Beyond the Beep: Scalable Collision Anticipation and Real-Time Explainability with BADAS-2.0

Título: Beyond the Beep: Antecipação de Colisão Escalável e Explicabilidade em Tempo Real com BADAS-2.0

1. O Problema

A antecipação de colisões baseada em perspectiva do veículo (ego-centric) — prever se o veículo que grava estará envolvido em uma colisão — é uma tarefa distinta e mais difícil do que a detecção geral de acidentes. O sistema anterior, BADAS-1.0, demonstrou que o ajuste fino (fine-tuning) do modelo V-JEPA2 em dados de dashcam superava as bases acadêmicas e sistemas ADAS comerciais. No entanto, o BADAS-1.0 enfrentava três limitações críticas não resolvidas:

1. Corpus de Treinamento Insuficiente: A base de dados de 40.000 clipes carecia de cenários de "cauda longa" (long-tail), como cruzamentos noturnos, condições climáticas adversas e animais, levando a um desempenho frágil nessas categorias.
2. Custo de Inferência: O tempo de inferência de 2,5 segundos por janela de vídeo impedia a implantação em dispositivos de borda (edge devices) para uso em tempo real.
3. Falta de Explicabilidade: O sistema fornecia apenas uma pontuação de risco escalar, sem explicar qual objeto ou região da cena disparou o alerta, dificultando a confiança do operador e a integração com sistemas de planejamento.

2. Metodologia

O BADAS-2.0 aborda essas limitações através de um arco integrado que envolve coleta inteligente de dados, treinamento de modelos mais robustos, destilação de conhecimento para a borda e adição de camadas explicativas.

• Coleta Inteligente de Dados (Mineração Ativa):

  • Utilizou-se o BADAS-1.0 como um "oráculo ativo" para classificar milhões de clipes de vídeo não rotulados da frota da Nexar. Clipes com alto risco foram selecionados para revisão humana (Human-in-the-Loop).
  • Integração com a plataforma Nexar Atlas para extração geoespacial direcionada de cenários raros (neve, neblina, animais, infraestrutura).
  • O corpus de treinamento expandiu-se de 40k para 178.500 vídeos rotulados (aproximadamente 2 milhões de clipes), cobrindo 10 grupos de cenários de cauda longa.

• Arquitetura do Modelo Principal (BADAS-2.0):

  • Baseado no V-JEPA2 (ViT-L, 300M parâmetros).
  • Utiliza um objetivo de predição de futuro: a rede prevê a representação da cena 1 segundo à frente e concatena com as características atuais para capturar a dinâmica iminente.
  • Treinamento com oversampling de exemplos negativos (2:1) e técnicas de regularização avançadas.

• Destilação de Conhecimento para a Borda (Edge):

  • Pré-treinamento Auto-supervisionado (SSL): Antes do treinamento supervisionado, modelos menores (ViT-S e ViT-B) foram pré-treinados em 2,25 milhões de vídeos não rotulados de dashcam usando a tarefa de predição de características mascaradas (estilo V-JEPA). Isso alinha as representações ao domínio de direção antes de qualquer rótulo.
  • Destilação (Knowledge Distillation - KD): Um modelo "professor" (BADAS-2.0 ViT-L) foi usado para treinar modelos "aluno" menores (BADAS-2.0-Flash com 86M parâmetros e BADAS-2.0-Flash-Lite com 22M parâmetros).
  • A função de perda combinou perda de classificação (BCE), destilação de logits (KL-divergência) e destilação de características intermediárias.

• Explicabilidade (BADAS-Reason):

  • Mapas de Calor: Extração de pesos de atenção do encoder para gerar mapas de calor espaciais que destacam os objetos de risco.
  • Modelo de Linguagem (VLM): O BADAS-Reason utiliza um modelo de linguagem-vision (Qwen3-VL-4B) ajustado via QLoRA. Ele recebe o último quadro do vídeo, o mapa de calor e gera uma descrição textual estruturada da ameaça e uma ação recomendada para o motorista (ex: "Pedestre entrando da calçada direita. Freie imediatamente").

3. Principais Contribuições

1. Benchmark de Cauda Longa: Introdução de um novo benchmark com 10 grupos (animais, ciclistas, neblina, etc.) e 888 clipes verificados manualmente, servindo como teste padrão para robustez em cenários raros.
2. Pipeline de Mineração de Dados Escalável: Demonstração de como um modelo implantado pode atuar como oráculo para expandir datasets de forma eficiente, focando em casos difíceis.
3. Eficiência de Borda com Alta Precisão: A combinação de SSL específico de domínio e destilação permitiu criar modelos 12x mais rápidos que o original, mantendo precisão quase idêntica, viabilizando a execução em hardware de borda (Jetson Thor).
4. Explicabilidade em Tempo Real: Integração de mapas de calor e raciocínio linguístico natural, transformando uma "caixa preta" em um sistema transparente que justifica suas decisões.

4. Resultados

• Precisão no Benchmark de Cauda Longa: O BADAS-2.0 superou consistentemente o BADAS-1.0 em todos os grupos.
  • No grupo Animal (o mais difícil), o Early Warning Recall (EWR) subiu de 66,1% para 78,9%, enquanto a taxa de falsos positivos (FPR) caiu de 7,4% para 3,7%.
  • Em cenários de Infraestrutura e Neve, alcançou-se desempenho quase perfeito (F1 ≥ 0,98).
• Eficiência e Escala:
  • O BADAS-2.0-Flash-Lite (22M parâmetros) alcançou um AP de 0,984 no benchmark de cauda longa, superando modelos VLM massivos (como Cosmos-BADAS com 2B parâmetros, AP 0,941) com 91x menos parâmetros.
  • Latência: A latência de ponta a ponta caiu de 2,5 segundos (BADAS-1.0) para 35 ms (BADAS-2.0 padrão) e 2,8 ms (Flash-Lite) em hardware A100, permitindo execução em tempo real (<125 ms) em dispositivos de borda.
• Explicabilidade:
  • O BADAS-Reason reduziu a perplexidade em 87% e melhorou a precisão de correspondência de ação em 3,6x em comparação com a linha de base zero-shot.
  • Os modelos destilados (Flash) mostraram mapas de calor mais focados e precisos do que o modelo grande original, devido ao pré-treinamento SSL específico de domínio.

5. Significado e Conclusão

O BADAS-2.0 demonstra que o avanço na antecipação de colisões é fundamentalmente um problema de dados e representações, e não apenas de arquitetura de rede.

• O Ciclo Virtuoso: O trabalho destaca o valor de um modelo implantado: ele serve como o "anotador mais barato" para encontrar casos difíceis, gera dados de atenção para treinar modelos explicativos e fornece incerteza calibrada para destilar em modelos menores.
• Pré-treinamento Específico de Domínio: A ablação mostrou que o pré-treinamento SSL em dados de direção é crucial; sem ele, modelos pequenos falham completamente (AP ~0,69), mas com ele, atingem qualidade de produção (AP ~0,97) antes mesmo da destilação.
• Impacto Prático: Ao resolver o problema da latência e adicionar explicabilidade, o BADAS-2.0 torna viável a implantação de sistemas de antecipação de colisões de alta precisão em veículos reais, movendo-se de simples alertas sonoros ("beep") para sistemas de assistência ao motorista inteligentes e compreensíveis.

O código de inferência e os benchmarks de avaliação estão disponíveis publicamente.