Tim Internasional Membuat Langkah Besar ke Depan dalam Teknologi Kendaraan Otonom

Kendaraan otonom akan merevolusi transportasi — namun, implementasi sukses mereka bergantung pada kemampuan untuk mengenali dan merespons ancaman eksternal dengan akurat. Dari pengolahan sinyal dan algoritma analisis gambar melalui sistem kecerdasan pembelajaran dalam yang terintegrasi dengan infrastruktur IoT, berbagai teknologi harus digunakan agar kendaraan otonom dapat menyediakan operasi yang aman di berbagai medan. Untuk memastikan keselamatan penumpang tidak dikompromikan saat kendaraan canggih ini menjadi lebih umum, metode yang kuat perlu dikembangkan yang dapat mendeteksi potensi bahaya dengan cepat dan dapat diandalkan.

Kendaraan self-driving bergantung pada sensor canggih seperti LiDAR, radar, dan kamera RGB untuk menghasilkan sejumlah besar informasi untuk mengidentifikasi pejalan kaki, pengemudi lain, dan potensi bahaya. Integrasi kemampuan komputasi canggih dan Internet-of-Things (IoT) ke dalam mobil otomatis ini memungkinkan pengolahan data ini secara on-site untuk menavigasi berbagai area dan objek dengan lebih efisien. Pada akhirnya, ini memungkinkan kendaraan otonom untuk membuat keputusan dalam waktu singkat dengan akurasi yang jauh lebih tinggi daripada pengemudi manusia tradisional.

Langkah Besar ke Depan dalam Teknologi Kendaraan Otonom

Penelitian yang dilakukan oleh Professor Gwanggil Jeon dari Incheon National University, Korea dan tim internasionalnya menandai langkah besar ke depan dalam teknologi kendaraan otonom. Sistem pintar IoT yang dikembangkan mereka memungkinkan deteksi objek 3D secara real-time menggunakan pembelajaran dalam, membuatnya lebih dapat diandalkan dan efisien daripada sebelumnya. Ini dapat mendeteksi jumlah objek yang lebih banyak dengan lebih akurat, bahkan ketika menghadapi lingkungan yang menantang seperti cahaya rendah atau kondisi cuaca yang tidak biasa – sesuatu yang tidak dapat dilakukan oleh sistem lain. Kemampuan ini memungkinkan navigasi yang lebih aman di sekitar berbagai skenario lalu lintas, meningkatkan standar untuk sistem kendaraan otonom dan menyumbang pada peningkatan keselamatan jalan di seluruh dunia.

Penelitian ini diterbitkan dalam jurnal IEEE Transactions of Intelligent Transport Systems. 

“Untuk kendaraan otonom, persepsi lingkungan sangat kritis untuk menjawab pertanyaan inti, ‘Apa yang ada di sekitar saya?’ Sangat penting bahwa kendaraan otonom dapat memahami kondisi dan lingkungan sekitarnya dengan efektif dan akurat untuk melakukan tindakan responsif,” jelas Prof. Jeon. “Kami merancang model deteksi berdasarkan YOLOv3, algoritma identifikasi yang terkenal. Model ini awalnya digunakan untuk deteksi objek 2D dan kemudian dimodifikasi untuk objek 3D,” ia melanjutkan.

Model Berbasis YOLOv3

Tim tersebut memberikan gambar RGB dan data awan titik ke YOLOv3, yang kemudian mengeluarkan label klasifikasi dan kotak pembatas dengan skor kepercayaan. Kinerjanya kemudian diuji dengan dataset Lyft, dan hasil awal menunjukkan bahwa YOLOv3 mencapai akurasi deteksi yang sangat tinggi (>96%) untuk objek 2D dan 3D. Model ini outperformed berbagai model deteksi canggih. 

Metode baru yang dikembangkan ini dapat digunakan untuk kendaraan otonom, parkir otonom, pengiriman otonom, dan robot otonom di masa depan. Ini juga dapat digunakan dalam aplikasi di mana deteksi objek dan hambatan, pelacakan, dan lokalisisasi visual diperlukan. 

“Saat ini, kendaraan otonom sedang dikembangkan melalui pengolahan gambar berbasis LiDAR, tetapi diprediksi bahwa kamera umum akan menggantikan peran LiDAR di masa depan. Sebagai hasilnya, teknologi yang digunakan dalam kendaraan otonom berubah setiap saat, dan kami berada di garis depan,” kata Prof. Jeon. “Berdasarkan pengembangan teknologi dasar, kendaraan otonom dengan keselamatan yang ditingkatkan harus tersedia dalam 5-10 tahun ke depan.”