Teknologi

Mengajari Mobil Mengemudi dengan Prediksi

Pengemudi yang baik mengantisipasi situasi berbahaya dan menyesuaikan cara mengemudi mereka sebelum hal-hal menjadi tidak pasti. Para peneliti di Universitas Bonn sekarang juga ingin mengajarkan keterampilan ini kepada mobil yang bisa menyetir sendiri. Mereka akan menyajikan algoritma yang sesuai pada Konferensi Internasional tentang Visi Komputer yang diadakan pada hari Jumat, 1 November, di Seoul. Mereka juga akan menyajikan kumpulan data yang mereka gunakan untuk melatih dan menguji pendekatan mereka. Ini akan membuatnya lebih mudah untuk mengembangkan dan meningkatkan proses seperti itu di masa depan.

Jalan kosong, deretan mobil yang diparkir di samping: tidak ada yang menunjukkan bahwa Anda harus berhati-hati. Tapi tunggu: Apakah tidak ada jalan samping di depan, setengah tertutup oleh mobil yang diparkir? Mungkin saya lebih baik melepas kaki saya dari gas – siapa tahu kalau ada yang datang dari samping. Kita terus menghadapi situasi seperti ini saat mengemudi. Menafsirkannya dengan benar dan menarik kesimpulan yang tepat membutuhkan banyak pengalaman. Sebaliknya, mobil self-driving terkadang berperilaku seperti pengemudi pelajar dalam pelajaran pertamanya. “Tujuan kami adalah untuk mengajarkan mereka gaya mengemudi yang lebih antisipatif,” jelas ilmuwan komputer Prof. Dr. Jürgen Gall. “Ini kemudian akan memungkinkan mereka untuk bereaksi lebih cepat terhadap situasi berbahaya.”

Gall memimpin kelompok kerja “Computer Vision” di Universitas Bonn, yang, bekerja sama dengan rekan-rekan universitasnya dari Institute of Photogrammetry dan kelompok kerja “Autonomous Intelligent Systems”, sedang meneliti solusi untuk masalah ini. Para ilmuwan sekarang menyajikan langkah pertama menuju tujuan ini pada simposium terkemuka disiplin Gall, Konferensi Internasional tentang Visi Komputer di Seoul. “Kami telah menyempurnakan suatu algoritma yang melengkapi dan menafsirkan apa yang disebut data LiDAR,” jelasnya. “Ini memungkinkan mobil untuk mengantisipasi potensi bahaya pada tahap awal.”

Masalah: terlalu sedikit data

LiDAR adalah laser berputar yang dipasang di atap sebagian besar mobil self-driving. Sinar laser direfleksikan oleh lingkungan. Sistem LiDAR mengukur kapan cahaya yang dipantulkan jatuh pada sensor dan menggunakan waktu ini untuk menghitung jarak. “Sistem mendeteksi jarak ke sekitar 120.000 titik di sekitar kendaraan per revolusi,” ucap Gall.

Masalahnya dengan ini: Titik pengukuran menjadi “dilute” karena jarak meningkat – kesenjangan di antara mereka melebar. Ini seperti melukis wajah di atas balon: Saat Anda mengembang, mata bergerak semakin jauh. Bahkan bagi manusia, hampir mustahil mendapatkan pemahaman yang benar tentang lingkungan dari pemindaian LiDAR tunggal (yaitu pengukuran jarak satu revolusi). “Beberapa tahun yang lalu, Universitas Karlsruhe (KIT) mencatat sejumlah besar data LiDAR, total 43.000 pindaian,” jelas Dr. Jens Behley dari Institute of Photogrammetry. “Kami sekarang telah mengambil urutan dari beberapa lusin pemindaian dan menempatkannya di atasnya.” Data yang diperoleh dengan cara ini juga mengandung titik-titik yang hanya direkam oleh sensor ketika mobil telah melaju beberapa puluh meter lebih jauh di jalan. Sederhananya, mereka tidak hanya menunjukkan masa kini, tetapi juga masa depan.

“Awan titik berlimpahan ini mengandung informasi penting seperti geometri pemandangan dan dimensi spasial dari objek yang dikandungnya, yang tidak tersedia dalam pemindaian tunggal,” ungkap Martin Garbade, yang saat ini sedang melakukan doktor di Institut Ilmu Komputer. “Selain itu, kami telah memberi label setiap titik di dalamnya, misalnya: Ada trotoar, ada pejalan kaki, dan di belakang ada pengendara sepeda motor. “ Para ilmuwan memberi makan perangkat lunak mereka dengan pasangan data: pemindaian LiDAR tunggal sebagai input dan data overlay terkait termasuk informasi semantik sebagai output yang diinginkan. Mereka mengulangi proses ini untuk beberapa ribu pasangan seperti itu.

“Selama fase pelatihan ini, algoritma belajar untuk menyelesaikan dan menafsirkan pemindaian individual,” jelas Prof. Gall. “Ini berarti bahwa itu bisa masuk akal menambahkan pengukuran yang hilang dan menafsirkan apa yang dilihat dalam pemindaian.” Penyelesaian adegan sudah bekerja relatif baik: Proses ini dapat menyelesaikan sekitar setengah dari data yang hilang dengan benar. Interpretasi semantik, yaitu menyimpulkan objek mana yang tersembunyi di balik titik pengukuran, tidak bekerja dengan baik: Di sini, komputer mencapai akurasi maksimum 18 persen.

Namun, para ilmuwan menganggap cabang penelitian ini masih dalam masa pertumbuhan. “Sampai sekarang, hanya ada kurangnya set data yang luas yang dapat digunakan untuk melatih metode kecerdasan buatan yang sesuai,” tegas Gall. “Kami menutup celah di sini dengan pekerjaan kami. Saya optimis bahwa kami akan dapat secara signifikan meningkatkan tingkat akurasi dalam interpretasi semantik di tahun-tahun mendatang.” Dia menganggap 50 persen cukup realistis, yang dapat memiliki pengaruh besar pada kualitas mengemudi autotonomus.

Tags

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button
Close