この記事は、2025年のIROSにおけるRoboSense Challengeにおける我々のソリューションを紹介しています。この技術報告では、自律運転のシーン理解を評価するための視覚-言語モデル（VLM）を用いた手法が提案されています。提案されたフレームワークは四つの主要な要素から構成されています。まず、Mixture-of-Promptsルーターを使用して質問を分類し、タスク特化型の専門プロンプトに振り分け、多様な質問タイプ間の干渉を排除します。次に、タスク特有のプロンプトは明示的な座標系や空間推論のルールを組み込み、それぞれのタスクに応じた短い例を提供します。さらに、視覚的アセンブリモジュールが画像を要求に基づいて組み立てます。最後に、モデルの推論パラメータをタスクごとに設定し、出力品質を最適化します。このアプローチはQwen2.5-VL-72Bで実装され、洗浄データ段階で70.87%、破損データ段階で72.85%の精度を達成しています。この成果は、自律運転タスクにおけるVLMの性能を大幅に向上させることを示しています。