BD-HazardVLM: sondare i modelli visione-linguaggio per individuare pericoli latenti nella guida difensiva nelle scene stradali del Bangladesh

Abstract degli autori

I modelli visione-linguaggio sono sempre più usati per comprendere le scene di guida, ma non è ancora chiaro quanto sia efficace il loro ragionamento difensivo nel traffico scarsamente strutturato del Sud globale. Presentiamo BD-HazardVLM, un benchmark diagnostico composto da 500 immagini di scene stradali del Bangladesh, di cui 375 provenienti da RSUD20K e 125 da TFP-BD, annotate per la presenza di pericoli, la categoria di pericolo principale, la tempistica del rischio, la gravità, le azioni difensive, le prove visibili e le trappole legate alle allucinazioni e ai bias verso le strade occidentali. Valutiamo Qwen2.5-VL-7B, InternVL3-8B e MiniCPM-V-4.6 usando una definizione condivisa del compito zero-shot e uno schema di output strutturato. L’accuratezza binaria nel rilevare la presenza di pericoli va dall’88,0 al 89,2 per cento, risultando sostanzialmente pari alla baseline dell’89,0 per cento della classe maggioritaria. Il ragionamento più dettagliato è notevolmente più debole: l’accuratezza nell’identificazione delle categorie resta sotto il 40 per cento, quella relativa alla tempistica del rischio va dall’1,6 al 12,4 per cento e la corrispondenza esatta delle azioni difensive resta sotto il 2 per cento. Sebbene InternVL3-8B raggiunga l’accuratezza più elevata sulla gravità, pari al 61,2 per cento, ha un richiamo pari a zero sui 58 casi ad alta gravità. Qwen mostra un grave collasso modale nell’identificazione delle categorie, mentre tutti i modelli dimostrano una scarsa capacità di anticipare i pericoli latenti e un riconoscimento delle trappole dichiarato quasi nullo. Per i modelli valutati, questi risultati mostrano che riconoscere i pericoli in modo approssimativo non implica un ragionamento affidabile e dettagliato sulla guida difensiva e spingono a valutare la sicurezza su base geografica più diversificata.