  ACCIDENTはCCTVの映像における交通事故検出のためのベンチマークデータセットである。 教師付き(IIDとOOD)およびゼロショット設定でモデルを評価するように設計されている。
  論文  参考訳（メタデータ） (2026-04-10T18:51:19Z)
• 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)
• Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning [71.19675094463834]
  この作業では、モデルが実行前に計画されたアクションを推論し、修正することを可能にする、自己修正型のVLAフレームワークである、Counterfactual VLAを導入している。 CF-VLAはまず、駆動意図を要約した時間分割メタアクションを生成し、その後、メタアクションと視覚コンテキストの両方で条件付けられた反実的推論を実行する。 大規模運転データセットの実験では、CF-VLAは軌道精度を最大17.6%向上し、安全基準を20.5%向上し、適応的思考を示す。
  論文  参考訳（メタデータ） (2025-12-30T19:04:17Z)
• 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)
• EQ-TAA: Equivariant Traffic Accident Anticipation via Diffusion-Based Accident Video Synthesis [79.25588905883191]
  交通現場における交通事故予測(TAA)は, 今後ゼロ死亡率を達成する上で, 課題となる。 本稿では,追加の事故ビデオクリップを合成するAVDモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-16T01:56:38Z)
• Abductive Ego-View Accident Video Understanding for Safe Driving Perception [75.60000661664556]
  マルチモーダル・アクシデント・ビデオ理解のための新しいデータセットMM-AUを提案する。 MM-AUには1,727件の映像が収録されている。 安全運転認識のための誘導型事故映像理解フレームワーク(AdVersa-SD)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T10:42:52Z)
• 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)

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。