論文の概要: MotoVerse: A Benchmark for Predictive Perception of Motorized Two-Wheelers in Dense Unstructured Traffic

• arxiv url: http://arxiv.org/abs/2611.06007v1
• Date: Wed, 04 Nov 2026 05:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.99378
• Title: MotoVerse: A Benchmark for Predictive Perception of Motorized Two-Wheelers in Dense Unstructured Traffic
• Title（参考訳）: MotoVerse:非構造交通における電動二輪車の予測知覚のベンチマーク
• Abstract要約: MTW(Motorized Two-Wheelers)は、グローバル・サウスの大部分を横断する個人輸送を統括する企業である。 我々はMTWの自我中心の視点から予測的知覚のベンチマークであるMotoVerseを紹介する。 MotoVerseは、密集した非構造交通や軌道アノテーションで収集された949本の操縦クリップで構成され、周囲の道路エージェントは31,000人以上いる。
• 参考スコア（独自算出の注目度）: 17.259627750358046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motorized Two-Wheelers (MTWs) dominate personal transport across much of the Global South, yet remain largely overlooked in predictive perception research for autonomous driving and ADAS. We introduce MotoVerse, a benchmark for predictive perception from an MTW's ego-centric perspective. MotoVerse comprises 949 maneuver clips collected in dense, unstructured traffic and trajectory annotations for over 31,000 surrounding road agents, including over 16,000 MTWs, enabling two complementary tasks: Ego-Rider Maneuver Anticipation (ERMA) and Traffic Agent Trajectory Prediction (TATP). Each clip is further annotated with an MTW-specific challenge taxonomy comprising dynamic ego-motion, weak traffic structure and contextual occlusion, enabling challenge-aware evaluation. We benchmark established conventional prediction models, general-purpose Vision-Language Models (VLMs), driving-specific VLMs and vision-language-action models. Our experiments reveal three key insights: (i) video backbones reach most of their full-observation accuracy from the first fifth of a maneuver, whereas zero-shot VLMs need most of the maneuver to be observed; (ii) zero-shot VLMs, whether general-purpose or driving-specific, largely remain close to simple baselines on both tasks; a preliminary LoRA study shows that adaptation lifts anticipation sharply but leaves trajectory prediction behind conventional models; and (iii) the rider's own motion drives forecasting difficulty: for every model, including a static baseline, errors are highest during left turns and rise under dynamic ego-motion. We believe MotoVerse will serve as a challenging benchmark for safer and more robust predictive AI for intelligent two-wheelers. The dataset and evaluation code are publicly available at https://github.com/VarunIIITH/MotoVerse.
• Abstract（参考訳）: MTW(Motorized Two-Wheelers)は、世界南部の大部分を横断する個人輸送を担っているが、自律運転とADASの予測知覚研究において、ほとんど見過ごされている。 我々はMTWの自我中心の視点から予測的知覚のベンチマークであるMotoVerseを紹介する。 MotoVerseは16,000 MTWを含む31,000以上の道路エージェントに対して、密集した非構造的なトラフィックと軌道アノテーションで収集された949の操縦クリップで構成されており、Ego-Rider Maneuver Precipation (ERMA)とTraffic Agent Trajectory Prediction (TATP)の2つの補完的なタスクを可能にしている。 各クリップは、動的なエゴモーション、弱い交通構造、コンテキスト閉塞を含むMTW固有のチャレンジ分類で注釈付けされ、チャレンジアウェア評価を可能にする。 我々は、従来の予測モデル、汎用視覚言語モデル(VLM)、駆動特化VLMおよび視覚言語アクションモデルを構築した。 私たちの実験では、3つの重要な洞察が浮かび上がっています。 (i)ビデオバックボーンは、操作の最初の5分の1から完全な観測精度のほとんどに達する一方、ゼロショットVLMは、ほとんどの操作を観察する必要がある。 (ii)汎用か運転専用かにかかわらず、ゼロショットVLMは両タスクの単純なベースラインに大きく近づき、予備的なLoRA研究では、適応は予想を急激に引き上げるが、従来のモデルに遅れて軌道予測を残すことが示されている。 静的ベースラインを含む全てのモデルにおいて、左旋回時にエラーが最も多く、ダイナミックなエゴモーションで上昇する。 私たちはMotoVerseが、インテリジェントな二輪車のためのより安全で堅牢な予測AIのための挑戦的なベンチマークとなると信じています。 データセットと評価コードはhttps://github.com/VarunIIITH/MotoVerse.comで公開されている。

