Riepilogo Tecnico: DriveSafe AI

Problematica

La sonnolenza del conducente è una delle principali cause di decessi stradali a livello globale, tuttavia l'implementazione di sistemi di rilevamento efficaci affronta due barriere primarie: elevati tassi di falsi allarmi che erodono la fiducia del conducente e fallimenti catastrofici quando i modelli incontrano soggetti o condizioni di ripresa non previsti (generalizzazione cross-dataset). La letteratura esistente rivela un compromesso fondamentale: i modelli ad alta precisione richiedono spesso hardware desktop pesanti, mentre i modelli leggeri compatibili con l'edge sacrificano l'accuratezza. Inoltre, la maggior parte dei sistemi viene valutata solo sulle proprie distribuzioni di addestramento, mascherando i fallimenti di generalizzazione. Questo documento identifica una fonte trascurata di perdita di accuratezza: la pipeline di pre-elaborazione, specificamente il passaggio tra il rilevamento del volto e la classificazione.

Metodologia

Il sistema proposto, DriveSafe AI, impiega una decomposizione sistematica della pipeline per isolare i colli di bottiglia dell'accuratezza. L'architettura consiste in:

1. Pipeline di Sistema: I fotogrammi della webcam subiscono il rilevamento del volto tramite SSD (Single Shot Multibox Detector), seguiti dalla pre-elaborazione CLAHE (Contrast Limited Adaptive Histogram Equalization), classificazione tramite MobileNetV2 e un protocollo di confidenza a tre zone.
2. Pre-elaborazione Adattiva CLAHE: A differenza della standard regolazione della luminosità globale, CLAHE opera su regioni di tassellazione locale per normalizzare l'illuminazione non uniforme (ad es. bagliore del cruscotto, illuminazione in galleria), colmando il divario di dominio tra i dataset di addestramento e di test.
3. Protocollo di Confidenza a Tre Zone: Per eliminare i falsi allarmi, il sistema suddivide gli output del classificatore in tre zone: Attivo (bassa probabilità), Incertezza (probabilità intermedia) e Fatica (alta probabilità). Il sistema rifiuta di classificare gli input che cadono nella zona "Incertezza", mantenendo un'elevata copertura pur filtrando il rumore.
4. Calibrazione Few-Shot Adattiva al Soggetto: Per affrontare il divario di generalizzazione tra i soggetti, il sistema implementa un protocollo di fine-tuning few-shot. Ricevendo solo $k=30$ fotogrammi etichettati (circa 1 secondo di video) da un nuovo conducente, il modello:
   • Congela tutti i livelli tranne gli ultimi cinque.
   • Esegue il fine-tuning sui fotogrammi di adattamento con data augmentation (flip, jitter della luminosità, rumore, cutout).
   • Calibra una soglia decisionale per singolo soggetto.
   • Applica la Test-Time Augmentation (TTA) e lo smoothing temporale su una finestra scorrevole di 5 fotogrammi.
   • Nota: Il protocollo supporta una variante semi-supervisionata in cui i 30 fotogrammi devono essere solo "attivi" (svegli), raccolti durante il primo minuto di guida, eliminando la necessità di etichettatura manuale della fatica all'avvio.

Contributi Chiave

Il documento presenta quattro contributi primari:

1. Decomposizione della Pipeline: Una metodologia che isola i contributi di accuratezza per ogni fase, identificando il passaggio del rilevamento del volto SSD come la principale modalità di fallimento, introducendo un divario di accuratezza di 12,1 punti percentuali, superiore a qualsiasi variazione architettonica testata.
2. Pre-elaborazione Adattiva CLAHE: Una tecnica che colma il divario di dominio cross-dataset attraverso la normalizzazione dell'illuminazione, migliorando l'accuratezza sul dataset UTA-RLDD dal 33,3% al 99,0%.
3. Protocollo di Confidenza a Tre Zone: Un meccanismo che elimina i falsi allarmi attraverso la predizione selettiva, rifiutando gli input incerti pur mantenendo un punteggio F1 del 94,7%.
4. Calibrazione Adattiva al Soggetto: Un metodo di calibrazione few-shot che eleva l'accuratezza media Leave-One-Subject-Out (LOSO) dal 53,2% al 96,1%, dimostrando la fattibilità di un rilevamento personalizzato ed eseguibile su dispositivi edge.

