Mendeteksi ‘Mengemudi Agresif’ Dengan Machine Learning dan Edge Computing

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

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

Patent ini diajukan di Kantor Paten dan Merek Dagang AS pada 29 April 2021 atas nama Dewan Pembina Universitas Michigan, dan perusahaan Denso, sebuah produsen komponen otomotif Jepang yang dimiliki oleh Toyota.

Patent UMich bukanlah sistem in-kar yang bersifat propietary yang ditujukan untuk pengawasan asuransi, atau dirancang hanya untuk menghasilkan data forensik, tetapi lebih bergantung pada node edge computing yang dilengkapi sumber daya yang baik yang diterapkan di persimpangan lalu lintas untuk memberikan umpan balik yang segera dan dapat digunakan, 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-vehicle yang mampu mengubah mobil 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 diarahkan pada pengemudi itu sendiri, dengan keuntungan tambahan akses ke aliran data onboard kendaraan. Skema untuk pemasangan in-kar (ditampilkan di sebelah kanan) yang diajukan dalam paten ini termasuk data sensor langsung dari rem, throttle, setir, dan odometer kendaraan, serta memerlukan akses ke data peta.

Baik instalasi di sisi jalan maupun in-vehicle menampilkan sumber daya GPU yang diaktifkan CUDA dan penyimpanan lokal, dan keduanya menampilkan koneksi cloud.

Peringatan Untuk Pengemudi Agresif

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

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

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

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

Patent tersebut menyatakan bahwa dalam skenario lain yang mungkin, perangkat audiovisual yang tersedia (termasuk smartphone yang dimiliki pengemudi) di 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 dapat 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 digunakan di persimpangan berikutnya (misalnya, persimpangan 200b dan 200c) untuk mengontrol dan mitigasi perilaku mengemudi agresif. Sebagai contoh, jika sistem untuk memprediksi perilaku mengemudi agresif 1 memprediksi bahwa kendaraan 71 mungkin melanggar lampu merah di persimpangan 200a, sistem untuk memprediksi perilaku mengemudi agresif 1 dapat mengoutput sinyal kontrol untuk mengontrol keadaan/fase sinyal lalu lintas 202b dan 202c di persimpangan 200b dan 200c. Dengan cara ini, sinyal lalu lintas 202b dan 202c dapat berubah menjadi merah, misalnya, sebelum kendaraan 71 melewati persimpangan 200a untuk mendorong kendaraan 71 untuk melambatkan dan tidak mencoba mempercepat untuk melewati persimpangan 200b dan 200c sebelum sinyal 202b dan 202c berubah menjadi merah.’

Intervensi Privasi Pengemudi

Proposal untuk sistem pemantauan pengemudi in-vehicle 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, karena perilaku pengemudi yang salah dapat mempengaruhi premi asuransi pengemudi di bawah skema tersebut, atau digunakan sebagai bukti dalam penyelidikan kecelakaan.

Namun, proposal Michigan/Denso ini tampaknya dimaksudkan untuk beberapa bentuk kolaborasi negara melalui perubahan 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 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 itu umumnya didorong oleh tren meningkatnya perusahaan asuransi untuk memberikan penghargaan kepada pemegang kebijakan yang bersedia memasang peralatan pemantauan, kebutuhan infrastruktur sipil tidak sepenuhnya sesuai dengan model tersebut, menunjukkan bahwa sistem seperti itu akan memerlukan dukungan legislatif dan pendanaan federal atau negara bagian.

Ilustrasi arsitektur machine learning yang diusulkan untuk sistem, menggunakan Jaringan Saraf Berulang (RNN). Meskipun kerangka kerja juga menggunakan pembelajaran tidak terawasi dan memberikan umpan balik waktu nyata, juga membuat provisi untuk pelatihan offline untuk meningkatkan algoritma berdasarkan data dan peristiwa yang masuk. Identifikasi perilaku mengemudi agresif difasilitasi oleh Dynamic Time Warping (DTW), 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 perilaku pengemudi yang salah dalam kerangka sipil yang mampu secara otomatis mengeluarkan denda dan penalti, atau memperingatkan otoritas, dalam kejadian pengemudi yang benar-benar berbahaya. Namun, penemu mengakui bahwa itu dapat disalahgunakan sebagai sumber pendapatan oleh otoritas munisipal yang lapar akan pendapatan.

Neda Masoud, asisten profesor di Departemen Teknik Sipil dan Lingkungan Universitas Michigan, mengatakan kepada The Academic Times bahwa ‘Peringatan palsu adalah harga kecil untuk dibayar untuk tingkat keamanan yang ditingkatkan yang dapat disediakan teknologi. Namun, harus selalu ada kesempatan bagi mereka yang salah tuduh untuk membela diri terhadap klaim palsu 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 hal ini).

Persimpangan Sebuah Risiko Tinggi

Patent Michigan mengatasi 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 dukungan vektor (SVM) untuk mengidentifikasi peristiwa dalam perjalanan, seperti perubahan jalur yang berbahaya. Inisiatif penelitian Tiongkok lainnya menggunakan sensor di smartphone untuk mendeteksi perilaku perjalanan yang tidak teratur.

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