論文の概要: DriveHierarchy: A Benchmark for Diagnosing VLM Driving Capabilities from Open-Loop Understanding to Closed-Loop Execution

• arxiv url: http://arxiv.org/abs/2609.31814v1
• Date: Fri, 25 Sep 2026 13:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:36:04.407478
• Title: DriveHierarchy: A Benchmark for Diagnosing VLM Driving Capabilities from Open-Loop Understanding to Closed-Loop Execution
• Title（参考訳）: DriveHierarchy: オープンループ理解からクローズループ実行まで,VLM駆動能力の診断のためのベンチマーク
• Abstract要約: textscDriveHierarchyは、VLMベースの自動運転を4段階に編成する。 textscDriveHierarchyは、VLMベースの自動運転システムの評価と改善のための統合されたフレームワークとして機能する。
• 参考スコア（独自算出の注目度）: 43.930171390617055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating VLM-based autonomous driving remains difficult because driving competence is composite, where a capable system must ground traffic participants and hazards, integrate context across views and time, reason about future evolution, and act appropriately under closed-loop interaction. Existing benchmarks usually assess either open-loop understanding or closed-loop driving but provide limited structure for explaining how these abilities are organized, how they relate, and how they may inform model diagnosis and improvement. We present \textsc{DriveHierarchy}, a hierarchical benchmark that organizes VLM-based autonomous driving into four ranks, spanning perceptual grounding, contextual memory, mental reasoning, and closed-loop execution. To instantiate this hierarchy, we integrate multiple open-source autonomous-driving datasets into a unified open-loop benchmark with 76,798 question-answer pairs over 84,279 frames and develop a closed-loop simulation platform with interactive scenario construction on a real-world road network, from which 100 driving scenarios are curated for embodied evaluation. Experiments on 15 VLMs show that \textsc{DriveHierarchy} captures structured but non-redundant capability variation, relates open-loop understanding to closed-loop driving, and provides a practical basis for diagnosis and benchmark-guided optimization. \textsc{DriveHierarchy} therefore serves as a unified framework for evaluating and improving VLM-based autonomous driving systems. An anonymized project has been released on https://github.com/PerfectXu88/DriveHierarchy
• Abstract（参考訳）: VLMに基づく自律運転の評価は、運転能力は複合的であり、能力のあるシステムは交通の参加者と危険を解決し、ビューと時間にわたってコンテキストを統合し、将来の進化を推論し、クローズドループの相互作用の下で適切に行動しなければならないため、依然として困難である。 既存のベンチマークは、通常、オープンループの理解またはクローズドループの運転を評価するが、これらの能力がどのように組織化され、どのように関連し、どのようにモデル診断と改善を通知するかを説明するための限られた構造を提供する。 VLMベースの自動運転を4段階に分類する階層的ベンチマークである‘textsc{DriveHierarchy} を,知覚的グラウンドニング,コンテキスト記憶,メンタル推論,クローズドループ実行に展開する。 この階層をインスタンス化するために、複数のオープンソースの自動運転データセットを76,798の質問応答ペアを84,279フレームで統合したオープンループベンチマークに統合し、実際の道路ネットワーク上で対話的なシナリオ構築を備えたクローズドループシミュレーションプラットフォームを開発し、100の運転シナリオを具体的評価のためにキュレートする。 15個のVLMの実験では, 構造的だが非冗長な能力変化を捉え, 開ループ理解と閉ループ駆動を関連付け, 診断とベンチマーク誘導最適化の実践的基礎を提供する。 したがって、textsc{DriveHierarchy} は、VLMベースの自律運転システムの評価と改善のための統合されたフレームワークとして機能する。 匿名化されたプロジェクトがhttps://github.com/PerfectXu88/DriveHierarchyでリリースされた。

関連論文リスト

• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
  自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。 本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
  論文  参考訳（メタデータ） (2026-04-01T11:38:46Z)
• SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
  本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。 トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
  論文  参考訳（メタデータ） (2026-01-09T08:55:42Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• X-Driver: Explainable Autonomous Driving with Vision-Language Models [6.053632514335829]
  エンドツーエンドの自動運転は大幅に進歩し、システムの単純さや運転性能の向上といったメリットを提供している。 既存のフレームワークはまだクローズドループ評価の成功率の低下に悩まされており、実際のデプロイメントにおける制限を強調している。 我々は,クローズドループ自律運転用に設計された,マルチモーダルな大規模言語モデルフレームワークであるX-Driverを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T09:52:55Z)
• Reason2Drive: Towards Interpretable and Chain-based Reasoning for Autonomous Driving [38.28159034562901]
  Reason2Driveは600万以上のビデオテキストペアを備えたベンチマークデータセットである。 我々は、自律運転プロセスが知覚、予測、推論ステップの逐次的な組み合わせであると特徴付けている。 本稿では,自律システムにおける連鎖型推論性能を評価するための新しい集計評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-06T18:32:33Z)

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。