【2026 AAAI】RoadSceneVQA:Benchmarking Visual Question Answering in Roadside Perception Systems for IT

paper: https://arxiv.org/abs/2511.18286
code: https://github.com/GuanRunwei/RS-VQA

文章目录

• 核心问题
• 核心思想
• VQA 数据集构建：RoadSceneVQA
• 方法论：RoadMind 模型
• Benchmark 与实验结果
• 主要贡献总结

核心问题

目前的路侧感知系统（如交通摄像头监控）主要侧重于实例级（Instance-level）感知，例如检测车辆、跟踪轨迹或预测交通流 。
然而，这些系统存在以下局限性：

• 缺乏交互与推理：难以通过自然语言与人类交互，也无法对交通行为进行上下文推理（例如判断某种行为是否违规）。

• 语义鸿沟：现有的基准测试多关注目标定位（坐标框），但忽略了隐含的交通规则、因果关系和行为逻辑 。

• 可解释性差：在复杂环境下缺乏处理未知事件的灵活性和解释能力 。

核心思想

该研究旨在将交通智能的评估从单纯的“感知识别”转向“受规则约束的认知推理”。通过构建一个大规模、富含上下文的路侧场景 VQA 数据集，并开发与之配套的多模态大语言模型（MLLM），使系统能够像人类一样理解交通场景、判断合法性并进行常识性推理。

VQA 数据集构建：RoadSceneVQA

研究团队构建了RoadSceneVQA，这是首个从路侧视角出发、聚焦规则意识和认知推理的基准数据集 。