Masa Kendaraan Otonom: Teknologi, Tantangan, dan Inovasi
Dengan Banyak Pihak Terlibat, Kendaraan Otonom Lebih Dekat dari yang Anda Pikirkan
Di blog kami terakhir, kami membicara tentang beberapa pemenak utama dalam kendaraan otonom dan seberapa cepat teknologi berkembang. Sangat tidak kita tahu bahwa, hanya beberapa hari setelah posting kami, akan terjadi gangguan besar yang melibatkan salah satu aplikasi mobil otonom yang sangat terkenal. Segera setelah peluncuran layanan taksi otonom Uber di San Francisco, CA, pada 14 Desember 2016, video muncul menunjukkan salah satu kendaraan otonom melampaui lampu merah. Meskipun Uber mengatakan mobilnya dioperasikan oleh pengemudi manusia saat itu dan tidak ada penumpang di dalam, dampaknya cepat: Seminggu setelah peluncuran, Uber mencabut mobil otonomnya dari jalan saat negara bagian California mencabut registrasi mobilnya.
Jelas, akan ada beberapa ombal dalam perjalanan dari ide besar ke mobil otonom untuk semua. Namun apa yang dapat kita katakan dengan pasti adalah bahwa, bahkan dengan kegagalan sesekali, teknologi di balik kendaraan otonom terus bergerak maju, mendorong kita untuk mengubah secara drastis cara kita memikirkan mesin yang mengangkat kita dari titik A ke titik B.
Di Mana Mobil Otonom Sekarang — dan Di Mana Mereka Berjalan?
Perbedaan dasar antara otomatisasi dalam mobil yang kita gunakan sehari-hari dan itu dalam kendaraan otonom di masa yang tidak terlalu jauh terutama berkaitan dengan tingkat keterlibatan pengemudi. Banyak mobil baru saat ini sudah termasuk berbagai kontrol yang secara otomatis menangani aspek tertentu dari pengemudi untuk kita, seperti fren assisted dan cruise control adaptive — hal-hal yang dianggap level 1 otomatisasi.
Mobil otonom yang secara komersial tersedia saat ini sekitar level 2 otomatisasi; contoh yang baik adalah kemampuan bantuan pengemudi semi-otonom Tesla (“autopilot”) yang kami bicarakan di blog kami terakhir tentang kendaraan otonom. Sebagian besar prototipe yang sedang diuji berada di level 3, di mana pengemudi aman untuk tidak memberi perhatian dalam situasi tertentu, atau level 4, di mana pengemudi tidak perlu terlibat kecuali jika ada cuaca parah atau kondisi jalan yang tidak terduga. Namun, seperti yang penelitian tunjukkan, seorang “pengemudi” manusia yang memeriksa pesan atau mengantuk tidak dapat kembali memperhatian dan fokus dengan cukup cepat untuk bereaksi dengan benar dan cukup cepat untuk mendapatkan kontrol kembali dan mengambil tindakan efektif dalam situasi darurat yang mendatangi. Oleh karena itu, banyak produsen menyimpulkan bahwa level 3 dan 4 sekiranya tidak akan bekerja, karena fail-safe — manusia — tidak mampu bereaksi cukup cepat untuk menghindari bahaya bagi diri sendiri atau orang lain.
Tingkat otomatisasi yang paling tinggi adalah level 5, di mana pengemudi tidak perlu hadir sama sekali. Ini adalah teknologi yang diperlukan untuk futurisme ride-sharing penuh. Itu adalah skenario yang dibayangkan di mana tidak ada yang memiliki mobil; sebagai gantinya, Anda hanya memanggil kendaraan dan itu datang untuk menjemput Anda. Konsep kendaraan otonom baik Google maupun Mercedes adalah level 5, menggunakan nol input manusia kecuali tujuan yang diinginkan.
Apa yang Membangkitkan Otomatisasi?
