Mendeteksi ‘Mengemudi Agresif’ Dengan Pembelajaran Mesin dan Edge Computing

Aplikasi paten baru-baru ini telah mengusulkan sistem untuk mengidentifikasi ‘perilaku mengemudi agresif’ di persimpangan menggunakan algoritma pembelajaran mesin yang diterapkan dalam perangkat edge computing sipil.

Berbeda dengan inovasi penelitian AI baru-baru ini tentang analitik ‘kemarahan di jalan’ dalam kendaraan (terutama dimaksudkan untuk kepentingan perusahaan asuransi), sistem yang diusulkan ini bersifat munisipal, dan dapat ditujukan untuk memfasilitasi penalti bagi pengemudi yang tidak mematuhi norma ‘perilaku mengemudi yang aman’. Ini juga dimaksudkan untuk memberikan pengemudi yang buruk dengan peringatan audiovisual yang terkait di dalam kendaraan.

Patennya diajukan di Kantor Paten dan Merek Dagang AS pada tanggal 29 April 2021 atas nama Dewan Pengawas Universitas Michigan, dan Perusahaan Denso, sebuah produsen komponen otomotif Jepang yang dimiliki oleh Toyota.

Patent UMich bukanlah sistem in-kendaraan yang bersifat milik, yang ditujukan untuk pengawasan asuransi, atau dirancang hanya untuk menghasilkan data forensik, tetapi lebih pada mengandalkan node edge computing yang dilengkapi sumber daya yang baik dan diterapkan di persimpangan lalu lintas untuk memberikan umpan balik yang segera dan dapat ditindaklanjuti, dengan mengumpulkan data dari sumber daya edge computing di sisi jalan dan dari sensor yang dipasang di kendaraan terdekat. Sumber: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Kerangka yang diusulkan ini tidak sepenuhnya pasif atau bergantung pada peralatan sipil, tetapi juga memerlukan teknologi in-kendaraan yang mampu mengubah kendaraan menjadi sensor yang berkontribusi pada sistem. Secara efektif, ini akan mengubah setiap kendaraan yang dilengkapi menjadi node pemantau lalu lintas, meskipun pengawasan yang sama juga akan diterapkan pada pengemudi itu sendiri, dengan keuntungan tambahan akses ke aliran data onboard kendaraan. Skema untuk pemasangan in-kendaraan (digambarkan di sebelah kanan) yang diserahkan dalam paten termasuk data sensor langsung dari rem, throttle, setir, dan odometer kendaraan, serta memerlukan akses ke data peta.

Baik pemasangan di sisi jalan maupun in-kendaraan menampilkan sumber daya GPU yang diaktifkan CUDA dan penyimpanan lokal, dan keduanya menampilkan koneksi awan.

Peringatan untuk Pengemudi Agresif

Menurut aplikasi paten, sistem ini dirancang untuk berinteraksi dengan pengemudi yang sulit diatur:

‘Ketika sistem untuk memprediksi perilaku mengemudi agresif 1 memprediksi mengemudi agresif dalam kendaraan subjek, pesan peringatan seperti peringatan di FIG. 8A dapat dioutput ke perangkat audiovisual 413 di kendaraan subjek untuk memperingatkan pengemudi agresif untuk melambatkan kecepatan.’

Peringatan tambahan termasuk peringatan in-kendaraan untuk kecepatan dan kendaraan yang mendekat:

Peringatan yang digambarkan dalam aplikasi paten. Sumber: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

Patennya menyatakan bahwa dalam skenario lain yang mungkin, perangkat audiovisual yang tersedia (termasuk smartphone yang dimiliki pengemudi) di dalam kendaraan dapat digunakan untuk memberikan peringatan, termasuk peringatan audio.

Lampu Merah Khusus Pengemudi

Mengubah frekuensi dan perilaku lampu lalu lintas di persimpangan telah lama diketahui sebagai metode untuk mengurangi kecelakaan, dan sistem yang diusulkan dapat digunakan untuk menghasilkan data yang mungkin mengubah cara kerja lampu lalu lintas di persimpangan pada tingkat yang sangat luas.

Namun, integrasi infrastruktur dan data kendaraan yang dalam dalam proposal Michigan menawarkan kemungkinan lain: lampu merah yang ditentukan oleh perilaku pengemudi, bukan dijalankan oleh jadwal atau skema (lihat bagian [0157] dalam aplikasi paten).

‘Selain itu, jika pola mengemudi di satu persimpangan (misalnya, persimpangan 200a) memprediksi dan/atau menunjukkan mengemudi agresif dalam kendaraan 71, tindakan korektif seperti kontrol elemen kontrol dapat diterapkan di persimpangan berikutnya (misalnya, persimpangan 200b dan 200c) untuk mengontrol dan memitigasi perilaku mengemudi agresif. Sebagai contoh, jika sistem untuk memprediksi perilaku mengemudi agresif 1 memprediksi bahwa kendaraan 71 mungkin akan melanggar lampu merah di persimpangan 200a, sistem untuk memprediksi perilaku mengemudi agresif 1 dapat mengeluarkan sinyal kontrol untuk mengontrol keadaan/fase sinyal kontrol lalu lintas 202b dan 202c di persimpangan 200b dan 200c. Dengan cara ini, sinyal kontrol lalu lintas 202b dan 202c dapat berubah menjadi merah, misalnya, sebelum kendaraan 71 melewati persimpangan 200a untuk mendorong kendaraan 71 untuk melambatkan kecepatan dan tidak mencoba mempercepat untuk melewati persimpangan 200b dan 200c sebelum sinyal 202b dan 202c berubah menjadi merah.’

