Vision-Language Model を活用した衝突図生成の自動化：多車線円周路の事例研究

arXiv:2604.15332v1 発表タイプ：横断 要約：衝突図は交通安全分析における不可欠なツールですが、手動作成には時間がかかり、人的なばらつきが生じやすいという課題があります。本ศึกษาは、警察の事故報告書から衝突図を生成するために Vision-Language Models（VLMs）を用いる方法を調査し、困難なテストケースである多車線円周路に焦点を当てています。モデルの推論を解釈、抽出、視覚的統合の 3 つの段階へ誘導するための 3 段階構造化プロンプトフレームワークを開発するとともに、10 つのメトリックからなる評価システムを設計し、概念的整合性、空間忠実性、そして視覚的な明確さといった観点から図の品質を評価しました。GPT-4o、Gemini-1.5-Flash、Janus-4o という 3 つの人気モデルは、79 件の事故報告書を用いてテストされました。GPT-4o は平均して最も高いパフォーマンス（10 点満点の 6.29 点）を示し、Gemini-1.5-Flash（5.28 点）と Janus-4o（3.64 点）が続きました。分析は、GPT-4o が卓越した空間推論能力と、抽出されたデータと視覚化されたデータとの整合性が見出されました。これらの結果は、VLMs が工学的可視化タスクにおける可能性と現在の限界を浮き彫りにしました。本研究は、生成 AI を事故解析ワークフローに統合し、効率性、一貫性、解釈可能性を向上させるための土台を築きます。

arXiv:2604.15332v1 Announce Type: cross Abstract: Crash diagrams are essential tools in transportation safety analysis, yet their manual preparation remains time-consuming and prone to human variability. This study investigates the use of Vision-Language Models (VLMs) to automate crash diagram generation from police crash reports, focusing on multilane roundabouts as a challenging test case. A three-part structured prompt framework was developed to guide model reasoning through interpretation, extraction, and visual synthesis, while a 10-metric evaluation system was designed to assess diagram quality in terms of semantic accuracy, spatial fidelity, and visual clarity. Three popular models, including GPT-4o, Gemini-1.5-Flash, and Janus-4o, were tested on 79 crash reports. GPT-4o achieved the highest average performance (6.29 out of 10), followed by Gemini-1.5-Flash (5.28) and Janus-4o (3.64). The analysis revealed GPT-4o's superior spatial reasoning and alignment between extracted and visualized crash data. These results highlight both the promise and current limitations of VLMs in engineering visualization tasks. The study lays the groundwork for integrating generative AI into crash analysis workflows to improve efficiency, consistency, and interpretability.