論文の概要: Action-Conditioned VLM Monitoring for Autonomous Vehicle Semantic Anomalies

• arxiv url: http://arxiv.org/abs/2611.07540v1
• Date: Thu, 05 Nov 2026 06:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.572623
• Title: Action-Conditioned VLM Monitoring for Autonomous Vehicle Semantic Anomalies
• Title（参考訳）: 自動運転車セマンティック異常に対するアクションコンディションVLMモニタリング
• Abstract要約: セマンティックな運転シーンにおける自律走行行動の行動条件モニタリングについて検討した。 VLM(Vision-Language Model)は、まず、結果が隠されたビデオウィンドウからシーン要求アクションを予測する。
• 参考スコア（独自算出の注目度）: 0.9624643581968987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study action-conditioned monitoring of autonomous-vehicle behavior in semantically unusual driving scenes. The target is whether the executed ego action is appropriate for the scene: the same scene can admit both normal and anomalous behavior, so visual unusualness alone does not determine the monitoring label. A Vision-Language Model (VLM) first predicts the scene-required action from an outcome-hidden video window; the monitor then compares that expectation with the realized ego-motion trajectory under an explicit compatibility rule. To study this monitoring task, we contribute a six-field taxonomy of 112 paired scenarios spanning both failure polarities (42 derived from documented incidents), a generated video corpus with estimated trajectories, and an exploratory two-stage monitor on that corpus. On 235 clips from 15 scenario families, the two-stage protocol with a fixed T-2.5 s window obtains 83.0% accuracy and anomaly recall 0.773, versus 74.5% and 0.536 for a single-stage video-only baseline; specificity is 0.880 versus 0.928.
• Abstract（参考訳）: セマンティックな運転シーンにおける自律走行行動の行動条件モニタリングについて検討した。 ターゲットは実行されたエゴアクションがシーンに適切かどうかであり、同じシーンは正常な動作と異常な動作の両方を許容できるため、視覚的異常だけでは監視ラベルを決定できない。 VLM(Vision-Language Model)は、まず結果が隠されたビデオウィンドウからシーン要求アクションを予測し、その期待を明示的な互換性ルールの下で実現されたエゴモーション軌跡と比較する。 本研究は,両障害極性(文書化事件42件)にまたがる112対シナリオの6フィールド分類,推定軌跡付きビデオコーパス,そのコーパス上の探索的2段階モニターについて検討する。 15のシナリオファミリからの235のクリップでは、固定されたT-2.5 sウィンドウを持つ2段のプロトコルが83.0%の精度を獲得し、0.773を異常にリコールするが、1段のビデオのみのベースラインは74.5%と0.536である(特異性は0.880対0.928である)。

関連論文リスト

• Look Before You Act: Bridging Active Perception and Vision-Language-Action Models via Observation-Aligned Data Adaptation [26.983027384593385]
  アクティブカメラの動きは、隠されたターゲットを露出することができるが、操作ポリシーのトレーニング分布とは異なる初期観測状態の分布にロボットを移動させる可能性がある。 アクティブな知覚が終了する状態からビジョン・ランゲージ・アクションポリシーをトレーニングするデータ適応フレームワークであるActiveAlignを紹介する。
  論文  参考訳（メタデータ） (2026-10-16T12:33:44Z)
• Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline [0.10874100424278173]
  ACCIDENT @ CVPRベンチマークは、厳密な制約の下で、この共同予測を正確に評価する。 我々は,凍結したQwen3-VL-32B-インストラクション視覚言語モデルとYOLO11xオブジェクト検出とBoT-SORTトラッキングを組み合わせた,トレーニングフリーで2パスの粗いパイプラインを提案する。 公式の2,027クリップの実CCTVテストセットにおいて,本システムは0.504の3方向高調波平均スコアを達成した。
  論文  参考訳（メタデータ） (2026-08-09T19:08:56Z)
• Visual Grounding in Zero-Shot Vision-Language Control [0.0]
  視覚言語モデル(VLM)は、ゼロショットコントローラとしてますます使われているが、成功した軌道は、必ずしも決定が視覚入力に基礎を置いていることを示さない。 我々はこれを、ブラインドイメージ制御、繰り返し同じ入力、車線軸反射、非視覚ベースライン、パイプライン積分チェックといった入力アブレーション電池を用いて検討する。 実験では,9つの直接動作モデル,6つの局所的VLM,探索的VLM-MPC階層に対して,2つの実施形態と3つのシミュレータに対する32,874の呼び出しを解析した。
  論文  参考訳（メタデータ） (2026-08-06T15:21:42Z)
• PaSBench-Video: A Streaming Video Benchmark for Proactive Safety Warning [54.70033525672316]
  ビデオ対応の大型言語モデル(MLLM)は、このウィンドウ内で警告を発する常時オンの安全モニタとして機能する。 今回紹介するPaSBench-Videoは、481のリスクと4つのドメインにわたる259のリスクビデオを備えた740のビデオベンチマークだ。 最も厳密な基準ではモデルが20.0%を超えることはなく、リコールは偽陽性率と強く結びついている。
  論文  参考訳（メタデータ） (2026-06-01T16:14:01Z)
• Is VLA Reasoning Faithful? Probing Safety of Chain-of-Causation in Autonomous Driving Models [13.085985443741412]
  我々は,100種類の物理AI-AVシナリオを対象とした300個のAlpamayo-R1-10B推論を解析した。 全体的な推論の忠実さは42.5%に過ぎず、カオス・オブ・カウセーションのマッチングシーンの現実は半分以下である。 我々は、信頼度情報理論を定式化し、検証基準付きでエンティティとアクションの忠実度を定義し、これらの結果に沿った4成分安全アーキテクチャを概説する。
  論文  参考訳（メタデータ） (2026-05-17T05:29:48Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Modified Supervised Contrastive Learning for Detecting Anomalous Driving Behaviours [1.4544109317472054]
  我々はこの問題を教師付きコントラスト学習アプローチとして定式化し、視覚表現を学習し、正常で見えず異常な運転行動を検出する。 本研究は,31名の運転者の正常運転行動と異常運転行動の783分間のビデオ記録を含む運転異常検出データセットに示す。
  論文  参考訳（メタデータ） (2021-09-09T03:50:19Z)

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。