Mengapa Mobil Self-Driving Adalah Masa Depan dan Bagaimana Mereka Dibuat?

Karena langkah-langkah karantina adaptif yang diberlakukan di hampir semua bagian dunia, perjalanan udara, transportasi umum, dan banyak sektor lainnya mengalami dampak besar pada tahun 2020. Namun, dunia otomotif dan kendaraan otonom, khususnya, menunjukkan ketahanan yang meningkat selama waktu sulit ini. Faktanya, perusahaan seperti Ford telah meningkatkan investasi mereka dalam pengembangan mobil listrik dan self-driving dengan mengalokasikan $29 miliar pada kuartal keempat tahun lalu. Secara khusus, $7 miliar dari uang tersebut akan digunakan untuk pengembangan mobil self-driving. Jadi, Ford bergabung dengan General Motors (GM ), Tesla (TSLA ), Baidu, dan produsen mobil lainnya dalam berinvestasi besar-besaran pada kendaraan otonom. Dalam artikel ini, kami akan memberitahu Anda tentang mengapa perusahaan berinvestasi pada mobil self-driving dan bagaimana algoritma pembelajaran mesin yang memungkinkan mereka dilatih.

Mengapa Banyak Perusahaan Berinvestasi pada Mobil Self-Driving?

Ketika kita melihat semua manfaat yang ditawarkan oleh kendaraan otonom, mudah untuk memahami mengapa banyak perusahaan berinvestasi pada pengembangannya. Pengemudi akan dapat menghemat lebih banyak uang karena mereka tidak perlu membayar asuransi yang mahal, mempercepat perjalanan sehari-hari, meningkatkan efisiensi bahan bakar, dan banyak manfaat lainnya. Bagi perusahaan, otomatisasi seperti ini membuka pintu untuk penghematan yang lebih besar. Contoh yang baik adalah truk otonom jarak jauh yang dapat mengurangi biaya operasional sebesar 45%, menurut laporan oleh McKinsey & Company.

Manfaat utama harusnya adalah peningkatan keselamatan. Menurut NHTSA, 94% kecelakaan serius disebabkan oleh kesalahan manusia. Mobil self-driving dapat mengurangi jumlah kecelakaan secara signifikan karena mereka tidak memerlukan input pengemudi dan memiliki pandangan 360 derajat setiap saat. Juga, sistem keselamatan pengemudi canggih (ADAS) dapat mengambil alih fungsi keselamatan kritis dalam situasi berbahaya seperti pengereman dan kemudi. Ada banyak nilai tambah yang ditawarkan oleh kendaraan otonom kepada masyarakat seperti emisi yang berkurang. Faktanya, sebuah studi kasus menunjukkan penurunan 9% dalam energi dan emisi gas rumah kaca dalam seluruh siklus hidup kendaraan dibandingkan dengan kendaraan konvensional. Sekarang bahwa kita tahu semua manfaat yang ditawarkan oleh mobil self-driving, mari kita lihat bagaimana mereka dilatih untuk mengenali dunia di sekitar mereka.

Bagaimana Kendaraan Otonom Bekerja dan Bagaimana Mereka Menjadi Kenyataan

Kendaraan otonom memerlukan untuk mengikuti aturan jalan dan untuk melakukan itu, mereka perlu mengenali semua tanda lalu lintas, marka jalan, mendeteksi kendaraan lain dan pejalan kaki, dan banyak objek lainnya. Kendaraan AI ini bergantung pada pembelajaran mesin untuk “menghitung” apa yang perlu dilakukan dalam berbagai situasi mengemudi. Mari kita mulai dengan contoh dasar. Seseorang berada di dalam kendaraan otonomnya dan mengemudi di jalan raya untuk pergi ke tempat kerja. Mobil tersebut perlu mengidentifikasi batas kecepatan yang diposting, mempertahankan jarak yang aman dari mobil di depan, dan ketika memasuki daerah perumahan, mobil perlu mengenali pejalan kaki dan membiarkan mereka menyeberang.

