Alat Keselamatan Kendaraan Otonom yang Dapat Diskalakan Dikembangkan oleh Peneliti

Seiring dengan peningkatan kecepatan produksi dan penerapan kendaraan otonom, keselamatan kendaraan otonom menjadi semakin penting. Oleh karena itu, peneliti berinvestasi dalam pembuatan metrik dan alat untuk melacak keselamatan kendaraan otonom. Seperti yang dilaporkan oleh ScienceDaily, tim peneliti dari Universitas Illinois di Urbana-Champaign telah menggunakan algoritma pembelajaran mesin untuk membuat platform analisis keselamatan kendaraan otonom yang dapat diskalakan, menggunakan perbaikan perangkat keras dan perangkat lunak untuk melakukannya.

Meningkatkan keselamatan kendaraan otonom tetap menjadi salah satu tugas yang lebih sulit dalam AI, karena banyak variabel yang terlibat dalam tugas tersebut. Tidak hanya sensor dan algoritma yang terlibat dalam kendaraan sangat kompleks, tetapi juga banyak kondisi eksternal yang terus berubah, seperti kondisi jalan, topografi, cuaca, pencahayaan, dan lalu lintas.

Lanskap dan algoritma kendaraan otonom terus berubah, dan perusahaan memerlukan cara untuk mengikuti perubahan dan menanggapi masalah baru. Peneliti Illinois bekerja pada platform yang memungkinkan perusahaan untuk menangani kekhawatiran keselamatan yang baru diidentifikasi dengan cara yang cepat dan efektif biaya. Namun, kompleksitas sistem yang menggerakkan kendaraan otonom membuat ini menjadi tugas besar. Tim peneliti merancang sistem yang dapat melacak dan memperbarui sistem kendaraan otonom yang mengandung puluhan prosesor dan akselerator yang menjalankan jutaan baris kode.

Secara umum, kendaraan otonom mengemudi dengan cukup aman. Namun, ketika kegagalan atau peristiwa yang tidak terduga terjadi, kendaraan otonom saat ini lebih mungkin terlibat dalam kecelakaan daripada pengemudi manusia, karena kendaraan sering memiliki kesulitan dalam menghadapi situasi darurat yang tiba-tiba. Sulit untuk mengukur seberapa aman kendaraan otonom dan apa yang menjadi penyebab kecelakaan, tetapi jelas bahwa kegagalan kendaraan yang bergerak dengan kecepatan 70 mph di jalan dapat sangat berbahaya, sehingga perlu untuk meningkatkan penanganan situasi darurat oleh kendaraan otonom.

Saurabh Jha, seorang kandidat doktor dan salah satu peneliti yang terlibat dalam program tersebut, menjelaskan kepada ScienceDaily tentang kebutuhan untuk meningkatkan penanganan kegagalan dalam kendaraan otonom. Jha menjelaskan

“Jika pengemudi mobil biasa merasakan masalah seperti selip atau tarik, pengemudi dapat menyesuaikan perilakunya dan mengarahkan mobil ke titik pemberhentian yang aman. Namun, perilaku kendaraan otonom mungkin tidak dapat diprediksi dalam skenario seperti itu kecuali kendaraan otonom secara eksplisit dilatih untuk masalah seperti itu. Di dunia nyata, ada jumlah tak terhingga kasus seperti itu.”

Peneliti tersebut bertujuan untuk menyelesaikan masalah ini dengan mengumpulkan dan menganalisis data yang melibatkan laporan keselamatan yang diserahkan oleh perusahaan kendaraan otonom. Perusahaan seperti Waymo dan Uber diwajibkan untuk menyampaikan laporan kepada DMV di California setidaknya setahun sekali. Laporan tersebut berisi data tentang statistik seperti jarak yang ditempuh, kecelakaan yang terjadi, dan kondisi di mana kendaraan beroperasi.

Tim peneliti Universitas Illinois menganalisis laporan yang mencakup tahun 2014 hingga 2017. Selama periode tersebut, kendaraan otonom mengemudi sekitar 1.116.000 mil yang tersebar di 144 kendaraan yang berbeda. Menurut temuan tim peneliti, ketika dibandingkan dengan jarak yang sama yang ditempuh oleh pengemudi manusia, kecelakaan 4000 kali lebih mungkin terjadi. Kecelakaan tersebut mungkin mengimplikasikan bahwa AI kendaraan gagal untuk memutuskan dan menghindari kecelakaan, dan sebaliknya mengandalkan pengemudi manusia untuk mengambil alih.

Sulit untuk mendiagnosa kesalahan potensial dalam perangkat keras atau perangkat lunak kendaraan otonom karena banyak kesalahan hanya akan muncul di bawah kondisi yang tepat. Tidaklah memungkinkan untuk melakukan tes di bawah setiap kondisi yang mungkin terjadi di jalan. Sebagai gantinya, tim peneliti menggunakan lingkungan simulasi untuk secara drastis mengurangi jumlah uang dan waktu yang dihabiskan dalam menghasilkan data untuk pelatihan AV.

Tim peneliti menggunakan data yang dihasilkan untuk mengeksplorasi situasi di mana kegagalan AV dapat terjadi dan masalah keselamatan dapat terjadi. Tampaknya menggunakan simulasi dapat membantu perusahaan menemukan risiko keselamatan yang tidak akan mereka temukan dengan cara lain. Misalnya, ketika tim menguji Apollo AV, yang dibuat oleh Baidu, mereka mengisolasi lebih dari 500 contoh di mana AV gagal menangani situasi darurat dan kecelakaan terjadi sebagai hasilnya. Tim peneliti berharap perusahaan lain akan menggunakan platform pengujian mereka dan meningkatkan keselamatan kendaraan otonom mereka.