論文の概要: DrivingBench: Can Vision-Language Models Drive a Toyota Corolla?

• arxiv url: http://arxiv.org/abs/2609.38948v1
• Date: Wed, 30 Sep 2026 04:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.180797
• Title: DrivingBench: Can Vision-Language Models Drive a Toyota Corolla?
• Title（参考訳）: ドライビングベンチ:ビジョンランゲージモデルでトヨタ・ロールを走らせることができるか?
• Abstract要約: 私たちは、視覚言語モデルが本物の車を駆動しなければならない最初のベンチマークであるDrivingBenchを紹介します。 GPT-6 Astra, Claude Fable 5.1, GPT-5.6 Sol, Grok 4.6をベンダーネイティブハーネスでベンチマークした。 アストラは2回目の試みでコースを終了する唯一のモデルであり、他の試みはコースの50%を通過させることはなかった。
• 参考スコア（独自算出の注目度）: 0.7328100870402178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier models excel at many digital benchmarks, yet their ability to drive a real car, an everyday human skill, remains largely untested. We present DrivingBench, to our knowledge the first benchmark where general-purpose vision-language models must drive a real car. Through three tools, the models see camera frames from a Toyota Corolla and directly command its steering and velocity around a parking lot cone course at low speeds. The car may continue moving while the model thinks and new commands replace the currently running one, so inference latency is part of the task, testing the models' abilities to observe, act, monitor, recover, and complete a long-horizon objective under such constraints. We benchmark GPT-6 Astra, Claude Fable 5.1, GPT-5.6 Sol, and Grok 4.6 in vendor-native harnesses (Codex, Claude Code, Cursor) with up to three attempts each in one conversation; Astra is the only model to finish the course, on its second attempt, with no other attempt passing 50% of the course. Two of the four models improved materially across attempts with retained context. We also detail the design principles behind our action interface, and show how the tool output format and the framing of the task combined to determine whether models would drive at all or refuse. We release our harness, prompts, course map, and traces with video and telemetry for reproducibility.
• Abstract（参考訳）: フロンティアモデルは、多くのデジタルベンチマークで優れていますが、実際の車を運転する能力、日々の人間のスキルは、ほとんどテストされていません。 私たちは、汎用視覚言語モデルが本物の車を駆動しなければならない最初のベンチマークについて、DrivingBenchを紹介します。 3つのツールにより、Toyota Corollaのカメラフレームを見ることができる。 モデルが考えている間に車が動き続け、新しいコマンドが現在実行中のものを置き換えるため、推論遅延はタスクの一部であり、そのような制約の下で長い水平目標を観察、行動、監視、回復、完了するモデルの能力をテストする。 GPT-6 Astra, Claude Fable 5.1, GPT-5.6 Sol, Grok 4.6をベンダーネイティブのハーネス(Codex, Claude Code, Cursor)で1つの会話で最大3回ベンチマークします。 4つのモデルのうち2つは、コンテキストを保ったままの試みで大幅に改善された。 また、アクションインターフェースの背後にある設計原則を詳述し、ツール出力フォーマットとタスクのフレーミングを組み合わせて、モデルがまったく駆動するかどうかを判断する方法を示します。 我々は、再現性のためのビデオとテレメトリを備えたハーネス、プロンプト、コースマップ、およびトレースをリリースする。

関連論文リスト

• DriveMotion: A Large-Scale Multi-Source Benchmark for Driver Motion Sequence Modeling and Forecasting [19.185390523777187]
  連続運転動作予測のベンチマークであるDriveMotionを紹介する。 DriveMotionには、360度ドライバから10Hzで133キーポイントのモーションシーケンスが393時間含まれている。 我々は、CAN信号からオフラインで識別された車両操作の周囲に予測窓を設置し、動的アンコール評価を用いる。
  論文  参考訳（メタデータ） (2026-09-08T01:49:18Z)
• GenieDrive: Towards Physics-Aware Driving World Model with 4D Occupancy Guided Video Generation [80.1493315900789]
  我々は物理対応駆動ビデオ生成のためのフレームワークGenieDriveを提案する。 われわれのアプローチは、4Dの占有率の生成から始まり、これはその後のビデオ生成の物理インフォームド基盤として機能する。 実験により、GenieDriveは高度に制御可能で、複数ビューの一貫性があり、物理対応の駆動ビデオ生成を可能にする。
  論文  参考訳（メタデータ） (2025-12-14T16:23:51Z)
• DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
  現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。 我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。 DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
  論文  参考訳（メタデータ） (2024-05-07T15:14:20Z)
• DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
  本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:52Z)
• Scaling Vision-based End-to-End Driving with Multi-View Attention Learning [7.14967754486195]
  本稿では,人間にインスパイアされたHFOVを誘導バイアスとして用いて高分解能画像を処理し,適切な注意機構を組み込むことにより,CILRSを改善するCIL++を提案する。 我々は,車載信号のみによって制御され,条件付き模倣学習によって訓練された強力な視覚ベースの純粋エンドツーエンド駆動ベースラインとして,CILRSをCIL++に置き換えることを提案する。
  論文  参考訳（メタデータ） (2023-02-07T02:14:45Z)
• Model-Based Imitation Learning for Urban Driving [26.782783239210087]
  MILE: 世界のモデルと自律運転のポリシーを共同で学習するためのモデルに基づくImitation LEarningアプローチを提案する。 本モデルでは, 都市運転データのオフラインコーパスを用いて, 環境とのオンラインインタラクションを伴わない訓練を行った。 我々のアプローチは、都市運転環境における静的シーン、ダイナミックシーン、エゴビヘイビアをモデル化する最初のカメラのみの手法である。
  論文  参考訳（メタデータ） (2022-10-14T11:59:46Z)
• Vehicle trajectory prediction works, but not everywhere [75.36961426916639]
  本稿では,最先端モデルがオフロードされるような現実的なシーンを自動的に生成する手法を提案する。 物理制約とともに,原子シーン生成関数に基づく簡易かつ効果的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-07T18:59:15Z)
• Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
  視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。 車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-20T16:29:01Z)
• Commands 4 Autonomous Vehicles (C4AV) Workshop Summary [91.92872482200018]
  本稿では,最近のEmphTalk2Carデータセットに基づいて,EmphCommands for autonomous Vehicles (C4AV)チャレンジの結果について述べる。 我々は、トップパフォーマンスモデルを成功させる側面を特定し、それらを視覚的なグラウンド化のために既存の最先端モデルと関連付ける。
  論文  参考訳（メタデータ） (2020-09-18T12:33:21Z)

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。