論文の概要: CoVLM-Bench: A Real-World Benchmark for Cooperative Driving Question Answering and Planning

• arxiv url: http://arxiv.org/abs/2609.35823v1
• Date: Tue, 22 Sep 2026 10:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.853525
• Title: CoVLM-Bench: A Real-World Benchmark for Cooperative Driving Question Answering and Planning
• Title（参考訳）: CoVLM-Bench: 協調運転質問回答と計画のための実世界のベンチマーク
• Abstract要約: CoVLM-Benchは協調運転質問応答(CDQA)と協調計画(CP)のためのベンチマークである 我々はCDQAとCPの両方にペアビューを直接使用する統一VLMベースラインであるCoVLM-Driveを紹介する。 実験により,CDQA適応により解答精度が向上し,CoVLM-Driveが比較したV2Xプランナよりも低FDEに達することが示された。
• 参考スコア（独自算出の注目度）: 18.049134363128776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) have made substantial progress in autonomous driving, but their success has primarily been studied in ego-centric scenes. Infrastructure-side observations provide views beyond the ego vehicle's field of view, yet conventional cooperative-driving systems typically transform them into geometric representations for downstream perception and planning. Directly incorporating these views into VLMs offers an opportunity to improve cooperative scene understanding and trajectory planning. However, question answering and trajectory planning have not been jointly evaluated on the same real-world vehicle-infrastructure scenes. We present CoVLM-Bench, a benchmark for cooperative driving question answering (CDQA) and cooperative planning (CP) on vehicle-infrastructure paired scenes. CoVLM-Bench provides scene-grounded CDQA annotations, three-part rationales as auxiliary supervision, and future trajectory targets derived from recorded ego motion. It contains 2,196 paired frames with 35,136 CDQA annotations, while CP predicts six waypoints over a three-second horizon. The annotations combine model-assisted drafting, record-based computation, and human verification. Built upon CoVLM-Bench, we introduce CoVLM-Drive, a unified VLM baseline that directly uses paired views for both CDQA and CP. Experiments show that CDQA adaptation improves answer accuracy and that CoVLM-Drive reaches a lower FDE than the compared V2X planners; QA initialization and rationale supervision each reduce planning error. Together, CoVLM-Bench and CoVLM-Drive support the training and comparison of VLMs for cooperative scene understanding and planning.
• Abstract（参考訳）: 視覚言語モデル(VLM)は自律走行においてかなりの進歩を遂げているが、その成功は主にエゴ中心の場面で研究されている。 インフラ側の観察は、エゴ車両の視野を超えた視点を提供するが、従来の協調運転システムは、それらを下流の認識と計画のための幾何学的表現に変換するのが一般的である。 これらの視点を直接VLMに取り入れることで、協調的なシーン理解と軌道計画を改善することができる。 しかし,同じ現実世界の車両・インフラの現場では,質問応答と軌道計画が共同で評価されていない。 本稿では,コラボレーティブ運転質問応答(CDQA)と協調計画(CP)のベンチマークであるCoVLM-Benchについて述べる。 CoVLM-Benchは、シーングラウンド化されたCDQAアノテーション、補助的な監督として3つの論理、記録されたエゴ運動に由来する将来の軌道目標を提供する。 2,196個のペアフレームと35,136個のCDQAアノテーションがあり、CPは3秒の水平線上で6つのウェイポイントを予測する。 アノテーションは、モデル支援のドラフト、レコードベースの計算、人間の検証を組み合わせる。 CoVLM-Benchを基盤として,CDQAとCPの両方にペアビューを直接使用する統一VLMベースラインであるCoVLM-Driveを導入する。 実験により,CDQA適応により解答精度が向上し,CoVLM-Driveが比較したV2Xプランナよりも低いFDEに達することが示された。 CoVLM-BenchとCoVLM-Driveは協調的なシーン理解と計画のためのVLMの訓練と比較を支援する。

関連論文リスト

• Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving [68.31544904268218]
  Qwen-Drive-1.0は、自動運転のためのビジョン言語基盤モデルに向けた最初のステップである。 Qwen-Drive-1.0は、事前訓練された視覚言語モデル(VLM)のアーキテクチャを保持し、統合されたフレームワーク内に3D知覚、視覚的質問応答、モーションプランニングを統合する。
  論文  参考訳（メタデータ） (2026-08-31T17:59:54Z)
• Roadside-Cooperative Autonomous Driving: From Data Platform to Vision-Language End-to-End Reasoning [19.188066393763407]
  AURORAはエンドツーエンドの協調運転フレームワークである。 AURORAは、エゴと道路側における空間的および意味的差異を緩和する。 LoRAに適応したVLMブリッジは意味的推論と生成軌道計画を行う。
  論文  参考訳（メタデータ） (2026-08-21T12:29:27Z)
• V2X-QA: A Comprehensive Reasoning Dataset and Benchmark for Multimodal Large Language Models in Autonomous Driving Across Ego, Infrastructure, and Cooperative Views [22.24590004859344]
  V2X-QAは、車側、インフラ側、協調的な視点でMLLMを評価するための実世界のデータセットとベンチマークである。 その結果、視点アクセシビリティは性能に大きく影響し、インフラ側の推論は意味のあるマクロなトラフィック理解を支援することがわかった。 V2X-MoEは、明示的なビュールーティングと視点固有のLoRAエキスパートを備えたベンチマークアラインベースラインである。
  論文  参考訳（メタデータ） (2026-04-03T04:07:35Z)
• 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)
• ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving [44.008287454538596]
  視覚言語モデル(VLM)は、クロスモーダルな先行とコモンセンス推論を導入することで、このパラダイムを豊かにする。 現在のVLMベースのプランナは、(i) 個別のテキスト推論と継続的制御のミスマッチ、(ii) 自己回帰的連鎖のデコーディングからの高い遅延、(iii) リアルタイムデプロイメントを制限する非効率または非因果的なプランナである。 テキストから潜在空間へ推論を転送し,それを階層的並列軌道デコーダで結合する統合視覚言語アクションフレームワークColaVLAを提案する。
  論文  参考訳（メタデータ） (2025-12-28T14:06:37Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• DriveLM: Driving with Graph Visual Question Answering [57.51930417790141]
  本研究では,Webスケールデータに基づいて学習した視覚言語モデル(VLM)を,エンド・ツー・エンドの運転システムに統合する方法について検討する。 グラフVQAとエンドツーエンド駆動を併用するVLMベースラインアプローチ(DriveLM-Agent)を提案する。
  論文  参考訳（メタデータ） (2023-12-21T18:59:12Z)

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。