スパルシュ・ガーグ氏らの研究チームは2026年8月19日(現地時間)、自動運転システムにおける交通事故の原因推論能力に関する研究を発表した。研究では、実世界の事故動画に注釈を付与したデータセット「CAViAR (Causal Accident Video and Incident Analysis Repository)」を導入。最新の視覚言語モデル（VLMs）が事故タイプや責任の推論において大幅な性能低下を示す「Perception-Reasoning Gap」が存在すると指摘した。
この研究は、自動運転システムが物体検出や軌道予測といった知覚タスクに優れる一方で、交通事故を解釈するために必要な高レベルの因果推論、特に責任の特定や交通規則違反の特定が、既存のベンチマークでは十分に探求されていないという課題意識から生まれたと見られている。
CAViARデータセットは、CarCrashDataset (CCD) と Nexar から収集された2,249本のリアルなダッシュカム事故動画で構成されている。各動画には、環境条件、事故タイプ、因果関係の説明、責任を負う主体 (At-Fault Agent)、影響を受ける主体 (affected agent)、およびルール違反カテゴリといった構造化されたラベルが付与された。
研究チームは、Cosmos-Reason2、Qwen3-VL、InternVL3などの最先端の視覚言語モデル (VLMs) を用いてベンチマークを実施した。その結果、クラスの不均衡を考慮し、バランスの取れた評価指標で見た場合、知覚能力にはばらつきがあることが判明した。例えば、照明条件の認識はほぼ解決されているものの、天候や路面状況の認識精度は多数派クラスのベースライン以下に留まった。さらに、全てのモデルが事故タイプと責任の推論において大幅な性能低下を示している。
この結果は、現在のVLMsが顕著な文脈を認識できる一方で、安全性が重視される運転シナリオにおいて、視覚的に捉えられた主体行動を、注釈付けされたルール関連の責任カテゴリに確実にマッピングできていないことを示唆している。本研究は、ECCV 2026 Workshop DriveX に採択されている。
参考: arXiv cs.CV (アーカイブ) — 2026年8月21日 13:00 (JST)