Penetrasi ke Privasi Pengemudi

Proposal untuk sistem pemantauan pengemudi dalam kendaraan selama dekade terakhir telah mengeksploitasi algoritma pengenalan emosi komputer visi, bersama dengan indikator biometrik lainnya, untuk menghasilkan sistem yang dirancang untuk memiliki ‘efek pendinginan’ pada pengemudi yang sulit diatur, karena perilaku pengemudi yang salah dapat mempengaruhi premi asuransi pengemudi di bawah skema tersebut, atau digunakan sebagai bukti dalam penyelidikan kecelakaan.

Sebaliknya, proposal Michigan/Denso ini tampaknya dimaksudkan untuk beberapa bentuk kolaborasi negara melalui perubahan pada standar kendaraan wajib. Namun, mengingat mobilitas penduduk AS dalam waktu normal, dan fakta bahwa sistem seperti itu akan paling berlaku untuk pengemudi jarak jauh, seperti pengemudi truk, sulit untuk melihat bagaimana implementasi federal tidak akan diperlukan, kecuali kerangka kerja ini dirancang untuk menjadi tidak aktif di atas perbatasan negara bagian yang tidak berpartisipasi, atau di seluruh kabupaten yang tidak mendukung skema tersebut.

Meskipun inovasi seperti ini umumnya didorong oleh tren meningkatnya perusahaan asuransi untuk memberikan penghargaan kepada pemegang kebijakan yang bersedia memasang peralatan pemantauan, kebutuhan akan infrastruktur sipil tidak tepat sesuai dengan model tersebut, menunjukkan bahwa sistem seperti itu akan memerlukan dukungan legislatif dan pendanaan federal atau negara bagian.

Ilustrasi arsitektur pembelajaran mesin yang diusulkan untuk sistem ini, menggunakan Jaringan Saraf Berulang (RNN). Meskipun kerangka kerja ini juga menggunakan pembelajaran tidak terawasi dan memberikan umpan balik waktu nyata, juga membuat provisi untuk pelatihan offline untuk memperbaiki algoritma berdasarkan data dan peristiwa yang masuk. Identifikasi perilaku mengemudi agresif difasilitasi oleh Dynamic Time Warping (DTW), sebuah algoritma yang digunakan dalam analisis deret waktu untuk membandingkan dua deret waktu atau urutan objek yang mungkin bervariasi dalam kecepatan.

Aliran Pendapatan

Sistem yang diusulkan dalam paten ini dapat menjadi yang pertama dari jenisnya untuk menawarkan analisis waktu nyata dari perilaku pengemudi yang salah dalam kerangka sipil yang mampu mengeluarkan denda dan penalti secara otomatis, atau memperingatkan otoritas, dalam kejadian pengemudi yang sangat berbahaya. Namun, penemu mengakui bahwa ini dapat disalahgunakan sebagai sumber pendapatan oleh otoritas munisipal yang lapar pendapatan.

Neda Masoud, asisten profesor di Departemen Teknik Sipil dan Lingkungan Universitas Michigan, mengatakan kepada The Academic Times bahwa ‘Peringatan palsu adalah harga yang kecil untuk dibayar untuk tingkat keamanan yang ditingkatkan yang dapat diberikan oleh teknologi ini. Namun, harus selalu ada kesempatan bagi mereka yang dituduh secara salah untuk membela diri terhadap klaim palsu mengenai mengemudi agresif,’.

Aplikasi paten mengakui kemungkinan kejadian mengemudi agresif yang melibatkan kendaraan yang tidak dilengkapi dengan unit onboard (OBUs), yang dapat diatasi dengan pengamatan eksternal dari kendaraan terdekat yang dilengkapi dengan peralatan, serta instalasi persimpangan. Dalam kasus seperti itu, identifikasi akan beralih ke metode lain, seperti pembacaan plat nomor otomatis (meskipun aplikasi paten tidak membahas ini).

Persimpangan Sebagai Risiko Tinggi

Patent Michigan ini menangani perilaku ceroboh di persimpangan, karena ini adalah lokus kejadian lalu lintas dan pelanggaran, sementara penelitian Tiongkok sebelumnya sepanjang garis yang sama telah menggunakan analisis mesin pendukung vektor (SVM) untuk mengidentifikasi kejadian dalam perjalanan, seperti perubahan jalur yang berbahaya. Inisiatif penelitian Tiongkok lainnya menggunakan sensor di smartphone untuk mendeteksi perilaku aneh dalam perjalanan.

Administrasi Keamanan Lalu Lintas Jalan Raya Nasional AS memperkirakan pada tahun 2010 bahwa 40% kecelakaan yang terjadi di Amerika Serikat pada tahun 2008 terkait dengan kegiatan di persimpangan.