VRU-Accident：面向暴露于危险场景的鲁道用户 (VRU) 的视频问答与密集描述基准

确保鲁道用户（如行人和骑行者）的安全是自动驾驶系统面临的关键挑战，因为涉及 VRU 的碰撞往往会导致严重或致命后果。虽然多模态大语言模型 (MLLM) 在增强自动驾驶车辆的场景理解和决策方面显示出前景，但目前尚无基准能定量评估其在涉及 VRU 的复杂、安全关键场景中推理能力。为此，我们提出了 VRU-Accident，一个大型视觉语言基准，用于评估 MLLM 在涉及 VRU 的高风险交通场景中的表现。VRU-Accident 包含 1K 真实世界的 dashcam 事故视频，标注了 6K 组多选问答对（涵盖 6 个安全关键类别，提供 24K 个候选选项和 3.4K 个唯一答案），以及 1K 组密集场景描述。与先前工作不同，本基准明确聚焦于 VRU-vehicle 事故，提供捕捉事故空间时间动力学和因果语义的细粒度标注。为评估当前 MLLM 的水平，我们对 17 个最先进模型在多选 VQA 任务和密集描述任务上进行了全面评估。我们的发现表明，尽管 MLLM 在视觉关联属性方面表现合理，但在推理和描述事故原因、类型及可预防性方面仍面临重大挑战。