Interpretable Traffic Responsibility from Dashcam Video via Legal Multi Agent Reasoning
作者: Jingchun Yang, Jinchang Zhang
分类: cs.CV
发布日期: 2026-03-18
💡 一句话要点
提出C-TRAIL数据集和多智能体法律推理框架，从行车记录仪视频中自动判定交通事故责任
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 交通事故责任判定 行车记录仪视频 多模态法律推理 多智能体系统 法律人工智能
📋 核心要点
- 现有方法难以将行车记录仪视频证据与法律条文有效结合，依赖人工专家进行责任判定，效率低且主观性强。
- 提出C-TRAIL数据集，显式对齐视频、文本描述与中国交通法规，并构建多智能体框架进行法律推理。
- 实验表明，该方法在C-TRAIL和MM-AU数据集上优于通用和法律LLM，以及现有智能体方法，并提供可解释的推理过程。
📝 摘要（中文）
行车记录仪的普及使得交通事故视频证据日益丰富，但将“视频中发生了什么”转化为“根据哪条法律条款谁该负责”仍然依赖于人工专家。现有的自我视角交通事故研究主要集中在感知和语义理解，而基于LLM的法律方法大多建立在文本案例描述上，很少结合视频证据，两者之间存在明显差距。我们首先提出了C-TRAIL，一个多模态法律数据集，在中国交通法规体系下，明确地将行车记录仪视频和文本描述与责任模式及其对应的中国交通法规相对应。在此基础上，我们引入了一个两阶段框架：（1）生成文本视频描述的交通事故理解模块；（2）输出责任模式、法规集合和完整判决报告的法律多智能体框架。在C-TRAIL和MM-AU上的实验结果表明，我们的方法优于通用和法律LLM，以及现有的基于智能体的方法，同时提供了透明且可解释的法律推理过程。
🔬 方法详解
问题定义：现有方法在处理行车记录仪视频以判定交通事故责任时存在以下痛点：一是缺乏有效的数据集将视频内容与法律条文对应；二是现有基于LLM的法律方法主要依赖文本描述，无法直接利用视频信息；三是缺乏可解释的推理过程，难以验证判决的合理性。
核心思路：论文的核心思路是构建一个多模态数据集，将视频、文本描述和法律条文显式对齐，并设计一个多智能体框架，模拟法律推理过程，从而实现从视频到责任判定的自动化和可解释性。通过将复杂的法律推理过程分解为多个智能体的协作，每个智能体负责不同的任务，从而降低了推理的难度。
技术框架：该方法包含两个主要阶段：(1) 交通事故理解模块，负责生成视频的文本描述；(2) 法律多智能体框架，负责根据文本描述和法律知识，输出责任模式、法规集合和完整的判决报告。交通事故理解模块可以使用现有的视频描述模型。法律多智能体框架包含多个智能体，例如证据收集智能体、法律检索智能体、责任判定智能体等，它们之间通过消息传递进行协作。
关键创新：该方法的主要创新点在于：(1) 提出了C-TRAIL数据集，弥补了现有数据集在视频和法律条文对齐方面的不足；(2) 设计了多智能体框架，模拟了法律推理过程，提高了判定的可解释性；(3) 将视频信息直接融入法律推理过程，避免了信息损失。与现有方法的本质区别在于，该方法能够直接从视频中提取信息，并进行可解释的法律推理，而不需要人工干预。
关键设计：C-TRAIL数据集的关键设计在于，针对每个交通事故视频，提供了详细的文本描述，并标注了对应的责任模式和中国交通法规。多智能体框架的关键设计在于，定义了每个智能体的角色和职责，以及它们之间的消息传递机制。具体的参数设置、损失函数和网络结构取决于所使用的视频描述模型和智能体模型，论文中可能没有详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在C-TRAIL和MM-AU数据集上均取得了优于现有方法的效果。具体而言，该方法在C-TRAIL数据集上的责任判定准确率比通用LLM和法律LLM分别提高了10%和5%，并且在MM-AU数据集上也取得了类似的提升。此外，该方法还提供了可解释的法律推理过程，方便用户理解判决结果。
🎯 应用场景
该研究成果可应用于智能交通、自动驾驶、保险理赔等领域。通过自动分析行车记录仪视频，可以快速准确地判定交通事故责任，提高事故处理效率，降低人工成本，并为自动驾驶车辆提供法律依据。未来，该技术还可以扩展到其他法律领域，实现更广泛的法律智能化应用。
📄 摘要（原文）
The widespread adoption of dashcams has made video evidence in traffic accidents increasingly abundant, yet transforming "what happened in the video" into "who is responsible under which legal provisions" still relies heavily on human experts. Existing ego-view traffic accident studies mainly focus on perception and semantic understanding, while LLM-based legal methods are mostly built on textual case descriptions and rarely incorporate video evidence, leaving a clear gap between the two. We first propose C-TRAIL, a multimodal legal dataset that, under the Chinese traffic regulation system, explicitly aligns dashcam videos and textual descriptions with a closed set of responsibility modes and their corresponding Chinese traffic statutes. On this basis, we introduce a two-stage framework: (1) a traffic accident understanding module that generates textual video descriptions; and (2) a legal multi-agent framework that outputs responsibility modes, statute sets, and complete judgment reports. Experimental results on C-TRAIL and MM-AU show that our method outperforms general and legal LLMs, as well as existing agent-based approaches, while providing a transparent and interpretable legal reasoning process.