研究者らは、ドライブレコーダーの動画における安全上重要なインシデントについてビジョン言語モデルがどのように推論するかを評価するために設計された新しい視覚的質問応答ベンチマークであるAUTOPILOT-VQAを発表した。このデータセットは、現実世界の運転シナリオに基づいた構造化された質問を利用し、単純な物体認識を超えたモデルの能力を評価する。

  • ベンチマークには、天候、照明、道路レイアウト、標識、事故回避可能性など、多様な安全関連カテゴリが含まれる。
  • モデルは、文脈的なシーンプロパティと特定のイベントレベルのインシデント詳細の両方について、根拠のある質問に回答する必要がある。
  • このアプローチは、自律運転システムのための時間的に grounded で安全を考慮した推論へと焦点を移す。
  • データセットは、標準化された評価ツールを提供するためにAUTOPILOT CVPR 2026コンペティションの一環として公開される。

著者らは、これが現実世界の自律運転のためのより解釈可能で堅牢なビジョン言語システムの開発を支えるため、重要であると考える。