STRIDE-QA-Miniは、自動運転シナリオにおける視覚言語モデル（VLM）の時空間推論能力を研究するために設計された、自動運転のための質問応答データセットです。このデータセットには、103,220の質問応答ペアと5,539の画像サンプルが含まれています。このデータは、東京（市街地、郊外、高速道路環境、様々な気象条件）で収集された実際のドライブレコーダー映像から得られています。

データセットの構造

• オブジェクト中心空間質問応答（19,895の質問と回答のペア）：2台の外部車両間の関係

• 自己中心的空間質問応答（54,390の質問と回答のペア）：自分の車と他の車の関係

• 自己中心的時空間質問応答（28,935の質問と回答のペア）：将来の距離と方向の予測タスク