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
- 3atıf
- Q1SCImago
- 2026yıl
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 ↗
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 etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayarlı Görü ve Örüntü Tanıma
Computer Vision and Pattern RecognitionComputer Science