Motional julkaisee nuReasoning-datan ja käynnistää ECCV-haasteen

Motional ilmoitti nuReasoning-datan julkaisusta 8. syyskuuta 2026, kuvaten sitä maailman ensimmäiseksi perusteluperusteiseksi, pitkän hännän skenaarioita käsitteleväksi avoimeksi tietoaineistoksi autonomisille ajoneuvoille, ja käynnisti siihen liittyvän tutkimushaasteen Euroopan konenäön konferenssissa (ECCV) Ruotsissa. Tietoaineisto luotiin yhteistyössä UCLA Mobility Labin ja sen johtajan, professori Jiaqi Ma:n, kanssa.

Motionalin ilmoitus asettaa nuReasoningin koulutusmateriaaliksi end-to-end autonomisille järjestelmille, kohdistuen harvinaisiin reunatapauksiin, joissa pelkkä havainnointi ei riitä. Vision-Language-Action -mallit yhdistävät kohtauksen tunnistamisen päätöksiin siitä, miten toimia, ja Motional toteaa, että tällaiset mallit tarvitsevat koulutusdataa, joka välittää ajotoiminnon logiikan eikä pelkästään oikeaa toimintaa. Tietoaineisto on suunniteltu opettamaan malleja spatiaalisiin suhteisiin, ajopäätöspäätösten perusteluihin, riskin ennakointiin ja vaihtoehtoisten lopputulosten huomioon ottamiseen.

Dataset Composition

nuReasoning sisältää 20 000 pitkän hännän skenaariota, joista jokainen on vähintään 20 sekuntia pitkä videoleike, johon on liitetty ihmisen vahvistama perusteluanotaatio. Tapahtumat on poimittu Motionalin kalustodatan perusteella, joka on kerätty Las Vegasissa, Pittsburghissa, Los Angelesissa, Bostonissa ja Singaporessa, ja yritys raportoi yli 105 tunnin perustelupainotteisia reunatapauksia, mukaan lukien epätavallista jalankulkijoiden toimintaa, työalueita ja yöaikaisia tiehankkeita, eläinten ylityksiä sekä heikosti näkyviä tilanteita. Annotaatiokokoelma sisältää yhteensä 247 000 ihmisen vahvistamaa perusteluanotaatioita kolmessa tyypissä: spatiaalinen perustelu, päätöspohjainen perustelu ja kontrafaktinen perustelu, sekä monimodaalista anturidataa kolmiulotteisen kohtauksen esittämiseen.

Virallinen nuReasoning-tietue tarjoaa lisärakenteen. Leikkeet ovat noin 20 sekuntia pitkiä ja näytteistetty 10 Hz-taajuudella, ja niistä on 17 000 koulutusleikkeet, 2 000 validointileikkeet sekä 1 000 yksityistä testileikettä. Anturidata sisältää synkronoidut moninäkökamerat, LiDARin tuetuissa leikkeissä, kalibroinnin ja ego-tilan, 3D‑objektiannojaatiot, vektoroidut HD‑kartat, liikennevalot, reittipolut ja navigaatiokäskyt. Pitkän hännän materiaalin valitsemiseksi AI‑arvioija pisteytti yli 100 000 esisuodatettua 30 sekunnin ehdokasleikettä, jotka on kerätty yli 10 000 tunnin ajosta, jonka jälkeen tehtiin ihmisen vahvistus ja avainruutujen valinta.

Spatiaalisen perustelun annotaatiot kattavat objekti‑keskeisen 2D‑3D‑ymmärryksen, kartta‑ ja topologia‑kontekstin, suhteellisen sijainnin, nopeuden, tulevan liikkeen sekä vuorovaikutuksen ego‑ajoneuvon kanssa, annotoituna 1 Hz‑taajuudella. Päätöspohjainen perustelu tallentaa kohtauksen kuvauksen, kriittiset komponentit, pituus‑ ja leveyssuuntaiset meta‑toiminnot sekä kausaalisen jäljen, joka selittää valitun käyttäytymisen. Kontrafaktinen perustelu arvioi vaihtoehtoisia ego‑toimintoja turvallisuuskriittisiä tuloksia ja riskitasoja vastaan, jotka on merkitty turvalliseksi, alitehokkaaksi tai turvattomaksi; päätös‑ ja kontrafaktiset annotaatiot on tallennettu 0,2 Hz‑taajuudella. Tietueessa todetaan myös, että tietoaineistossa käytetään yksityisyyttä suojaavaa käsittelyä, mukaan lukien ihmiskasvojen ja rekisterikilpien anonymisointi.