関連論文リスト

• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation [80.18527639791074]
  世界アクションモデルは、自動運転と都市ナビゲーションに非常に有望だ。 既存のアプローチには、重要な制限がある。 我々は,映像生成とアクション予測を分離するエンドツーエンドのWAMフレームワークであるMetisを提案する。
  論文  参考訳（メタデータ） (2026-06-14T15:40:49Z)
• LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving [60.31765454895336]
  本稿では、マルチモーダル理解と生成世界モデルを組み合わせた、エンドツーエンドのクローズドループ駆動のための最初のフレームワークLMGenDriveを紹介する。 本稿では,視覚前訓練から多段階長距離運転に至るまでの3段階訓練戦略を提案し,安定性と性能の向上を図る。
  論文  参考訳（メタデータ） (2026-04-09T19:13:14Z)
• BATON: A Multimodal Benchmark for Bidirectional Automation Transition Observation in Naturalistic Driving [18.15118596168445]
  既存の運転自動化(DA)システムは、DAにいつ参加するかを決めるために人間のドライバーに依存している。 BATONは127人のドライバーと136.6時間の運転における現実のDA使用量を自然言語で分析するデータセットである。 データセットは、フロントビュービデオ、キャビン内ビデオ、デコードされたCANバス信号、レーダーベースのリード車間相互作用、GPSからのルートコンテキストを同期する。 その結果、フロントビュービデオは運転状態ではなく道路状況を捉え、インキャビンビデオは運転準備を反映するが、外部シーンは反映しないことがわかった。
  論文  参考訳（メタデータ） (2026-04-08T16:29:24Z)
• VLM-AutoDrive: Post-Training Vision-Language Models for Safety-Critical Autonomous Driving Events [25.118024547769895]
  VLM-AutoDrive(VLM-AutoDrive)は、トレーニング済みの視覚言語モデルを高忠実度異常検出に適用するためのモジュラーフレームワークである。 NVIDIAのCosmos-1 7B (CR1)のような市販のVLMはゼロショット設定でほぼゼロの衝突リコールを示す。 VLM-AutoDriveは、安全クリティカルで時間的ローカライズされた知覚タスクに汎用VLMを適用するためのスケーラブルなレシピを提供する。
  論文  参考訳（メタデータ） (2026-03-18T18:23:34Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• 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)
• Pedestrian Intention Prediction via Vision-Language Foundation Models [10.351342371371675]
  本研究では,歩行者の横断意図を予測するための視覚言語基礎モデル(VLFM)の可能性について検討する。 この方法論は、視覚的フレーム、物理的キュー観察、エゴ・車両力学などの文脈情報を体系的に洗練されたプロンプトに組み込む。 結果は、車両の速度、時間の経過とともに変化し、時間意識的なプロンプトが予測精度を19.8%まで著しく向上させることを示した。
  論文  参考訳（メタデータ） (2025-07-05T19:39:00Z)
• 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)
• HMVLM: Multistage Reasoning-Enhanced Vision-Language Model for Long-Tailed Driving Scenarios [3.4075144411363034]
  本稿では,認知にインスパイアされた高速スローアーキテクチャの遅い分岐を実装するエンドツーエンド駆動フレームワークであるHaoMo Vision-Language Model(HMVLM)を紹介する。 高速コントローラは低レベルのステアリング、スロットル、ブレーキコマンドを出力し、遅いプランナー、大きな視覚言語モデルでは、遅延を伴わずに「歩行者への利益」や「トラックの後にマージ」のような高レベルのインテントを生成する。
  論文  参考訳（メタデータ） (2025-06-06T08:51:06Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)

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。