Keamanan Mobil Otonom Ditingkatkan dengan Metode Pelatihan Baru

Salah satu tugas paling penting untuk mobil otonom dalam hal keamanan adalah melacak pejalan kaki, objek, dan kendaraan atau sepeda lainnya. Untuk melakukan ini, mobil otonom mengandalkan sistem pelacakan. Sistem ini dapat menjadi lebih efektif dengan metode baru yang dikembangkan oleh peneliti di Carnegie Mellon University (CMU).

Metode baru ini telah membuka akses ke banyak data mengemudi otonom dibandingkan sebelumnya, seperti data jalan dan lalu lintas yang sangat penting untuk melatih sistem pelacakan. Semakin banyak data yang tersedia, semakin sukses mobil otonom dapat menjadi.

Penelitian ini dipresentasikan pada konferensi virtual Computer Vision and Pattern Recognition (CVPR) antara tanggal 14-19 Juni.

Himangi Mittal adalah magang penelitian yang bekerja bersama David Held, asisten profesor di Institut Robotika CMU.

“Metode kami jauh lebih kuat daripada metode sebelumnya karena kami dapat melatih pada dataset yang jauh lebih besar,” kata Mittal.

Lidar dan Aliran Adegan

Sebagian besar kendaraan otonom saat ini mengandalkan lidar sebagai sistem navigasi utama. Lidar adalah perangkat laser yang melihat apa yang mengelilingi kendaraan dan menghasilkan informasi 3D dari itu.

Informasi 3D ini datang dalam bentuk awan titik, dan kendaraan menggunakan teknik yang disebut aliran adegan untuk memproses data. Aliran adegan melibatkan kecepatan dan trajektori dari setiap titik 3D yang dihitung. Jadi, ketika ada kendaraan lain, pejalan kaki, atau objek yang bergerak, mereka digambarkan ke sistem sebagai sekelompok titik yang bergerak bersama.

Metode tradisional untuk melatih sistem ini biasanya memerlukan dataset yang dilabeli, yang merupakan data sensor yang telah dianotasi untuk melacak titik 3D dari waktu ke waktu. Karena dataset ini memerlukan pelabelan manual dan mahal, jumlahnya sangat terbatas. Untuk mengatasi ini, data simulasi digunakan dalam pelatihan aliran adegan, dan meskipun kurang efektif daripada metode lain, sejumlah kecil data dunia nyata digunakan untuk meningkatkannya.

Peneliti yang disebutkan, bersama dengan mahasiswa Ph.D. Brian Okorn, mengembangkan metode baru ini dengan menggunakan data yang tidak dilabeli dalam pelatihan aliran adegan. Jenis data ini jauh lebih mudah dikumpulkan dan hanya memerlukan lidar yang dipasang di atas mobil saat berkendara.

Mendeteksi Kesalahan

Agar ini berfungsi, peneliti harus menemukan cara bagi sistem untuk mendeteksi kesalahan sendiri dalam aliran adegan. Sistem baru ini mencoba membuat prediksi tentang di mana setiap titik 3D akan berakhir dan seberapa cepat ia bergerak, dan kemudian mengukur jarak antara lokasi prediksi dan lokasi sebenarnya dari titik. Ini yang membentuk satu jenis kesalahan yang harus diminimalkan.

Setelah proses itu, sistem kemudian bekerja mundur dari lokasi prediksi titik untuk memetakan di mana titik itu berasal. Dengan mengukur jarak antara posisi prediksi dan titik asal, jenis kesalahan kedua terbentuk dari jarak yang dihasilkan.

Setelah mendeteksi kesalahan-kesalahan ini, sistem kemudian bekerja untuk memperbaikinya.

“Ternyata untuk menghilangkan kedua kesalahan itu, sistem sebenarnya perlu belajar melakukan hal yang benar, tanpa pernah diberitahu apa yang benar,” kata Held.

Hasilnya menunjukkan akurasi aliran adegan sebesar 25% ketika menggunakan dataset sintetis, dan ketika ditingkatkan dengan sejumlah kecil data dunia nyata, angka itu meningkat menjadi 31%. Angka itu meningkat lebih banyak menjadi 46% ketika sejumlah besar data yang tidak dilabeli ditambahkan untuk melatih sistem.