PofoliaPofolia ile paylaşıldı

Communications in Transportation Research· 2026Q1

ScenePilot-4K: Otonom Sürüş için Büyük Ölçekli Birinci Şahıs Görüş Veri Seti ve Karşılaştırma Platformu

ScenePilot-4K: A Large-Scale First-Person Dataset and Benchmark for Vision-Language Models in Autonomous Driving

Yujin Wang, Yutong Zheng, Wenxian Fan, Tianyi Wang ve diğerleri

Kısa özet

63 ülkeden 27,7 milyon karelik 3.847 saatlik sürüş videosundan oluşan ScenePilot-4K veri seti, otonom sürüşte birinci şahıs görüş-dil modellerini değerlendirmek için bir karşılaştırma platformu sunar ve mevcut modellerin geometrik algılama ve planlamadaki sınırlılıklarını ortaya koyar.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Ana noktalar

  • ScenePilot-4K veri seti, 63 ülkeden 3.847 saatlik sürüş videosu ve 27,7 milyon kare içermektedir.
  • Veri seti sahne açıklamaları, risk değerlendirmeleri, katılımcı etiketlemeleri, ego yörüngeleri ve kamera parametrelerini içerir.
  • ScenePilot-Bench, görüş-dil modellerini sahne anlama, uzamsal algılama, hareket planlama ve GPT tabanlı anlamsal hizalama konularında değerlendirir.
  • Karşılaştırma sonuçları, mevcut modellerin sahne semantiklerinde güçlü, ancak geometriye duyarlı algılama ve planlamada zayıf olduğunu göstermektedir.
  • Önerilen etiketleme işlem hattı, kamuya açık internet sürüş videolarından veri setleri oluşturmak için yeniden kullanılabilir ve genişletilebilir bir yöntemdir.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Özet (abstract)

Abstract In this paper, we introduce ScenePilot-4K, a large-scale first-person dataset for safety-aware vision-language learning and evaluation in autonomous driving. Built from public online driving videos, ScenePilot-4K contains 3,847 hours of video and 27.7M front-view frames spanning 63 countries/regions and 1,210 cities. It jointly provides scene-level natural-language descriptions, risk assessment labels, key-participant annotations, ego trajectories, and camera parameters through a unified multi-stage annotation pipeline. Building on this dataset, we establish ScenePilot-Bench, a standardized benchmark that evaluates vision-language models along four complementary axes: scene understanding, spatial perception, motion planning, and GPT-based semantic alignment. The benchmark includes fine-grained metrics and geographic generalization settings that expose model robustness under cross-region and cross-traffic domain shifts. Baseline results on representative open-source and proprietary vision-language models show that current models remain competitive in high-level scene semantics but still exhibit substantial limitations in geometry-aware perception and planning-oriented reasoning. Beyond the released dataset itself, the proposed annotation pipeline serves as a reusable and extensible recipe for scalable dataset construction from public Internet driving videos.

Yazarların özeti; kaynağından alınmıştır. Communications in Transportation Research, 2026 · DOI ↗

ÇıkarımlarPremium
Makaleye SorÜcretsiz hesapla

Ücretsiz hesapla devam et

Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.

Web'de ücretsiz devam et

Google ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.

Telefonda:

Alan: Bilgisayarlı Görü ve Örüntü Tanıma

Computer Vision and Pattern RecognitionComputer Science