論文の概要: STRIDE: Evaluating Spatiotemporal Reasoning in Driving Edge Cases

• arxiv url: http://arxiv.org/abs/2610.22795v1
• Date: Fri, 16 Oct 2026 01:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.725412
• Title: STRIDE: Evaluating Spatiotemporal Reasoning in Driving Edge Cases
• Title（参考訳）: 運転エッジ症例における時空間推論の評価
• Abstract要約: 安全クリティカルな運転のためのオブジェクト指向ベンチマークSTRIDE(Spatiotemporal Reasoning In Driving Edge Cases)を紹介する。 個別の視覚的時間的判断と関連する自由形式の質問応答を求める複数の選択スコアをペアリングする。 平均的な多重選択精度は43.4%であり、ランダム選択ベースラインは約20%である。
• 参考スコア（独自算出の注目度）: 48.31875602593394
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In autonomous driving, perceiving surrounding objects is not enough: failing to understand how they move and interact over time can lead to dangerous decisions. Evaluating vision-language models (VLMs) therefore requires testing whether they connect past spatial observations to future consequences. Yet existing benchmarks often assess edge cases through basic perception questions or test temporal understanding in simple scenarios, leaving complex spatiotemporal reasoning underexplored. We introduce STRIDE (SpatioTemporal Reasoning In Driving Edge Cases), an object-centric benchmark for long-tail, safety-critical driving scenarios. STRIDE covers six task families: spatial perception, spatial understanding, temporal memory, temporal extrapolation, trajectory prediction, and scene-context awareness. It pairs multiple-choice questions probing individual spatiotemporal judgments with related free-form visual question answering (VQA) requiring detailed scene explanations and justifications of driving decisions. We prioritize scenes with unusual object behaviors and complex traffic interactions, generate reference answers from structured dataset annotations through automated procedures, and use limited language-model assistance and human verification to ensure annotation quality. Across 12 proprietary, open-weight, and driving-specialized models, even the best performer, GPT-6-Astra, achieves only 43.4% average multiple-choice accuracy, versus an approximately 20% random-choice baseline. Further analysis reveals that strong performance in describing driving scenes does not necessarily translate to accurate safety-critical judgments, and that models struggle more with reconstructing object motion than recalling past positions. STRIDE thus exposes spatiotemporal driving limitations that aggregate VQA scores can conceal.
• Abstract（参考訳）: 自律運転では、周囲の物体を認識するだけでは十分ではない。 したがって、視覚言語モデル(VLM)を評価するには、過去の空間観測を将来の結果に結びつけるかどうかをテストする必要がある。 しかし、既存のベンチマークでは、単純なシナリオで基本的な知覚の質問や時間的理解をテストすることで、複雑な時空間的推論を過小評価することが多い。 STRIDE(SpatioTemporal Reasoning In Driving Edge Cases)は,長距離・安全クリティカルな運転シナリオを対象とした,オブジェクト中心のベンチマークである。 STRIDEは、空間知覚、空間理解、時間記憶、時間外挿、軌道予測、シーンコンテキスト認識の6つのタスクファミリをカバーする。 個別の時空間的判断と関連する自由形態の視覚的質問応答(VQA)を組み合わせ、詳細なシーン説明と運転決定の正当性を求める。 我々は、異常なオブジェクトの振る舞いや複雑なトラフィックの相互作用を伴うシーンを優先順位付けし、構造化されたデータセットアノテーションからの参照回答を自動手順で生成し、限られた言語モデルアシストと人間による検証を用いてアノテーションの品質を保証する。 12種類のプロプライエタリ、オープンウェイト、運転特化モデル、そして最高のパフォーマーであるGPT-6-Astraでさえ、平均的なマルチチョイス精度は43.4%であり、ランダムチョイスベースラインはおよそ20%である。 さらに分析したところ、運転シーンの記述における強い性能は、必ずしも正確な安全クリティカルな判断に関係せず、モデルが過去の位置を思い出すよりも、物体の動きの再構築に苦慮していることが判明した。 STRIDEは、VQAスコアを収集する時空間駆動の制限を隠蔽する。

関連論文リスト

• Do LiDAR Language Models Really Understand Spatio-temporal Relationships? [62.56505727364142]
  ベンチマークと診断プロトコルであるLiDAR-Halluを150 nusのシーンで紹介する。 提案プロトコルは,固定回答と候補コンテンツ制御,クロスシーンペアを同一のプロンプトで組み合わせるが,参照応答は逆で,リレーショナルなリコールを行う。 記録された10万の応答の分析は、集合的空間精度によって隠された失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-09-21T11:59:07Z)
• 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)
• 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)
• Probing the Reliability of Driving VLMs: From Inconsistent Responses to Grounded Temporal Reasoning [17.08518699175473]
  運転支援システムとして応用されたビジョン・ランゲージ・モデル(VLM)は,現状の観測結果が今後の成果をどう形作るのかを概説し,理解することができるかを検討する。 強い視覚的理解を持つモデルは、時間的推論を必要とするタスクにおいて必ずしも最善を尽くさない。 本稿では、時間ラベルを必要とせず、一貫性と時間的推論の両方を改善するチェーン・オブ・ソート推論を用いた、シンプルで効果的な自己教師付きチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T11:12:28Z)
• 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)
• STSBench: A Spatio-temporal Scenario Benchmark for Multi-modal Large Language Models in Autonomous Driving [16.602141801221364]
  STSBenchは、自律運転のための視覚言語モデル(VLM)の総合的な理解をベンチマークするためのフレームワークである。 このベンチマークでは、複数のビューにまたがる43の多様なシナリオが特徴で、その結果、971人の人間による検証された複数選択の質問が生まれている。 徹底的な評価により、複雑な環境における基本的なトラフィックダイナミクスを推論する既存のモデルの能力の欠点が明らかになる。
  論文  参考訳（メタデータ） (2025-06-06T16:25:22Z)
• 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)
• DriveLMM-o1: A Step-by-Step Reasoning Dataset and Large Multimodal Model for Driving Scenario Understanding [76.3876070043663]
  自律運転のための段階的視覚的推論を推し進めるためのデータセットとベンチマークであるDriveLMM-o1を提案する。 私たちのベンチマークでは、トレーニングセットに18k以上のVQAサンプル、テストセットに4k以上、知覚、予測、計画に関するさまざまな質問をカバーしています。 我々のモデルは、最終回答精度が+7.49%向上し、以前の最高のオープンソースモデルよりも3.62%向上した。
  論文  参考訳（メタデータ） (2025-03-13T17:59:01Z)
• QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
  自動運転車は環境を理解して適切な行動を決定する必要がある。 従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。 我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-01T21:11:43Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)

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。