Mobil self-driving menjadi semakin tidak rabun
Mereka tampak seperti lukisan titik karya Damien Hirst: lingkaran warna-warni yang tampaknya diproyeksikan dengan acuh tak acuh ke layar putih. Tapi gambar ajaib itu sama sekali bukan seni, mereka menunjukkan kepada dunia seperti yang dilihat oleh radar mobil robot.
Orang waras tidak bisa berbuat apa-apa, tapi sistem belajar mandiri Timo Winterling melihat sebuah van, truk dengan trailer, tiang lampu, pejalan kaki, pengendara sepeda. Ketika Winterling, spesialis radar di divisi mengemudi otonom Bosch, menunjukkan foto untuk perbandingan yang diambil bersamaan dengan kamera biasa, pengamat manusia tiba-tiba melihatnya juga.
Radar melihat lebih banyak daripada kamera, karena dalam foto tersebut sebagian besar truk tersembunyi di balik sebuah van. Truk itu terlihat karena radar dipasang rendah di bemper depan dan algoritma komputer mengenali pantulan dari bagian bawah truk, kata Winterling.
Bedakan antara pejalan kaki dan pengendara sepeda
Selamat datang di dunia yang indah Pembelajaran mesin, komputer yang belajar sendiri untuk memahami dunia di sekitar mereka. Hal ini dilakukan dengan memberikan algoritma pembelajaran mandiri dengan rangkaian data yang tak ada habisnya dan kemudian memberi tahu mereka apa yang mereka lihat. Latih komputer cukup lama dan pada akhirnya komputer akan mampu membedakan antara sapi dan anjing. Atau, dalam kasus mobil tanpa pengemudi, alat bantu jalan bagi pengendara sepeda.
Mengapa Anda menggunakan radar untuk ini, seperti yang dilakukan para peneliti di pusat pengujian baru di Immendingen, Jerman selatan, tempat Bosch dan Daimler bekerja sama dalam pembuatan mobil robot. Kamera biasa dapat membedakan objek dengan lebih baik, jadi mengapa menggunakan radar? Para peneliti harus. Karena mobil yang sepenuhnya self-driving mempunyai masalah: jika salah satu sensornya rusak, ia langsung rabun dan tidak bisa melaju lebih jauh. Apalagi kedepannya tidak akan ada lagi setir di dalam mobil sehingga pengemudi manusia tidak bisa lagi berperan sebagai cadangan. Komputer akan segera mampu menanganinya sendiri, bahkan jika mobil melaju dalam kabut dan kamera kehilangan pandangan, misalnya.
Jadi penemuan yang disambut baik adalah bahwa radar yang ada di dalam pesawat juga dapat mengenali objek – sebuah tugas yang tidak dirancang untuk itu.
Kadang-kadang cara radar mengenali objek hampir tidak dapat ditiru, kata rekan Winterling, Jakob Lombacher dari Daimler, perusahaan induk Mercedes-Benz: “Pejalan kaki yang berjalan dikenali karena tubuh bagian atasnya memiliki kecepatan yang berbeda dari kecepatan kakinya.” Radar segera melihat perbedaan kecepatan antara kaki dan badan, dan fitur unik ini membantu sistem membuat klasifikasi yang benar dan bahkan menentukan arah mana pejalan kaki berjalan – penting untuk menentukan apakah mobil dan orang tersebut mungkin berada di jalur tabrakan. .
Fusi sensor
Ada keuntungan lain: kombinasi data dari sensor menciptakan gambaran dunia yang lebih dapat diandalkan daripada yang bisa digambarkan oleh sensor mana pun. Penggabungan semua jenis tipe data ini disebut fusi sensor dan dipandang sebagai teknologi penting untuk mobil self-driving.
Fusi sensor adalah komponen yang juga sedang dikerjakan oleh Dariu Gavrila, Profesor Kendaraan Cerdas di TU Delft. Gavrila, yang sebelumnya melakukan penelitian tentang algoritme pengenalan pejalan kaki di Daimler, telah memimpin kelompok penelitian baru sejak tahun lalu, yang kini mempekerjakan dua puluh peneliti.
