ドラレコ映像で「事故を推論できるか」を測る ― 自動運転向けVQAベンチ AUTOPILOT-VQA(CVPR 2026)
視覚言語モデル(VLM)は自動運転のシーン理解や意思決定を改善したが、安全に関わるインシデントを確実に推論できるかの評価は難しい。AUTOPILOT-VQAは、ドラレコ映像理解のためのインシデント中心の視覚質問応答(VQA)ベンチ。実世界の事故・ニアミスを軸に構造化した質問で、天候・照明・交通環境・路面状態・標識・関与主体・事故発生・衝突位置・回避可能性などの安全カテゴリを網羅。物体認識を超えて、時間的に根拠づけられた安全志向の推論を要求する。CVPR 2026コンペの一部として公開。
論文の概要（独自要約）
- 分野（arXiv分類）cs.AI（+1）
- 著者Siddharth Damodharan, Radhika Gupta, Ali Alshami ほか（計5名）
- 投稿日2026-07-09
- arXiv ID2607.08745v1
要点
- VLM等は自動運転タスクを改善したが、安全上重要なインシデントの推論能力の評価が難しい、に対処
- ドラレコ映像理解のインシデント中心VQAベンチ(AUTOPILOT-VQA)を提示
- 実世界の事故・ニアミスを軸に構造化質問で評価＝天候/照明・交通環境・路面・標識・関与主体・衝突位置・回避可能性を網羅
- 物体認識を超えて時間的に根拠づけられた安全志向の推論を要求
- AUTOPILOT CVPR 2026コンペの一部として公開＝信頼性評価の標準ベンチ
本研究(AUTOPILOT-VQA)は、自動運転AIが「事故につながる状況を正しく推論できるか」を測るためのベンチマークを提供する。
1自動運転VLMの評価に欠けていたもの
視覚言語モデル(VLM)・LLM・マルチモーダルLLMの近年の進歩は、シーン理解・意思決定・軌道予測・視覚質問応答といった自動運転のタスクを改善してきた。しかし、これらのモデルが安全上重要なインシデントについて確実に推論できるかを評価するのは、依然として難しい課題として残っている。
2インシデント中心のVQAベンチマーク
このギャップを埋めるため、著者らはインシデント中心の視覚質問応答(VQA)ベンチマーク、AUTOPILOT-VQAを提示する。ドラレコ映像の理解を対象とし、実世界の運転インシデントとニアインシデント（ニアミス）を軸に設計された構造化質問を通じて、さまざまなシステムを評価する。
ベンチマークがカバーする安全関連カテゴリは多岐にわたる——天候・照明条件、交通環境、道路レイアウト、路面状態、標識、関与した主体、事故の発生、衝突位置、そして回避可能性に関わる推論などだ。
3根拠づけられた回答を求める設計
文脈的なシーンの特性と、イベントレベルのインシデントの詳細の双方について、根拠づけられた質問への回答をモデルに要求することで、AUTOPILOT-VQAは単なる物体認識を超え、時間的に根拠づけられた(temporally grounded)安全志向の推論へと踏み込む。
データセットはAUTOPILOT CVPR 2026コンペティションの一部としてリリースされ、多様なシナリオにおける自動運転システムの信頼性を評価する標準化されたベンチマークを提供する。
なぜ重要か
自動運転・ADAS・車載AIの安全性評価に直結する研究。事故・ニアミスを構造化して問うベンチ設計は、自動運転システムを開発・検証する事業者にとって、安全推論能力を測る標準的な物差しの参照点になる。
よくある質問（FAQ）
なぜ「インシデント中心」なのですか？
「時間的に根拠づけられた推論」とは？
出典（一次情報）
出典：arXiv（記述メタデータは CC0 パブリックドメイン）。要約は当サイト独自。原文・PDFは arXiv をご確認ください。
- arXiv 概要ページ（原文・公式）
- PDF（arXiv）
- arXiv ID: 2607.08745