Motional on integroidut omaan Omnitag‑hakukoneeseensa, jonka avulla tutkijat voivat hakea jakautumia skenaario‑tyypin, vaikeustason ja sijainnin mukaan sekä suorittaa luonnollisen kielen semanttisia hakuja taktisiin vuorovaikutuksiin. Yksi yrityksen kuvaama annotoitu skenaario esittää yöaikaisen rakennustyöalueen, jossa ajoneuvo pysähtyi: annotaatio selittää, että pysähdyksen syy oli edessä oleva pieni eläin, ja että vaihtoehtoiset reitit hylättiin rakennusesteiden sekä eläimen tuntemattoman nopeuden ja suunnan vuoksi.

Yritys raportoi, että tänä vuonna aiemmin julkaistu nuReasoning‑minisetti on ladattu yli 50 000 kertaa. Julkinen julkaisu kattaa koulutus‑ ja validointiosuudet Hugging Facessa, kun taas 1 000 yksityistä testileikettä pidetään haasteen arviointia varten. GitHubissa oleva avoimen lähdekoodin devkit tarjoaa datankäsittelyn VLA‑koulutukseen, perusteluihin ja suunnittelukohteisiin, perusmalleihin sekä arviointimittareihin.

nuReasoning Challenge

Motional ja UCLA Mobility Lab isännöivät nuReasoning‑haastetta, joka lanseerattiin ECCV:ssa. Kilpailu on rakennettu yhteiseksi suunnittelun ja perustelujen arvioinniksi 1 000 yksityisessä testiskenaariossa. Pääsuunnittelutehtävä antaa osallistujille 10 sekuntia ajokontekstia — moninäkökuvat, HD‑karttatiedot, navigaatiokäskyn ja ego‑tilan — ja vaatii ennustetun ego‑trajektorian seuraaville viidelle sekunnille. Lisätehtävä perusteluille käyttää samaa kontekstia visuaaliseen kysymysten vastaamiseen, joka kattaa geometrian, liikkeen, päätöksen ja kontrafaktisen perustelun, ja tarjoaa monivalinta-, numeerisia-, koordinaatti- ja trajektorivastauksia.

Lopullinen haastepisteytys yhdistää 75 % suunnittelupisteet ja 25 % perustelupisteet, ja kokonaispalkintopotti on 10 000 $. Rekisteröinti on avoin, ja voittajat julkistetaan joulukuussa 2026 Neural Information Processing Systems -konferenssissa.

“Jotta autonomisten ajoneuvokantoja voidaan turvallisesti laajentaa, autonomisten ajamisjärjestelmien on reagoitava harvinaisiin, kaoottisiin reunatapauksiin samalla varmuudella kuin kokenut ihmiskuljettaja,” sanoi Phil Michel, Motionalin Senior Vice President of Autonomy and AI. Hän totesi, että yritys asettaa läpinäkyvän tekoälyn etusijalle, jotta reaaliaikainen päätöksenteko ja riskinarviointi voidaan selkeästi arvioida, ja että nuReasoningin avoin saatavuus tarjoaa yhteisen perustan reunatapauksien ratkaisemiseen.

Research Basis and Availability

Liitteenä oleva artikkeli, jonka otsikko on “nuReasoning: Perustelukeskeinen tietoaineisto ja vertailukoe pitkän hännän autonomiseen ajamiseen”, lähetettiin arXiviin 29. toukokuuta 2026, ja sen tekijöinä olivat UCLA:sta ja Motionalista sekä Tony Xuewei Qi projektin vetäjänä. Artikkelissa tekijät raportoivat, että vision‑language‑mallien hienosäätö nuReasoningillä parantaa merkittävästi ajamiseen liittyvää kysymys‑vastausta, ja että perusteluperustaisen ohjauksen sisällyttäminen VLA‑koulutukseen parantaa suunnittelun suorituskykyä, vaikka tekstuaaliset perustelutulosteet olisivatkin pois päältä inferenssivaiheessa. Artikkelin suunnittelumalli, nuVLA, yhdistää vision‑language‑runkoelementin trajektorigenerointiin.

nuReasoning laajentaa Motionalin avoimen datan linjaa, joka alkoi nuScenes:stä vuonna 2019, jonka yritys pitää alan ensimmäisenä monimodaalisena julkisena AV‑tietoaineistona, ja jatkuu nuImages:n, Panoptic nuScenes:n ja nuPlan:n kautta. Tietoaineistot ovat saatavilla kaupallisilla lisensseillä tai ilmaisena akateemisena käytönä Motionalin ei‑kaupallisia ehtoja ja ehtoja noudattaen.