“Mobil otonom biasanya memiliki tiga jenis sensor,” katanya. “Pemindai laser atau lidar, kamera, dan radar biasa.” Trio ini membentuk indra mobil. Setiap sensor mempunyai kekuatan dan kelemahannya masing-masing. Misalnya, radar dapat mengukur jarak dan kecepatan secara akurat serta dapat melihat pada malam hari dan menembus kabut, namun kurang baik dalam membedakan ketinggian, hanya karena ‘terlihat’ pada bidang datar horizontal. Lidar di atap menciptakan gambar 3D dari seluruh lingkungan, tetapi kurang melihat detail dibandingkan kamera stereo di belakang kaca depan. Oleh karena itu, untuk memberikan visibilitas yang baik pada mobil, ketiganya harus digunakan, dengan kekuatan masing-masing sensor digunakan secara optimal.
Pengenalan gambar waktu nyata
Menyatukan semua informasi mempunyai banyak tantangan. Ambil contoh segudang data yang dihasilkan sensor; puluhan megabyte per detik. Data ini harus diproses dan dianalisis secara real time, yang membutuhkan daya komputasi yang besar.
Hal ini terlihat saat Gavrila memperlihatkan bagasi terbuka Toyota Prius yang digunakan divisinya sebagai mobil uji berkendara otonom. Ruangan itu penuh dengan peralatan komputer.
Saat ini Prius ‘otonom’ besutan TU Delft ini masih dikendarai secara manual, namun seluruh sensor sudah ada di dalamnya, termasuk turret lidar yang bersirkulasi cepat di bagian atap. Komputer di bagasi menganalisis gambar yang masuk seolah-olah mereka sedang mengemudi secara mandiri, namun kemudi selama berkendara di sekitar kampus Delft masih berada di tangan profesor. Saat Anda mengemudi, monitor menunjukkan apa yang ‘dilihat’ oleh komputer dan pengguna jalan lain yang dikenalinya.
Pejalan kaki, pengendara sepeda, dan mobil dibingkai dengan kotak berwarna untuk menunjukkan bahwa perangkat lunak telah melihatnya. Jenis pengenalan gambar real-time ini telah meningkat secara eksponensial dalam sepuluh tahun terakhir berkat pembelajaran mesin, kata profesor Delft. Algoritma kini juga dapat menentukan ke arah mana seseorang berjalan dan membantu menentukan, antara lain, posisi tubuh dan arah wajah, apa niatnya – salah satu tujuan penelitian terpenting departemen Gavrila dan diperlukan untuk kelancaran integrasi diri. -mengemudi mobil ke lalu lintas kota normal.
Hemat waktu sedetik
Berdasarkan jenis isyarat ini, sistem paling modern mengenali sedetik lebih awal jika sebuah mobil berada dalam bahaya bertabrakan dengan pejalan kaki. Tampaknya ini merupakan penghemat waktu yang kecil, namun pada kecepatan yang lebih tinggi, hal ini dengan cepat berarti perbedaan antara bertahan, melepaskan throttle dan membelok, berhenti darurat atau lebih buruk lagi.
Ada dua cara untuk menggabungkan data dari sensor yang berbeda, Gavrila menjelaskan nanti di kantornya. Yang pertama melibatkan penggabungan semua data dari sensor dan pembelajaran mesin harus memahami sup primordial biner – ini disebut fusi sensor ‘awal’. Dengan opsi kedua, data dari masing-masing sensor diproses dan diklasifikasikan secara terpisah (sensor 1: Saya melihat pejalan kaki, sensor 2: Saya melihat pengendara sepeda, sensor 3: Saya melihat pejalan kaki) dan baru kemudian informasi tersebut digabungkan, mis. dengan keputusan mayoritas: pejalan kaki. Ini adalah fusi sensor yang ‘terlambat’.
Keuntungan fusi sensor awal adalah pembelajaran mesin dapat mengekstrak lebih banyak informasi dari berbagai data sensor; tidak ada yang dibuang dan ini bisa menjadi keuntungan dibandingkan dengan fusi sensor akhir, di mana setiap sensor harus menarik kesimpulan dari persepsinya yang terbatas. Di sisi lain, jumlah data yang akan dianalisis dengan penggabungan awal jauh lebih besar, sehingga mengancam terjadinya kemacetan lalu lintas – bukan di jalan raya, namun di komputer di bagasi. Oleh karena itu, fusi sensor akhir dipilih dalam praktiknya. “Kami belum memutuskan sekolah mana yang akan menang,” kata Gavrila. “Mungkin akan ada bentuk hibrida.”
