論文の概要: CASCADE: A Spatio-Temporal-Causal Reasoning Representation and Dataset for Driving
- arxiv url: http://arxiv.org/abs/2609.07094v1
- Date: Mon, 07 Sep 2026 06:32:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 01:38:31.039712
- Title: CASCADE: A Spatio-Temporal-Causal Reasoning Representation and Dataset for Driving
- Title（参考訳）: CASCADE: 自動車運転のための時空間推論表現とデータセット
- Abstract要約: 本稿では、運転場面における推論のための構造化されたシーン表現と、その上に構築された人間による注釈付きデータセットを含むCASCADE(Causaltemporal Analysis of Driving Environments)を紹介する。
CASCADEデータセットは、PhysalAIデータセットの2,066のドライビングクリップに対して包括的なヒューマンアノテーションを提供し、各シーンのエゴテンポラルコンテキストと因果コンテキストを確立する34K要素が提供されている。
完全に人間によって注釈付けされているCASCADEは、AIモデルの推論能力をベンチマークし、自動生成された推論モデルの品質を検証するためのリファレンスを提供する。
- 参考スコア（独自算出の注目度）: 9.57186117588588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reasoning is a promising route to the generalization that autonomous driving requires in the long tail, as it can infer how the elements of a scene depend on one another and traverse those dependencies to conclusions beyond what is observed. Yet it is hard to tell whether a model's conclusions follow the scene's dependencies, because no driving representation makes them explicit enough to test against. Text-based reasoning traces lack spatio-temporal grounding, spatio-temporal scene graphs lack causal links, and reasoning annotations at scale are increasingly model-generated and hard to verify. To this end, we introduce CASCADE (Causal Spatio-Temporal Analysis of Driving Environments), which encompasses two components: (1) a structured scene representation for reasoning in driving scenes and (2) a human-annotated dataset built on it. For every actor that interacts with the ego vehicle, the CASCADE representation records frame-by-frame, for as long as the actor is visible, what action is taken, where it occurs, and how it depends on the actions and states of others. The resulting structure makes reasoning predictions machine-verifiable: they can be scored against it element by element, without relying on (M)LLM judges. The CASCADE dataset provides comprehensive human annotations for 2,066 driving clips of the PhysicalAI dataset, with over 34K elements that establish the spatio-temporal and causal context of each scene, including 8.6K time-stamped ego and agent actions, 3.7K causal links and 2.9K potential influences, and 6.1K annotations for agents, objects, traffic lights, and environments. Being entirely human-annotated, CASCADE provides the reference for this comparison: benchmarking the reasoning abilities of Physical AI models, and verifying the quality of automatically generated reasoning labels. The CASCADE dataset is available at https://huggingface.co/datasets/nvidia/cascade.
- Abstract（参考訳）: 推論は、シーンの要素が相互にどのように依存しているかを推測し、観察される以上の結論にそれらの依存関係を渡すことができるため、自律運転が長い尾で要求する一般化への有望な経路である。
しかし、駆動表現がないため、モデルの結論がシーンの依存性に従うかどうかを判断するのは困難である。
テキストベースの推論トレースには時空間的根拠が欠如し、時空間的シーングラフには因果関係が欠如しており、スケールでの推論アノテーションはモデル生成が増加し、検証が困難になっている。
そこで本研究では,CASCADE(Causal Spatio-Temporal Analysis of Driving Environments)について紹介する。
エゴ車と相互作用するすべてのアクターに対して、CASCADE表現は、アクターが見える限りフレーム単位で記録し、どのアクションが実行され、どこで発生し、それが他のアクションや状態にどのように依存するかを記録します。
M)LLMの判断に頼らずに、要素ごとにその要素に対してスコアを付けることができる。
CASCADEデータセットは、PhysalAIデータセットの2,066個のドライビングクリップに対して包括的な人間のアノテーションを提供し、各シーンの時空間的および因果的コンテキストを確立する34K以上の要素、例えば8.6Kの時間スタンプエゴとエージェントアクション、3.7Kの因果的リンク、2.9Kの潜在的な影響、6.1Kのエージェント、オブジェクト、トラフィックライト、環境などである。
物理AIモデルの推論能力をベンチマークし、自動生成された推論ラベルの品質を検証する。
CASCADEデータセットはhttps://huggingface.co/datasets/nvidia/cascadeで入手できる。
関連論文リスト
- What Do They See? Interpreting Complex Road Scenarios Through the Eyes of Vision-Language-Action Models for Safe and Trustworthy Autonomous Vehicle Learning [2.5264159985739623]
フロントカメラ画像から検出対象を体系的に除去するフレームワークを提案する。
これにより、各オブジェクトの存在がモデルの計画行動に与える影響を分離する。
また、モデルが人間ドライバーが考慮する対象に強く反応するケースも見つかる。
論文 参考訳（メタデータ） (2026-07-18T19:20:16Z) - DRIVESPATIAL: A Benchmark for Spatiotemporal Intelligence in VLMs for Autonomous Driving [15.87281823665284]
DriveSpatialは、5つの大規模自律運転データセットから20タスクにわたる15.6Kの検証済みQAペアのベンチマークである。
以前のベンチマークとは異なり、DriveSpatialはオブジェクトの状態、空間的関係、インタラクション、カメラの可視性、時間的対応をエンコードする動的多言語シーングラフから生成される。
最強のモデルは人間を28.4ポイント追尾し、認知シーン構築が重要なボトルネックとなる。
論文 参考訳（メタデータ） (2026-05-22T02:52:06Z) - 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) - CARScenes: Semantic VLM Dataset for Safe Autonomous Driving [3.9876810376226057]
CAR-Scenesは、ビジョン言語モデルのトレーニングと評価を可能にする、自動運転のためのフレームレベルのデータセットである。
我々はArgoverse 1, Cityscapes, KITTI, nuScenesから5,192枚の画像に注釈を付けている。
論文 参考訳（メタデータ） (2025-11-12T21:13:19Z) - Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark [124.00111584020834]
我々は、ビデオモデルがゼロショット推論器として機能する準備が整っているかどうかを実証研究する。
私たちは、人気の高いVeo-3に注力しています。
我々は,空間的,幾何学的,物理的,時間的,具体的論理を含む12次元にわたる推論行動を評価する。
論文 参考訳（メタデータ） (2025-10-30T17:59:55Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。
ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。
GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
論文 参考訳（メタデータ） (2024-10-14T17:59:58Z) - HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory
Prediction via Scene Encoding [76.9165845362574]
運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。
空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。
実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2022-04-30T07:08:30Z) - SIMONe: View-Invariant, Temporally-Abstracted Object Representations via
Unsupervised Video Decomposition [69.90530987240899]
この問題に対して教師なしの変分法を提案する。
我々のモデルは、RGBビデオ入力のみから2組の潜在表現を推論することを学ぶ。
これは、視点に依存しないアロセントリックな方法でオブジェクト属性を表現する。
論文 参考訳（メタデータ） (2021-06-07T17:59:23Z) - RELATE: Physically Plausible Multi-Object Scene Synthesis Using
Structured Latent Spaces [77.07767833443256]
RELATEは、複数の対話オブジェクトの物理的に可視なシーンとビデオを生成することを学習するモデルである。
オブジェクト中心生成モデリングにおける最先端の手法とは対照的に、RELATEは自然に動的なシーンに拡張し、高い視覚的忠実度のビデオを生成する。
論文 参考訳（メタデータ） (2020-07-02T17:27:27Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。