論文の概要: Automatic Cause Determination in Road Scene Understanding Using Qualitative Reasoning and Four-Valued Logic

• arxiv url: http://arxiv.org/abs/2610.23990v1
• Date: Wed, 14 Oct 2026 16:41:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:45:37.977546
• Title: Automatic Cause Determination in Road Scene Understanding Using Qualitative Reasoning and Four-Valued Logic
• Title（参考訳）: 定性推論と4値論理を用いた道路シーン理解の自動原因決定
• Abstract要約: 本稿では,道路シーンにおけるAD行動の複雑な原因を定式化するために,ベルナップの4値論理を用いることを提案する。 ツールと呼ばれる手法は、道路シーンの特定のフレームで発生する選択されたADアクションの複雑な原因を特定することを目的としている。
• 参考スコア（独自算出の注目度）: 6.671752932872423
• License:
• Abstract: Road scene understanding in automated driving (AD) aims to build a comprehensive analysis of video sequences taken on the road by embedded or fixed cameras (e.g., mounted on vertical road signals). One goal is to identify the relevant actors in the scene and another goal is to determine the causes that have triggered a specific action of the ego car (i.e., stop, slow down, turn left, etc.). In a complex urban environment, these causes can be multiple, confusing, possibly contradictory to other causes and not easily expressible using simplistic reasoning. Still, providing accurate {\it automatic cause determination} supports a) user acceptance by providing appropriate explanations to the car passengers and road users; b) increased road safety by providing detailed road scene understanding to traffic. In this paper, we propose using spatiotemporal reasoning and Belnap's four-valued logic to formulate complex causes of AD action in a road scene. We compute these causes by analysing a Qualitative eXplainable Graph (QXG), which is an abstract representation of the road scene capturing spatiotemporal relations between road entities. Starting from a QXG, our approach called \tool, is targeted to determine complex causes of a selected AD action occurring in a specific frame of a road scene. The usefulness of \tool is demonstrated on several scenes extracted from the well-known NuScene dataset.
• Abstract（参考訳）: 自動走行(AD)における道路シーンの理解は,道路上の映像シーケンスを組込みまたは固定カメラ(例えば垂直道路信号に搭載)で包括的に解析することを目的としている。 1つのゴールはシーン内の関連するアクターを特定することであり、もう1つのゴールは、エゴカーの特定の動作を誘発した原因(つまり、停止、減速、左折など)を決定することである。 複雑な都市環境では、これらの原因は複数の、混乱し、おそらく他の原因と矛盾し、単純化的推論を用いて容易に表現できない可能性がある。 それでも、正確な自動原因判定を提供する a) 自動車利用者及び道路利用者に適切な説明を提供することによる利用者受け入れ ロ 交通の詳細な道路シーンの理解を提供することにより、道路の安全性を高めること。 本稿では,時空間的推論とベルナップの4値論理を用いて,道路シーンにおけるAD行動の複雑な原因を定式化することを提案する。 これらの原因を,道路エンティティ間の時空間関係をとらえた道路シーンの抽象表現である定性的eXplainable Graph (QXG) を用いて解析する。 QXGから始めて,道路シーンの特定のフレームで発生する選択ADアクションの複雑な原因を判断するために,‘tool’と呼ばれるアプローチを目標としている。 有名なNuSceneデータセットから抽出したいくつかのシーンで, \toolの有用性が示されている。

関連論文リスト

• STRIDE: Evaluating Spatiotemporal Reasoning in Driving Edge Cases [48.31875602593394]
  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。
  論文  参考訳（メタデータ） (2026-10-16T01:13:23Z)
• UniTraffic-Agent: Unified Traffic Video Reasoning for AI City Challenge 2026 Track 3 with Two Out-of-Domain Evaluations [87.58552218939225]
  第10回AIシティチャレンジのトラック3のMR-CASソリューションであるUniTraffic-Agentを紹介する。 UniTraffic-Agentは、タイムスタンプされた視覚的証拠をサンプリングするオブザーバ-レアソン--act-verifyワークフローに従う。 MR-CASはTARでは16位、FETVでは0.5780、FETVでは2位、PSI-VQAでは64.4161である。
  論文  参考訳（メタデータ） (2026-08-13T10:00:27Z)
• 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)
• Hazard-Aware Traffic Scene Graph Generation [9.549979680242195]
  本稿では,交通危険と自走車との間の交通特化関係を捉える新しいタスクであるトラヒックシーングラフ生成手法を提案する。 本稿では,交通事故データと奥行き情報を用いて視覚的特徴や意味情報を補足する新しいフレームワークを提案する。 出力トラフィックシーングラフは、重症度をカラーコードし、エゴ車両に対する効果メカニズムと相対的な位置を通知することで、顕著な危険を強調できる直感的なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-03-03T23:29:11Z)
• EQ-TAA: Equivariant Traffic Accident Anticipation via Diffusion-Based Accident Video Synthesis [79.25588905883191]
  交通現場における交通事故予測(TAA)は, 今後ゼロ死亡率を達成する上で, 課題となる。 本稿では,追加の事故ビデオクリップを合成するAVDモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-16T01:56:38Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Structured Bird's-Eye-View Traffic Scene Understanding from Onboard Images [128.881857704338]
  本研究では,BEV座標における局所道路網を表す有向グラフを,単眼カメラ画像から抽出する問題について検討する。 提案手法は,BEV平面上の動的物体を検出するために拡張可能であることを示す。 我々は、強力なベースラインに対するアプローチを検証するとともに、ネットワークが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-10-05T12:40:33Z)
• CP-loss: Connectivity-preserving Loss for Road Curb Detection in Autonomous Driving with Aerial Images [10.300623192980753]
  自動走行には道路停止検知が重要である。 現在の方法のほとんどは、カメラや3Dライダーなどの車両に搭載されたセンサーを使って、オンラインで道路の縁石を検出する。 本稿では,高分解能空中画像を用いて道路の縁石をオフラインで検出する。
  論文  参考訳（メタデータ） (2021-07-26T01:36:58Z)

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。