Sistem Peringatan untuk Mobil yang Mengemudi Sendiri Belajar dari Kegagalan

Model baru untuk mobil self-driving belajar dari kegagalan masa lalu dengan mengenalinya lebih awal, terkadang hingga 7 detik.

Dengan kendaraan otonom, situasi mengemudi yang tidak diketahui atau kompleks (seperti persimpangan yang ramai) dapat menyebabkan pelepasan sistem self-driving, baik melalui tindakan keselamatan otomatis atau campur tangan manusia.

Model kecerdasan buatan dari Technical University of Munich (TUM) menggunakan ribuan situasi lalu lintas kehidupan nyata — khususnya, rekaman urutan pelepasan dari test drive — sebagai data pelatihan untuk memprediksi kegagalan di masa mendatang.

Untuk memprediksi kegagalan sedini mungkin, pendekatan pembelajaran mesin mengklasifikasikan urutan data sensor sebagai kegagalan atau keberhasilan.

Jika sistem menemukan situasi mengemudi baru yang sebelumnya tidak dapat ditangani oleh sistem kontrol, misalnya, pengemudi akan diperingatkan sebelumnya tentang kemungkinan situasi kritis.

Teknologi keselamatan yang dikembangkan TUM menggunakan sensor dan kamera untuk menangkap kondisi sekitar, seperti sudut roda kemudi, kondisi jalan, cuaca, jarak pandang, dan kecepatan. A.I. sistem, berdasarkan jaringan saraf berulang (RNN) dan ribuan situasi lalu lintas nyata, belajar mengenali pola dengan data.

Mobil itu sendiri diperlakukan sebagai kotak hitam, hanya terfokus pada input data dan output data. Sistem ini belajar secara introspektif dari kesalahan sebelumnya, menurut tim Munich.

"Keuntungan besar dari teknologi kami:kami benar-benar mengabaikan apa yang dipikirkan mobil. Sebaliknya, kami membatasi diri pada data berdasarkan apa yang sebenarnya terjadi dan mencari polanya," kata ketua peneliti Prof. Eckehard Steinbach , yang juga merupakan anggota Dewan Direksi Munich School of Robotics and Machine Intelligence (MSRM) di TUM,. “Dengan cara ini, A.I. menemukan situasi yang berpotensi kritis yang mungkin tidak dapat dikenali oleh model, atau belum ditemukan."

Sistem ini menawarkan fungsi keselamatan yang mengetahui kapan dan di mana mobil memiliki kelemahan, kata Steinbach.

Metode Steinbach dan timnya menggabungkan dua jenis sensor. Model berbasis gambar belajar mendeteksi situasi yang umumnya menantang, seperti jalanan kota yang sibuk. Model berbasis data tambahan mendeteksi perubahan cepat segera sebelum kegagalan, seperti pengereman mendadak atau berbelok. Hasil dari model individu digabungkan dengan rata-rata probabilitas kegagalan individu.

BMW Group mengevaluasi "pendekatan prediksi kegagalan introspektif" melalui 14 jam mengemudi otonom di jalan umum, menganalisis sekitar 2.500 situasi di mana pengemudi harus campur tangan.

Menurut sebuah penelitian, dirilis pada bulan Desember 2020 , pendekatan fusi terlambat memungkinkan untuk memprediksi kegagalan dengan akurasi lebih baik dari 85 persen – hingga tujuh detik sebelum terjadi, dan pada tingkat positif palsu sebesar 20%.

Dalam wawancara singkat dengan Tech Briefs di bawah ini, Steinbach berbicara tentang kekuatan pendekatan kotak hitam, serta keterbatasan langkah-langkah keselamatan kendaraan saat ini.

Ringkasan Teknologi :Saya pikir ini adalah ide yang menarik:“Kami benar-benar mengabaikan apa yang dipikirkan mobil. Sebaliknya, kami membatasi diri pada data berdasarkan apa yang sebenarnya terjadi dan mencari pola.” Apa saja contoh pola yang mungkin tidak dikenali model?

Prof. Eckehard Steinbach :Dalam pekerjaan kami, kami melihat keadaan mobil, seperti pengereman dan kemudi, serta gambar kamera yang diperoleh mobil untuk mendeteksi pola yang mengarah pada pelepasan. Meskipun ini memungkinkan model kami mendeteksi sebagian besar situasi di mana manusia harus mengambil alih, tidak semua informasi tentang adegan mengemudi ditangkap dalam data ini.

Sebagai contoh sederhana, pola pengereman berulang mungkin merupakan pengendaraan biasa dalam cuaca hangat, tetapi mungkin mengindikasikan pelepasan yang akan datang jika jalan licin dan licin. Jika gambar kamera tidak menangkap informasi tentang lingkungan ini, pola itu tidak dapat digunakan untuk membedakan antara mengemudi biasa dan terganggu. Meskipun informasi kamera biasanya cukup untuk menilai kondisi jalan, pola seperti itu masih sulit dikenali.

