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

引用

@misc{strideqa2025、 title={STRIDE-QA: 都市部の運転シーンにおける時空間推論のための視覚的質問応答データセット}, author={石原啓史、佐々木健人、高橋翼、塩野大樹、山口優}, 年={2025}、 eprint={2508.10427}、 archivePrefix={arXiv}、 primaryClass={cs.CV}、 url={https://arxiv.org/abs/2508.10427}、 }