Nasional Mondial Ekonomi Megapolitan Olahraga Rona The Alun-Alun Kupas Splash Wisata Perspektif Wawancara Foto Video Infografis

Pembelajaran Mesin Bantu Navigasi Kendaraan Otonom

Foto : istimewa
A   A   A   Pengaturan Font

Mobil otonom perlu alat navigasi pintar untuk dapat mencapai tujuan dengan selamat dan aman. Dengan metode sederhana, pembelajaran mesin dapat memprediksi pergerakan lalu lintas yang kompleks sesuai dengan sistem yang berlaku.

Para peneliti telah menciptakan sistem pembelajaran mesin (machine learning) yang secara efisien memprediksi lintasan masa depan beberapa pengguna jalan, seperti pengemudi, pengendara sepeda, dan pejalan kaki, yang dapat memungkinkan kendaraan otonom untuk menavigasi jalan-jalan kota dengan lebih aman.
Rekan penulis utama Xin Huang, seorang mahasiswa pascasarjana di Departemen Aeronautika dan Anstronautika Massachusetts Institute of Technology (MIT), mengatakan jika robot atau mobil akan menavigasi kendaraan dengan aman melalui pusat Kota Boston, maka harus dapat memprediksi apa yang akan dilakukan pengemudi, pengendara sepeda, dan pejalan kaki terdekat sebagai agen.
Degan kecerdasan buatan (artificial intelligence/AI) cabang pembelajaran mesin, ilmuwan harus bisa menyelesaikan tantangan yang rumit ini. Pejalan kaki sebagai salah satu agen misalnya tidak semuanya berjalan di garis lurus seperti robot. Kadang-kadang mereka juga berbelok karena berbagai alasan.
Sistem AI pada mobil otonom harus mampu memprediksi apa yang akan dilakukan pengemudi, pengendara sepeda, dan pejalan kaki terdekat.
Para peneliti MIT menyatakan telah menemukan jalan keluar sederhana untuk tantangan rumit ini. Mereka memecah masalah prediksi perilaku multiagen menjadi bagian-bagian yang lebih kecil dan menangani masing-masing secara individual, sehingga komputer dapat menyelesaikan tugas kompleks ini secara seketika (real-time).
"Sistem pembelajaran mesin baru suatu hari nanti dapat membantu mobil tanpa pengemudi memprediksi pergerakan berikutnya dari pengemudi, pejalan kaki, dan pengendara sepeda terdekat secara real-time," kata Xin Huang.
Xin Huang yang juga asisten peneliti di laboratorium Brian Williams, profesor aeronautika dan astronotika dan anggota Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) MIT, menjelaskan bahwa manusia mungkin menjadi salah satu penghalang terbesar bagi kendaraan sepenuhnya otonom yang beroperasi di jalan-jalan kota.
Kerangka kerja prediksi perilaku bekerja dengan menebak hubungan antara pengguna jalan seperti pengendara mobil, pengendara sepeda, atau pejalan kaki, terkait siapa diantara mereka yang memiliki hak untuk berjalan. Agen mana yang akan menggunakan lintasan jalan dan menunggu diprediksi oleh mesin.
Ia mengklaim, perkiraan lintasan ini lebih akurat daripada model pembelajaran mesin lainnya, seperti Waymo Open Dataset bekerja dengan menyusun kumpulan data besar (big data) lalu lintas. Teknik yang dikembangkan MIT dapat mengungguli model Waymo dengan memecahkan masalah menjadi bagian-bagian yang lebih sederhana sehingga lebih sedikit memori.
"Ini adalah ide yang sangat intuitif, tetapi belum ada yang sepenuhnya menjelajahinya sebelumnya, dan ini bekerja dengan cukup baik. Kesederhanaan tentu menjadi nilai lebihnya," kata Xin Huang.
"Kami membandingkan model kami dengan model tercanggih lainnya di lapangan, termasuk model dari Waymo, perusahaan terkemuka di bidang ini. Model kami mencapai kinerja terbaik pada tolok ukur yang menantang ini. Ini memiliki banyak potensi untuk masa depan," lanjut dia.