Langkah-langkah menengah
Setelah pengguna jalan lain terdeteksi dan diklasifikasikan, algoritma lain mencoba menentukan niat mereka (‘pejalan kaki mengancam untuk menyeberang jalan’), setelah itu penghitungan probabilitas digunakan untuk menentukan, misalnya, kemungkinan tabrakan. Setelah langkah ini, mobil menerima instruksi untuk menyetir, mengerem, dan melepaskan gas. Ini terjadi beberapa kali per detik. “Pendekatan langkah demi langkah ini pada akhirnya memerlukan lebih sedikit data untuk diproses,” kata Gavrila. Langkah-langkah perantara memudahkan untuk mendeskripsikan dunia. Keputusan yang diambil oleh mobil juga dapat dijelaskan dengan lebih baik oleh manusia setelahnya. Dengan fusi sensor yang terlambat, kita dapat melihat dengan lebih baik mengapa ada sesuatu yang tidak beres.
Dengan fusi sensor awal, Anda sebenarnya hanya melihat hasil dari semua data, kata Gavrila. Ini menentukan apakah mobil harus mengerem, menyetir, atau berakselerasi. Fusi sensor awal adalah kotak hitam, kata sang profesor. ‘Anda tidak tahu apa yang sebenarnya terjadi dalam sistem dan bagaimana sistem mengambil keputusan. Untuk mengajarkan tindakan yang bermakna pada sistem seperti itu, Anda memerlukan lebih banyak data pelatihan.’
Para peneliti menggunakan fusi sensor awal ini di pusat pengujian di Immendingen, Jerman. Algoritme mereka sekarang dapat melacak orang secara real time, seperti yang terlihat jelas saat berkendara melintasi kota. Komputer di Mercedes E-Class mengenali orang-orang dalam posisi paling aneh, apakah mereka berjongkok di pinggir jalan atau membungkuk untuk menggali bagasi.
Belum setiap hari
Bahwa mobil self-driving sudah siap digunakan, seperti yang disarankan oleh beberapa produsen mobil, tidaklah benar, kata para insinyur dari Bosch dan Daimler. Meskipun Waymo (bagian dari Google) sudah bereksperimen dengan mobil otonom di beberapa negara bagian dan akan meluncurkan layanan taksi berbayar pertamanya dengan nama baru pada awal Desember, akan memakan waktu lama sebelum mobil robot menjadi hal yang lumrah. Di kota-kota di bagian barat daya Amerika yang cuacanya cerah, jalan lurus, dan sedikit pengendara sepeda, perjalanannya relatif mudah. “Mobil self-driving memang akan muncul pertama kali di Pantai Barat,” kata Stefan Gehrig dari Daimler, yang berspesialisasi dalam pengenalan gambar. Di AS bagian timur, dimana kota-kotanya lebih ‘Eropa’ dan cuacanya kurang bagus dibandingkan di California dan Nevada, hal ini akan memakan waktu lebih lama, katanya.
Dibutuhkan waktu lebih lama lagi sebelum mobil self-driving melewati Delft, kata Gavrila. Dia menunjukkan video yang diambil dari Prius-nya yang menunjukkan betapa sulitnya bahkan bagi pengemudi manusia untuk mengukur apa yang dilakukan oleh mobil, pejalan kaki, dan pengendara sepeda yang berkerumun. Diperlukan waktu beberapa tahun sebelum taksi robot dapat mengemudi seperti halnya taksi dengan manusia di belakang kemudi, pikir sang profesor. “Itu tidak akan terjadi sebelum tahun 2030.”
Mudah-mudahan juga ada algoritma yang bisa membicarakan cuaca.
Mobil self-driving, kenapa?
Mobil self-driving dipandang sebagai peluang untuk mengurangi jumlah kematian dan cedera di jalan raya. Toh mobil self-driving selalu terjaga, tidak pernah mabuk, tidak pernah tertidur, tidak pernah bertengkar dengan anak di jok belakang. Ia juga bisa melakukan trik yang tidak bisa dilakukan manusia, seperti melihat menembus kabut dan mencari tempat parkir secara mandiri dengan stasiun pengisian daya. Harapannya, karena mobil self-driving bisa parkir di luar kota, maka banyak ruang di pusat kota yang terbebas untuk hal lain. Pertanyaannya adalah apakah hal itu benar-benar terjadi. Yang pasti beberapa perusahaan mobil dan teknologi besar sudah bereksperimen dengan robot taksi. Belum di Eropa, namun untuk saat ini baru di pantai barat Amerika dan di China.