Hal ini memerlukan ribuan dan ribuan gambar untuk dianotasi dengan teknik yang berkisar dari pelabelan hingga segmentasi semantik. Faktanya, Evgenia Khimenko, CEO Mindy Support, sebuah perusahaan yang menyediakan layanan anotasi data untuk sektor otomotif, mengatakan bahwa ada berbagai proyek anotasi data untuk industri otomotif yang memungkinkan:

“Ini termasuk proyek seperti pengenalan wajah pada video untuk melatih mobil self-driving mengenali perilaku pengemudi lain di jalan, pelabelan video dan anotasi untuk mendeteksi gerakan dan arah kendaraan (kami telah menganotasi lebih dari 545 juta urutan gambar). Tugas anotasi audio yang canggih adalah ketika kami harus mengidentifikasi timestamp dan melabeli ucapan manusia serta semua suara latar yang terjadi di dalam kendaraan seperti radio, tertawa, berteriak, menyanyi, hewan, dan bahkan keheningan”.

Mari kita pertimbangkan skenario yang kompleks. Bayangkan kendaraan otonom mengemudi di lingkungan perumahan dan ada remaja dengan skateboard yang menunggu untuk menyeberang jalan. Menurut aturan, mobil memiliki hak jalan, tetapi ada kemungkinan besar bahwa remaja tersebut tidak akan menunggu lampu merah berubah hijau dan akan mencoba menyeberang jalan lebih dulu. Pengemudi manusia akan sangat menyadari risiko seperti itu dan akan memperlambat untuk mengantisipasi kejadian seperti itu, tetapi bagi mesin, ini akan sangat sulit untuk dihitung. Ini adalah langkah berikutnya yang para peneliti coba ambil dengan kendaraan otonom dan mungkin lebih banyak data yang dianotasi dapat menjadi jawabannya.

Bagaimana Kendaraan Otonom Melihat Dunia Fisik?

Kendaraan otonom bergantung pada teknologi LiDAR untuk membantu mereka melihat dunia di sekitar mereka. LiDAR menciptakan awan titik 3D yang merupakan representasi digital tentang bagaimana sistem AI melihat dunia. Teknologi ini tidak hanya digunakan untuk kendaraan otonom, tetapi juga untuk pekerjaan otomatisasi robotik lainnya seperti menciptakan robot yang dapat memanen tanaman untuk sektor pertanian. Awan titik 3D juga perlu dianotasi sehingga mesin tahu apa yang mereka lihat. Ini biasanya dilakukan dengan teknik seperti pelabelan, kotak 3D, dan segmentasi semantik. Bentuk anotasi yang lebih maju adalah dengan memberi warna pada awan titik 3D sehingga kendaraan memahami jarak objek.

Cara LiDAR bekerja adalah dengan mengirim sinyal cahaya ke semua objek di sekitarnya dan tergantung pada seberapa lama cahaya itu kembali, memberikan AI pemahaman tentang seberapa jauh objek itu. Misalnya, tanah pada awan titik 3D akan selalu berwarna biru karena itu adalah titik terendah, cahaya akan memantul dengan cepat dan biru memiliki panjang gelombang yang sangat pendek. Salah satu bangunan di sekitarnya mungkin berwarna merah atau oranye tergantung pada seberapa jauh jaraknya.

Perlu diperhatikan bahwa LiDAR bukan satu-satunya teknologi yang digunakan. Misalnya, Tesla menggunakan sesuatu yang disebut Hydrant, yang merupakan kombinasi dari delapan kamera yang menyatukan gambar lengkap jalan. Perusahaan lain, seperti Waymo dan Voyage, menggunakan LiDAR. Salah satu alasan mengapa Tesla mungkin menghindari LiDAR adalah karena LiDAR sangat besar dan merusak penampilan kendaraan. Setelah semua, Tesla sangat mahal dan pengemudi mungkin tidak ingin sebuah kotak besar di atap mobil mereka. Perusahaan yang mengembangkan robotaksi, seperti Waymo, mungkin dapat menggunakan LiDAR.

Mengapa Data Pelatihan Berkualitas Sangat Penting?

Memiliki data pelatihan berkualitas adalah salah satu hal paling penting yang perlu dimiliki untuk menciptakan mobil self-driving. Namun, hanya memperoleh data tersebut tidak cukup. Dataset pelatihan perlu disiapkan melalui anotasi data sehingga sistem AI dapat belajar dari mereka. Sementara ini adalah proses yang sangat memakan waktu dan membosankan, kesuksesan proyek seluruhnya bergantung pada itu. Setelah semua, mobil self-driving adalah masa depan dan dapat membantu kita mengurangi atau bahkan menghilangkan beberapa masalah yang kita hadapi dalam hal kecelakaan mobil dan korban, masalah lingkungan, dan kemacetan di jalan.