Masukan Informasi
Metode pembelajaran mesin, para peneliti yang dinamakan M2I, mengambil dua masukan yaitu lintasan masa lalu dari mobil, pengendara sepeda, dan pejalan kaki yang berinteraksi dalam pengaturan lalu lintas seperti persimpangan empat arah, dan peta dengan lokasi jalan, konfigurasi jalur, dan sebagainya.
Dengan menggunakan informasi ini, sebuah prediktor relasi menyimpulkan siapa dari dua agen yang memiliki hak jalan terlebih dahulu. Sistem navigasi akan mengklasifikasikan satu sebagai yang lewat (passer) dan satu sebagai pemberi jalan (yielder). Kemudian model prediksi, yang dikenal sebagai prediktor marginal, menebak lintasan untuk agen yang lewat, karena agen ini berperilaku secara independen.
Model prediksi kedua, yang dikenal sebagai prediktor bersyarat, kemudian menebak apa yang akan dilakukan agen hasil berdasarkan tindakan agen yang lewat. Sistem memprediksi sejumlah lintasan yang berbeda untuk yielder dan passer, menghitung probabilitas masing-masing secara individual, dan kemudian memilih enam hasil gabungan dengan kemungkinan tertinggi terjadi.
M2I mengeluarkan prediksi tentang bagaimana agen ini akan bergerak melalui lalu lintas selama delapan detik berikutnya. Dalam satu contoh, metode mereka menyebabkan kendaraan melambat sehingga pejalan kaki bisa menyeberang jalan, lalu mempercepat saat mereka melewati persimpangan.
Dalam contoh lain, kendaraan menunggu sampai beberapa mobil lewat sebelum berbelok dari sisi jalan ke jalan utama yang sibuk. Penelitian yang berfokus pada interaksi antara dua agen, M2I dapat menyimpulkan hubungan di antara banyak agen dan kemudian menebak lintasan mereka dengan menghubungkan beberapa prediktor marjinal dan kondisional. hay/I-1

Terapkan Pendekatan Sederhana

Salah satu dalam pengembangan mobil otonom adalah dikembangkannya dataset dari Waymo Open Dataset. Sistem terbuka ini terus mengembangkan kumpulan data untuk memungkinkan dalam menjalankan tugas prediksi.
Waymo Open Dataset saat ini menjadi salah satu set data mengemudi otonom paling lengkap dan komprehensif, berkontribusi pada lebih dari 500 publikasi. Sensor menyediakan data berkualitas tinggi, yang kompleks dan intensif sumber daya untuk dikumpulkan, kepada komunitas penelitian dan akademik.
Para peneliti Massachusetts Institute of Technology (MIT) itu juga menggunakan sistem, Waymo Open Motion Dataset, yang berisi jutaan adegan lalu lintas nyata yang melibatkan kendaraan, pejalan kaki, dan pengendara sepeda. Data direkam oleh sensor light detection and ranging (LIDAR) dan kamera yang dipasang pada kendaraan otonom perusahaan.
Namun M21 diklaim lebih paling akurat dari Waymo, dan mampu mengungguli model dasar pada metrik yang dikenal sebagai tingkat tumpang tindih (overlap). Jika akan melewati dua lintasan tumpang tindih menunjukkan adanya tabrakan, M2I akan memilih tingkat tumpang tindih terendah.
"Daripada hanya membangun model yang lebih kompleks untuk memecahkan masalah ini, kami mengambil pendekatan yang lebih sederhana seperti bagaimana manusia berpikir ketika mereka bernalar tentang interaksi dengan orang lain," kata rekan penulis utama Xin "Cyrus" Huang, seorang mahasiswa pascasarjana di Departemen Aeronautika dan Astronautika.
Keuntungan lain dari mesin pembelajaran, M2I adalah memecah masalah menjadi bagian-bagian yang lebih kecil. Dengan cara ini maka akan lebih mudah bagi pengguna untuk memahami pengambilan keputusan model. Dalam jangka panjang, itu bisa membantu pengguna lebih percaya pada kendaraan otonom.
Tetapi kerangka kerja tidak dapat menjelaskan kasus di mana dua agen saling mempengaruhi satu sama lain, seperti ketika dua kendaraan masing-masing mendorong ke depan di pemberhentian empat arah karena pengemudi tidak yakin siapa yang harus mengalah.
Mereka berencana untuk mengatasi keterbatasan ini dalam pekerjaan di masa depan. Mereka juga ingin menggunakan metode mereka untuk mensimulasikan interaksi realistis antara pengguna jalan, yang dapat digunakan untuk memverifikasi algoritma perencanaan untuk mobil self-driving atau membuat sejumlah besar data mengemudi sintetis untuk meningkatkan kinerja model. hay/I-1


Redaktur : Ilham Sudrajat
Penulis : Haryo Brono

Komentar

Komentar
()

Top