Selengkapnya tentang Mobil Mengemudi Sendiri

Tonton di Tech Briefs TV:Michigan sedang mengembangkan koridor pertama untuk kendaraan yang terhubung dan otonom.

Di Blog:Survei para ahli mengeksplorasi pertanyaan:Bagaimana sistem otonom akan berdampak pada alam?

Ringkasan Teknologi :Mengapa "mengabaikan apa yang dipikirkan mobil?" . merupakan keuntungan

Prof. Eckehard Steinbach :Jika mobil menilai situasi dengan benar, pengemudi tidak perlu campur tangan. Namun, terlalu percaya diri merupakan tantangan signifikan dari banyak model yang digunakan dalam mengemudi otonom. Dengan merekam dan belajar dari situasi tersebut, kita dapat belajar mendeteksi jika situasi baru bermasalah meskipun mobil terlalu percaya diri.

Selain itu, mengamati urutan pola tentang keadaan dan lingkungan mobil memungkinkan model kami untuk secara efektif memperkirakan masa depan untuk memprediksi pelepasan hingga tujuh detik ke depan. Sedini ini, penilaian mobil terhadap pemandangan mungkin masih sepenuhnya benar, artinya tidak dapat digunakan untuk memprediksi skenario yang menantang. Data mentah yang dikumpulkan, di sisi lain, mungkin sudah berisi pola yang telah menyebabkan kegagalan sebelumnya dan oleh karena itu memungkinkan untuk memprediksi pelepasan terlebih dahulu.

Ringkasan Teknologi :Bagaimana sistem dapat menentukan skenario "kritis", tujuh detik sebelumnya? Juga, ketika deteksi itu terjadi, apa yang terjadi selanjutnya? Apa yang dilihat pengemudi di dalam mobil, dan apa yang dilakukan mobil?

Prof. Eckehard Steinbach :Kuncinya adalah mengamati urutan data dan mencari pola temporal. Dengan mempertimbangkan tiga detik terakhir dari data yang direkam, model kami mampu mendeteksi pola yang akhirnya berkembang menjadi skenario di mana pengemudi manusia harus mengambil alih kendali. Jika Anda tahu apa yang harus dicari, Anda dapat melihat tanda-tanda pertama dari situasi yang menantang beberapa detik ke depan.

Metode kami mencapai ini sekitar 85% dari waktu tujuh detik sebelumnya. Sisa 15% dari situasi dapat dijelaskan oleh fakta bahwa beberapa skenario yang menantang berkembang dalam waktu yang sangat singkat, seperti pejalan kaki tiba-tiba muncul dari antara mobil yang diparkir dan mendekati jalan. Saat deteksi terjadi, pengemudi perlu diperingatkan.

Ringkasan Teknologi :Bagaimana pengemudi diperingatkan?

Prof. Eckehard Steinbach :Implementasi peringatan ini tergantung pada pilihan spesifik dari antarmuka manusia-mesin, tetapi pengemudi perlu mengetahui bahwa kontrol mereka terhadap mobil akan diperlukan dalam tujuh detik berikutnya. Kali ini juga memungkinkan mobil untuk merencanakan manuver berhenti yang aman jika pengemudi manusia tidak bereaksi terhadap perintah tersebut.

Ringkasan Teknologi :Bagaimana hasil test drive Anda? Apa deteksi paling mengesankan yang Anda lihat?

Prof. Eckehard Steinbach :Karena test drive dilakukan oleh BMW Group, saya tidak berpartisipasi di dalamnya di dalam mobil. Kelompok kami kemudian bekerja dengan rekaman drive. Elemen yang paling mengesankan dari sistem deteksi adalah seberapa awal prediksi sering terjadi. Pada saat deteksi, skenario mengemudi masih terlihat biasa, misalnya hanya lalu lintas di persimpangan berikutnya berubah menjadi lingkungan yang rumit dan ramai di mana manusia mengambil alih untuk memastikan keselamatan beberapa detik kemudian.

Ringkasan Teknologi :Apa yang masih sulit untuk dideteksi oleh mobil self-driving?

Prof. Eckehard Steinbach :Salah satu tantangan penting dalam mengemudi otonom adalah data baru atau di luar distribusi. Jika mobil memasuki situasi yang belum pernah dilatih atau melihat objek yang tidak diketahuinya, masalah dapat muncul. Adegan baru seperti itu menyebabkan campur tangan manusia, yang menyebabkan adegan tersebut digunakan sebagai data pelatihan untuk pendekatan kami. Meskipun metode kami kemudian dapat membantu mendeteksi lingkungan baru yang menantang saat ditemui lagi, mendeteksi dan mengelola dengan benar adegan yang sepenuhnya baru saat pertama kali ditemui tetap menjadi tugas yang menantang.

Bagaimana menurutmu? Bagikan pertanyaan dan komentar Anda di bawah.