RiskProp: Collision-Anchored Self-Supervised Risk Propagation for Early Accident Anticipation

Probleemstelling

Het doel van ongelukken anticipatie (accident anticipation) is het voorspellen van naderende botsingen op basis van dashcam-video's om tijdige waarschuwingen te geven. Bestaande methoden lijden echter onder fundamentele beperkingen:

1. Subjectieve Supervisie: De meeste huidige methoden vertrouwen op handmatig geannoteerde "anomalie-start" frames (het moment waarop een gevaarlijke situatie begint). Deze annotaties zijn vaak subjectief, inconsistent tussen verschillende annotatoren en leiden tot ruis in de supervisie.
2. Binary Labeling Beperking: Bestaande benaderingen behandelen alle frames vóór een ongeval als positieve samples (label 1) en veilige frames als negatief (label 0). Dit negeert de nuance dat risico zich geleidelijk ontwikkelt. Het dwingt het model om alle pre-collision frames als even gevaarlijk te behandelen, wat leidt tot onnauwkeurige risicoschattingen en valse alarmen.
3. Gebrek aan Dynamiek: Door de starre labels kunnen modellen de echte, dynamische evolutie van risico (bijv. een geleidelijke toename versus een plotselinge piek) niet goed modelleren.

Methodologie: RiskProp

De auteurs stellen RiskProp voor, een nieuw paradigma voor zelftoezichtende (self-supervised) risicopropagatie dat is verankerd in de botsing (collision-anchored). Het systeem elimineert de noodzaak voor "anomalie-start" annotaties en gebruikt uitsluitend de betrouwbaar geannoteerde botsingsframe (collision frame) als harde supervisie.

Het framework bestaat uit drie kerncomponenten:

1. Zelftoezichtende Risicopropagatie (Future-Frame Regularization)

In plaats van vaste labels te gebruiken, maakt RiskProp gebruik van de observatie dat toekomstige frames meer definitieve bewijzen bevatten over een naderend ongeval dan huidige frames.

• Mechanisme: Het voorspelde risicoscore van het volgende frame ($t+1$) wordt gebruikt als een "zacht" supervisie-signaal (soft target) voor het huidige frame ($t$).
• Implementatie: Een Future-Frame Regularization Loss ($\mathcal{L}_{reg}$) wordt toegepast. De voorspelling van het volgende frame wordt losgekoppeld van de backpropagatie (via detach), waardoor het fungeert als een vaste target.
• Effect: Dit creëert een achterwaartse propagatie van risicosignalen. Het hoge risico van het botsingsframe ($t=T$) wordt geleidelijk teruggepropageerd naar eerdere frames, waardoor het model leert vroege, subtiele aanwijzingen (zoals traag reageren of onveilige volgafstanden) te herkennen zonder expliciete labels.

2. Adaptieve Monotone Beperking (Adaptive Monotonic Constraint)

Om de fysieke realiteit van een naderend ongeval te modelleren (waarbij het risico over het algemeen niet afneemt naarmate de botsing nadert), wordt een monotone beperking ingevoerd.

• Mechanisme: Een Adaptive Monotonic Constraint Loss ($\mathcal{L}_{mono}$) straft situaties af waarin een later frame een lagere risicoscore krijgt dan een eerder frame binnen dezelfde sequentie.
• Adaptiviteit: De strengheid van deze beperking is adaptief en hangt af van:
  1. Temporele afstand: Hoe groter de tijd tussen twee frames, hoe groter de verwachte risicotoename.
  2. Voorspellingszekerheid: Als het model zeer zeker is (scores dicht bij 0 of 1), is de beperking strenger. Bij onzekere, intermediaire scores is de beperking soepeler om korte-termijn fluctuaties toe te staan.
• Doel: Dit zorgt voor een gladde, niet-dalende risicocurve die consistent is met de realiteit, terwijl het over-regulering van tijdelijke variaties voorkomt.

3. Trainingsstrategie

• Labels: Alleen het botsingsframe krijgt een hard label van 1. Voor niet-ongeval video's krijgen alle frames label 0. Alle tussenliggende frames zijn "onbekend" en worden geleerd via de zelftoezichtende loss-functies.
• Totale Loss: De totale objectieve functie combineert de Binary Cross-Entropy (BCE) loss voor de botsingsframes met de twee regulatietermen:
  $$\mathcal{L} = \mathcal{L}_{bce} + \lambda_1 \cdot \mathcal{L}_{reg} + \lambda_2 \cdot \mathcal{L}_{mono}$$

Belangrijkste Bijdragen

1. Paradigmaverschuiving: De paper identificeert de beperkingen van binaire labeling en handmatige "anomalie-start" annotaties en introduceert een data-gedreven aanpak gebaseerd op empirische observaties (betrouwbare toekomstige cues en niet-dalende risicotrends).
2. RiskProp Framework: Een nieuw, collision-anchored zelftoezichtend paradigma dat risicoscores genereert door supervisie achterwaarts te propageren vanaf het botsingsmoment. Dit elimineert de behoefte aan subjectieve annotaties.
3. Nieuwe Loss-functies: De introductie van de Future-Frame Regularization Loss en de Adaptive Monotonic Constraint Loss om temporale consistentie en fysieke plausibiliteit te garanderen.
4. State-of-the-Art Resultaten: Uitgebreide experimenten tonen aan dat de methode superieure prestaties levert op twee grote datasets (CAP en Nexar) met gladdere, meer onderscheidende risicocurves.

Resultaten

De methode is getest op de CAP en Nexar datasets en presteert beter dan bestaande state-of-the-art methoden (zoals AdaLEA, DSTA, CRASH):

• CAP Dataset: Bereikte een mAUC0.1 van 0.483 (vs. 0.401 bij de beste concurrent) en een mTTA0.1 (gemiddelde tijd tot ongeval bij waarschuwing) van 1.207 seconden, wat aangeeft dat het systeem aanzienlijk eerder waarschuwt.
• Nexar Dataset: Bereikte een mAUC0.1 van 0.472 en een mAP van 0.870, wat een verbetering is van respectievelijk 0.079 en 0.024 ten opzichte van de tweede beste methode.
• Ablatie Studies: Toonden aan dat zowel de Future-Frame Regularization als de Monotone Constraint essentieel zijn. Zelfs met alleen het botsingslabel ("Only Collision") en zonder andere annotaties, bereikte het model prestaties die vergelijkbaar waren met of beter waren dan methoden die gebruikmaken van dure, handmatige "anomalie-start" labels.
• Kwalitatieve Analyse: De risicocurves van RiskProp vertonen minder valse alarmen tijdens veilige periodes en vertonen een scherpere, meer gecoördineerde stijging wanneer echt gevaarlijke situaties ontstaan, in tegenstelling tot bestaande methoden die vaak te vroeg pieken.

Betekenis

RiskProp biedt een schalibare en praktische oplossing voor veiligheidsystemen in autonome voertuigen en ADAS (Advanced Driver Assistance Systems). Door de afhankelijkheid van subjectieve en dure handmatige annotaties te verwijderen, maakt het de ontwikkeling van robuuste ongevalsvoorspellers makkelijker en goedkoper. De methode produceert niet alleen nauwkeurigere voorspellingen, maar ook interpreteerbare en fysiek plausibele risicocurves, wat essentieel is voor het vertrouwen van bestuurders en de veiligheid op de weg. Het bewijst dat zelftoezichtende technieken, gekoppeld aan fundamentele fysieke aannames (zoals tijdscontinuïteit en risicotoename), superieur kunnen zijn aan traditionele, zwaar geannoteerde benaderingen.