CrashSight: 事故現場理解と推論のための位相認識型・インフラ中心ビデオベンチマーク

- 路側カメラの実世界映像を用いた交通事故理解のための大規模 vision-language benchmark。 - 250本の crash 動画と 13K の multiple-choice QA ペアで構成。 - 二層 taxonomy を採用。 - Tier 1: 場面文脈と関与主体の visual grounding を評価。 - Tier 2: crash mechanics、causal attribution、temporal progression、post-crash outcomes など高次推論を評価。 - cooperative autonomous driving における infrastructure 視点の知覚評価を目的とする。

- 既存 benchmark は ego-vehicle 視点に偏り、safety-critical な交通場面の評価が不十分だった。 - CrashSight は路側カメラ(roadside camera)の実データに基づき、infrastructure 視点を標準化して評価する点が新しい。 - 8つの state-of-the-art VLMs を評価し、scene description は得意でも temporal/causal reasoning が苦手であることを示した。 - cooperative autonomous driving の infrastructure-assisted perception に向けた評価枠組みを提供。

- 実世界の roadside camera から収集した 250 crash videos を使用。 - 13K multiple-choice QA を二層 taxonomy で整理。 - Tier 1: scene context と involved parties の visual grounding。 - Tier 2: crash mechanics、causal attribution、temporal progression、post-crash outcomes の推論。 - 8つの state-of-the-art VLMs を同一 benchmark で比較評価。 - 失敗シナリオの詳細分析を実施。

- 8つの state-of-the-art VLMs を CrashSight 上で benchmark。 - その結果、scene description 能力は高い一方、safety-critical 場面での temporal reasoning と causal reasoning に苦戦することを示した。 - 失敗シナリオを詳細に分析し、VLM の crash understanding 改善方向を議論。 - 具体的な評価指標や統計手法は要旨からは不明。

- 現行 VLMs は安全臨界な交通事故理解において temporal/causal reasoning が不十分。 - 失敗シナリオの分析に基づき、VLM の crash understanding 改善の方向性を議論。 - infrastructure-assisted perception の標準評価枠組みとしての意義を提示。 - 具体的な限界や倫理的議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として vision-language models (VLMs)、cooperative autonomous driving、infrastructure-assisted perception が挙げられる。 - 同分野の定番として traffic scene understanding、video question answering、causal/temporal reasoning benchmark を読むとよい。 - 具体的な論文名は要旨からは不明。