Risultati Sperimentali

Gli esperimenti sono stati condotti utilizzando il dataset akahana per l'addestramento in-distribution e il benchmark UTA-RLDD (60 soggetti) per la valutazione cross-subject.

• Impatto della Pre-elaborazione: Senza CLAHE, l'accuratezza cross-dataset è scesa al 33,3% a causa della varianza dell'illuminazione. Con CLAHE, l'accuratezza ha raggiunto il 99,0%, un miglioramento di 65,7 punti percentuali.
• Prestazioni di Generalizzazione:
  • Baseline (Senza Adattamento): Ha raggiunto un'accuratezza media del 53,2% (±19,3% deviazione standard) sotto valutazione LOSO reale, con un tasso di falsi allarmi (FAR) del 40,9%.
  • Adattivo (Few-Shot): Ha raggiunto un'accuratezza media del 96,1% (±4,9% deviazione standard) con soli 30 fotogrammi di adattamento per soggetto. Il FAR è sceso al 5,5%, e il recall ha raggiunto il 99,2%.
• Studi di Ablazione:
  • Aumentare i fotogrammi di adattamento da $k=10$ a $k=30$ ha fornito il guadagno maggiore (+34,3 pp), superando di gran lunga i benefici di TTA o dello smoothing temporale.
  • La complessità architettonica (ad es. l'aggiunta di LSTM o caratteristiche geometriche) non è riuscita a migliorare le prestazioni rispetto alla baseline adattiva, producendo un'accuratezza inferiore (59,0%) rispetto alla baseline adattiva.
  • Quantizzazione: MobileNetV2 quantizzato a 2,4 MB dinamici (TFLite) ha raggiunto il 99,0% di accuratezza, superando MobileNetV3, le cui attivazioni hard-swish sono degradate sotto l'arrotondamento dei pesi.
• Analisi del Collo di Bottiglia: Il passaggio del rilevamento del volto SSD ha introdotto un divario di accuratezza di 12,1 punti percentuali rispetto alla classificazione dell'immagine completa, superando l'impatto delle variazioni dell'architettura del modello.

Significato e Rivendicazioni

Il documento sostiene che la barriera primaria per il rilevamento leggero della sonnolenza del conducente (DDD) non è la capacità dell'architettura neurale, ma piuttosto la robustezza della pre-elaborazione e la calibrazione specifica per il soggetto.

• Riformulazione dell'Ottimizzazione: L'autore afferma che i miglioramenti nella pre-elaborazione (specificamente la normalizzazione dell'illuminazione) e nell'adattamento dei dati producono rendimenti maggiori rispetto alla scalabilità della complessità del modello. Il divario di 12,1 pp causato dal passaggio del rilevamento è la singola fonte di errore più grande identificata.
• Fattibilità della Personalizzazione: I risultati dimostrano che la generalizzazione tra i soggetti non è una barriera insormontabile che richiede dataset massicci o architetture complesse. Al contrario, può essere risolta attraverso una calibrazione personalizzata utilizzando dati minimi (30 fotogrammi).
• Implementazione Pratica: Il sistema è progettato per l'implementazione su edge, utilizzando la quantizzazione dinamica TFLite e una pipeline di elaborazione che rientra nei vincoli temporali in tempo reale (budget di sub-40ms per fotogramma quando ammortizzato). Il protocollo di adattamento semi-supervisionato consente l'implementazione nel mondo reale senza richiedere ai conducenti di etichettare manualmente gli stati di fatica durante l'avvio del veicolo.

Lo studio conclude che gli sforzi futuri nel DDD dovrebbero dare priorità alla riduzione dei requisiti di dati di adattamento (tramite meta-learning) e alla validazione di questi protocolli adattivi su diversi dataset (NTH-DDD, ZJU-DRO), piuttosto che perseguire ulteriori innovazioni architettoniche.