BADAS-2.0: 衝突予測とリアルタイム説明可能性の技術的サマリー

本論文は、Nexar AI によって開発された衝突予測システム「BADAS-2.0」の発表です。前世代である BADAS-1.0 の成果を踏まえ、長尾（レアケース）の精度向上、エッジデバイスへの展開可能性、そして意思決定の透明性（説明可能性）という 3 つの軸で最先端（SOTA）を達成しました。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 問題定義と背景

自己視点（Ego-centric）の衝突予測は、一般的な事故検出とは異なり、「撮影車両自身が衝突に巻き込まれるか」を予測するタスクであり、より困難です。
BADAS-1.0 は、V-JEPA2（自己教師あり学習モデル）を微調整することで、従来の RNN やトランスフォーマーベースのモデル、および商用 ADAS を凌駕する性能を示しましたが、以下の 3 つの未解決な制約が残っていました。

1. データ不足（長尾分布）: 訓練データ（4 万クリップ）が動物の横断、悪天候、夜間の交差点などの「レアケース」を十分にカバーしておらず、これらの状況での性能が不安定だった。
2. 推論コスト: 推論に 2.5 秒/ウィンドウを要し、エッジデバイス（車載機）でのリアルタイム展開が不可能だった。
3. 説明性の欠如: 出力がスカラーのリスクスコアのみであり、「どの物体が警報をトリガーしたか」や「なぜ危険なのか」という説明が提供されなかった。

2. 手法とアーキテクチャ

BADAS-2.0 は、データ収集、モデル学習、エッジ展開、説明性の 4 つの段階を統合したアプローチで上記の問題を解決しました。

2.1 知的データ収集と長尾ベンチマーク

• アクティブマイニング: 既存の BADAS-1.0 を「オラクル（判定器）」として活用し、数百万の未ラベル走行データをスキャン。高リスクと判定されたクリップを人間のアノテーターが確認する「Human-in-the-Loop (HITL)」プロセスにより、訓練データを 4 万から**178,500 動画（約 200 万クリップ）**に拡大しました。
• Nexar Atlas による標的収集: 地理空間プラットフォーム「Atlas」を用いて、動物、霧、雪、夜間交差点などの特定のレアケースを標的に収集し、訓練コーパスを強化しました。
• 10 グループ長尾ベンチマーク: 動物、自転車、歩行者、悪天候（雨・雪・霧）、交差点など 10 種類のレアケースを対象とした、手動検証済み 888 クリップの新しい評価ベンチマークを導入しました。

2.2 コアモデルの強化（BADAS-2.0）

• ベースアーキテクチャ: V-JEPA2 の ViT-L（3 億パラメータ）を基盤とし、16 フレーム（8 fps）のクリップに対してエンドツーエンドで微調整。
• 予測機構: 現在のシーン特徴量と、1 秒先の未来予測特徴量を結合し、衝突確率を出力します。
• 学習戦略: 負例と正例の比率を 2:1 に調整し、学習効率を向上。

2.3 エッジ向け知識蒸留（BADAS-2.0-Flash / Flash-Lite）

• ドメイン特化型 SSL 事前学習: 225 万の未ラベル走行動画を用いて、ViT-S（22M パラメータ）と ViT-B（86M パラメータ）を V-JEPA 方式で事前学習。これにより、ランダム初期化では学習不可能だった「車載カメラ特有の動的特性」をモデルに習得させました。
• 2 段階蒸留:
  1. SSL 事前学習: 教師なしでドメイン適応。
  2. 知識蒸留 (KD): 大規模な教師モデル（ViT-L）から学生モデルへ、確率分布（Logit）と中間特徴量を転移。
  • 結果として、BADAS-2.0-Flash (86M) と Flash-Lite (22M) を実現し、リアルタイム推論を可能にしました。

2.4 説明可能性（Heatmaps & BADAS-Reason）

• 視覚的説明: 推論時に自己注意（Self-Attention）重みから、どの画素領域が警報をトリガーしたかを可視化するヒートマップを生成（追加モジュール不要）。
• 言語的説明（BADAS-Reason）:
  • ピークリスクフレームとヒートマップを入力とし、Qwen3-VL-4B（VLM）を QLoRA 法で微調整。
  • 構造化されたテキスト（「危険の理由」と「推奨されるドライバーの行動」）をリアルタイムで生成します。

3. 主要な結果

3.1 精度の向上（長尾ベンチマーク）

• 全グループでの SOTA 達成: 10 種類の長尾カテゴリすべてにおいて、BADAS-2.0 が最高性能を記録しました。
• 動物検出: 動物の早期警告リコール（EWR）が BADAS-1.0 の 66.1% から 78.9% に向上し、誤検知率（FPR）は 7.4% から 3.7% に半減しました。
• 悪天候: 雨、雪、霧の条件下でも高い精度（F1 ≥ 0.90）を維持しました。

3.2 エッジ性能と効率性

• 推論速度:
  • BADAS-1.0: 2.5 秒/ウィンドウ
  • BADAS-2.0: 35 ms/ウィンドウ（71 倍高速化）
  • BADAS-2.0-Flash-Lite: 2.8 ms（Jetson Thor 上でも 125ms のリアルタイム制約を大幅に満たす）。
• パラメータ効率: 22M パラメータの Flash-Lite モデルは、20 億パラメータの Cosmos-BADAS（VLM ベース）よりも高い精度（AP 0.984 vs 0.941）を達成し、91 倍少ないパラメータで同等以上の性能を示しました。

3.3 説明可能性の精度

• ヒートマップ: SSL 事前学習済みモデルは、パラメータ数が少ないにもかかわらず、ViT-L モデルよりも高い「ポインティングゲーム精度（PGA）」を示し、危険領域を正確に特定しました。
• BADAS-Reason: 微調整により、ゼロショットベースラインと比較して困惑度（Perplexity）が 87% 減少し、ドライバーの行動指示の一致率が3.6 倍向上しました。

4. 論文の意義と結論

BADAS-2.0 は、衝突予測が「アーキテクチャの革新」ではなく、「データと表現の最適化」の問題であることを実証しました。

• デプロイ済みモデルの価値: 既に稼働しているモデル（BADAS-1.0）をオラクルとして活用し、人間が気づかない難易度の高いケースを自動的に抽出するループが、データ収集の効率を劇的に高めました。
• ドメイン適応の重要性: 一般動画データではなく、ドメイン固有の SSL 事前学習が、エッジ向け軽量モデルの性能を「ランダム初期化」から「実用レベル」へと引き上げる決定的な要因であることが示されました。
• 透明性と実用性: 単なるリスクスコアだけでなく、「なぜ危険か」という視覚・言語的説明をリアルタイムで提供することで、ADAS システムの信頼性と実用性を飛躍的に向上させました。

本システムは、Nexar プラットフォームを通じて企業向けに提供されており、コードと評価ベンチマークも公開されています。今後の課題として、動物検出のさらなる向上や、軌道予測を組み合わせた「回避行動の提案」機能の開発が挙げられています。