Sementara pembuat mobil dan pemain lain waspada tentang mengungkapkan terlalu banyak detail, ada beberapa komponen teknologi dasar yang kita ketahui integral untuk desain kendaraan otonom. Misalnya, beberapa jenis sensor digunakan untuk mengumpulkan input visual yang diperlukan untuk mobil otonom untuk menavigasi jalan raya dengan sukses dan aman. Kamera adalah jenis sensor yang relatif murah yang dapat memberikan informasi visual dasar yang akan dikumpulkan manusia saat dia mengemudi; banyak kamera digunakan untuk memberikan depth of field. Radar sudah digunakan untuk beberapa kontrol kendaraan level 1; kekurangannya adalah radar hanya baik pada jarak dekat.
LIDAR (light detection and ranging) adalah sistem laser papan yang memetakan lingkungan sekitar mobil saat bergerak. Anda mungkin akrab dengan LIDAR sebagai unit besar yang berputar yang ditemukan di atas sebagian besar kendaraan uji Google; LIDAR padat tidak memerlukan putaran dan juga digunakan di beberapa kendaraan otonom yang sekarang sedang dikembangkan. Meskipun LIDAR membuat pemetaan 3D yang sangat akurat, ia memiliki kelemahan; selain sangat mahal, teknologi ini terpengaruh oleh cuaca, dengan sinyalnya memantul dari hujan atau salju.
Dalam mobil yang sudah sangat terkomputerisasi saat ini, sebagian besar transfer informasi sensor terjadi melalui Controller Area Network (CAN bus), protokol yang dirancang untuk memungkinkan mikrokontroler dan perangkat untuk berkomunikasi satu sama lain tanpa komputer host. Namun, mobil otonom yang benar memerlukan konektivitas data yang lebih kuat, serta kekuatan komputasi dan perangkat lunak untuk mengambil semua input visual dan data yang terkumpul lainnya, mengurutkannya, menafsirkannya, dan mengubahnya menjadi pengemudi yang dapat ditindaklanjuti — semuanya secara real time. Ini pada gilirannya memerlukan:
* Jumlah daya pemrosesan yang signifikan (orang mungkin bilang, massal)
* Mengumpulkan data dari berbagai sensor (“sensor fusion”) untuk menghitung lebih dari apa yang dapat ditentukan oleh satu sensor saja
Itulah mengapa machine learning — jenis kecerdasan buatan (AI) yang memberi komputer kemampuan untuk, dasarnya, belajar “sendiri” saat terpapar data baru — adalah aspek kritis dan berkembang cepat dari desain pengemudi otonom. Melangkah lebih jauh, jenis machine learning yang disebut *deep learning* berusaha meniru cara manusia memperoleh pengetahuan baru. Dengan mengotomatisasi analisis prediktif, deep learning dapat memungkinkan mobil menjadi lebih cerdas setiap kali dipemakai dan bahkan belajar dari pengemudi lain dan mobil lain.
Secara alami, untuk keselamatan, mobil otonom harus sangat cerdas dari awal! Namun, apakah kendaraan dirancang untuk menafsirkan input sensor dan kemudian memilih dari serangkaian keputusan pengemudi yang sudah dienkode atau ia digunakan untuk memetakan input (dari sensor dan sumber lain) secara langsung ke output pengemudi dari ujung ke ujung, machine learning pasti bagian dari setiap mobil di papan gambar atau di jalan.
Apa Implikasi di Luar Pengemudi?
Tentu, di mana saja ada teknologi komputer, keamanan informasi adalah kekhawatiran penting, dan kendaraan otonom tidak mengikuti pengecualian. Faktanya, implikasi hacking dalam mobil otonom sangat besar. Seseorang yang bepergian dalam kendaraan multi-ton dengan kecepatan tinggi tentu tidak ingin harus khawatir bahwa kendaraan mungkin akan diambil alih dan dikendalikan secara jarak jauh oleh pihak ketiga.
Pada 2015, Chrysler mencabut lebih dari satu juta kendaraan ketika dua peneliti keamanan (bukan orang jahat, untungnya) menemukan kerentanan perangkat lunak yang memungkinkan mereka untuk melakukan hack nirkabel pada sebuah Jeep dan mengambil alih fungsi papan pengendali, pengemudi, transmisi, dan fren. Chrysler memberikan pemilik kendaraan flash drive USB untuk pembaruan perangkat lunak dan mengambil langkah tingkat jaringan untuk mendeteksi dan memblokir hacking melalui koneksi jaringan seluler kendaraan. Kemudian pada 2016, sebuah laboratorium keamanan menunjukkan hack pada Tesla Model S, mengakses dan mengendalikan kendaraan secara jarak jauh dalam mode parkir dan pengemudi melalui CAN bus mobil dan WiFi hotspot berbahaya. Dalam beberapa hari, Tesla meluncurkan pembaruan perangkat lunak over-the-air untuk mengatasi potensi masalah keamanan.
Kasus ini menunjukkan kepada pembuat mobil dan mitra mereka bahwa peningkatan keamanan adalah vital, memastikan perlindungan yang lebih kuat akan terus diterapkan. Namun, dengan setiap mobil otonom yang memerlukan komputer dan konektivitas jaringan agar pengemudi dapat berlangsung, mungkin hanya masalah waktu sebelum seseorang melakukan hack pada kendaraan otonom saat sedang digunakan.
Pada catatan terkait, privasi juga adalah area yang semakin menantang untuk mobil dan pengemudi. Saat ini, seseorang yang melarikan diri dapat mematikan GPS di mobil mereka dan membuka peta. Namun, dengan fungsionalitas bawaan mobil otonom yang memerlukan penggunaan GPS hampir konstan, kendaraan itu harus dilacak hampir sepanjang waktu. Selain itu, sementara kamera melayani fungsi sensor penting dan akan memberikan input untuk machine learning, mereka juga adalah alat pengawasan. Jadi, ada potensi setiap inci ruang jalan untuk difoto dan diperiksa secara hampir konstan setelah mobil otonom (dan sistem sensor kamera mereka) sepenuhnya diluncurkan.
Dan pada catatan yang lebih manusiawi, sementara kedatangan kendaraan otonom yang andal dan sepenuhnya akan menciptakan pekerjaan di manufaktur dan bidang terkait, pada suatu tingkat itu juga akan berarti kehilangan beberapa pekerjaan. Aplikasi mobility-on-demand dan ride-sharing akan membuat pengemudi taksi dan bus usang. Kendaraan otonom di pertanian akan semakin mengurangi jumlah pekerja manusia yang dibutuhkan. Sopir truk masih akan diperlukan untuk merawat rig mereka, tetapi mereka tidak akan mengemudikannya dan jadi lebih sedikit yang diperlukan untuk merawat armada truk untuk deployment otomatis. Dan pada akhir 2016, sebuah perusahaan takeaway (takeout) online meluncurkan pengiriman makanan robotik di London. Jadi, dari pengurus paket hingga anak yang mengemudikan pizza ke pintu Anda, pekerja ini mungkin pada akhirnya digantikan oleh, jika tidak kendaraan otonom, maka teknologi terkait dalam bentuk delivery bots.
Mengapa Metal Cutting Membicarakan Ini?
Metal Cutting menawarkan layanan pemotongan logam khusus untuk produk spesial dan bagian logam presisi, kecil untuk berbagai macam industri, termasuk perusahaan otomotif dan mitra teknologi mereka — menyediakan bagian pemotongan, pemesinan, finishing, dan teknik lain yang diperlukan untuk aplikasi yang memerlukan toleransi ketat, finishing permukaan tertentu, dan ujung, penutur, dan diameter yang sangat disesuaikan.
Ingin menjelajahi apakah Metal Cutting adalah mitra terbaik untuk *bagian otomotif Anda* atau aplikasi lain? Unduh panduan gratis, 7 Secrets to Choosing a New Contract Partner: Technical Guide to Outsourcing Your Precision Metal Fabrication.
