Tes kecerdasan yang lebih baik untuk sistem mengemudi otonom
Auto

Tes kecerdasan yang lebih baik untuk sistem mengemudi otonom


Kredit: Pixabay / CC0 Domain Publik

Pada 2015, Elon Musk memperkirakan industri akan mengharapkan kendaraan otonom sepenuhnya pada 2018 — tetapi itu tidak pernah terjadi. Pada tahun 2014, Nissan menjanjikan banyak kendaraan tanpa pengemudi yang layak secara komersial di pasar pada tahun 2020. Meskipun pandemi COVID-19 tidak membantu situasi, ini adalah janji lain yang belum terpenuhi. Mengapa pabrikan mobil harus terus menggerakkan tiang gawang pada kendaraan tanpa pengemudi? Menurut sebuah makalah penelitian yang baru-baru ini diterbitkan di Komunikasi Alam oleh Center for Connected and Automated Transportation (CCAT), salah satu kendala yang menghambat pengembangan kendaraan otonom adalah ketidakefisienan yang parah dalam cara pengujian dan evaluasi kendaraan otonom dilakukan.

Buzz di sekitar kendaraan otonom (AV) memiliki banyak aspek, tetapi sebagian besar dapat dikaitkan dengan penurunan proyeksi kematian lalu lintas dan kemungkinan menyediakan akses yang lebih besar ke pendidikan, perawatan kesehatan dan peluang kerja bagi masyarakat yang kurang terlayani. Untuk adopsi yang luas, teknologi mengemudi otonom harus terbukti aman dengan menjalani serangkaian tes ketat untuk mengevaluasi kecerdasannya dibandingkan dengan pengemudi manusia. Sayangnya, tidak ada tes standar yang diketahui untuk mengevaluasi kesiapan AV. Saat ini, pengujian mutakhir menggabungkan simulasi perangkat lunak, pengujian jalur tertutup, dan pengujian di jalan.

Masalah dengan sebagian besar perangkat lunak simulasi dan trek pengujian yang tersedia adalah bahwa peristiwa yang menarik, termasuk kecelakaan, jarang terjadi. Jadi, sistem mungkin memerlukan ratusan juta (terkadang miliaran) mil yang ditempuh untuk mendemonstrasikan kinerja keselamatan. Hingga saat ini, Waymo hanya mensimulasikan total 15 miliar mil. Pengujian berbasis skenario telah digunakan dalam praktik, di mana casing sudut dirancang oleh pakar keselamatan atau dikumpulkan dari pengujian di jalan dan diputar ulang untuk memeriksa respons AV. Namun, skenario ini berbeda dan tidak mungkin untuk dicantumkan. Biasanya, mereka hanya melibatkan manuver sederhana, jumlah kendaraan yang sedikit, dan waktu mengemudi yang singkat. Pekerjaan yang dilakukan oleh Dr. Liu dan timnya bertujuan untuk membangun lingkungan pengendaraan naturalistik dan adversarial (NADE), dengan harapan dapat mengatasi kendala di atas dan meningkatkan efisiensi pengujian / evaluasi jalur tertutup dan simulasi.

Dr. Henry Liu, profesor teknik sipil dan lingkungan di Universitas Michigan, membangun simulasi lingkungan mengemudi menggunakan data mengemudi naturalistik skala besar yang dikumpulkan oleh Institut Penelitian Transportasi Universitas Michigan (UMTRI). Dengan melatih kendaraan latar belakang untuk mempelajari kapan harus melakukan manuver permusuhan tertentu, sekaligus menjaga sebagian besar lingkungan mengemudi yang naturalistik, metode pengujian yang baru diusulkan menghilangkan bias dan meningkatkan efisiensi.

Berbeda dengan pendekatan berbasis skenario, NADE terus menerus, memungkinkan interaksi tanpa gangguan antara AV dan beberapa kendaraan latar belakang. Misalnya, jika seorang peneliti ingin menguji kendaraan mereka di lingkungan perkotaan, pendekatan ini akan memungkinkan pengujian AV untuk terus berjalan dan mengalami skenario permusuhan termasuk kejadian cut-in dan pengereman keras pada tingkat yang lebih tinggi. Hasilnya menunjukkan bahwa lingkungan ini menghilangkan inefisiensi dari opsi yang tersedia saat ini dengan beberapa kali lipat. Diharapkan pendekatan ini dapat mempercepat penggelaran kendaraan otonom.

Metodologi yang diusulkan oleh makalah ini, bersama dengan lingkungan pengujian augmented reality Dr. Liu, akan diterapkan di American Center for Mobility (ACM) pada tahun 2021. Didirikan pada tahun 2016, American Center for Mobility adalah pusat pengujian kota pintar yang terletak di atas 500 hektar di situs bersejarah Willow Run di Ypsilanti, MI. ACM adalah upaya kolaboratif yang terdiri dari pemerintah, industri, dan organisasi akademik yang berfokus pada percepatan industri mobilitas melalui penelitian, pengujian, pengembangan standar, dan program pendidikan. Kemitraan ini bertujuan menjadikan Michigan tenggara sebagai lokasi unggulan untuk pengujian dan validasi kendaraan otonom.

“Mengemudi satu mil di ACM menggunakan simulasi augmented reality dengan NADE yang ditumpangkan di trek kami bisa sama dengan ratusan atau ribuan mil jalan umum, yang mengarah ke biaya keseluruhan dan waktu tunggu yang jauh lebih rendah untuk memvalidasi AV di lingkungan pengujian yang lebih aman, terkontrol, dan dapat diulang. ACM melihat ini sebagai sumber daya pengembangan produk yang signifikan dan pendukung bagi pengembang AV, “kata presiden dan CEO ACM, Ruben Sarkar.


Badan keamanan AS meminta masukan tentang aturan kendaraan otonom


Informasi lebih lanjut:
Shuo Feng dkk. Tes kecerdasan mengemudi yang cerdas untuk kendaraan otonom dengan lingkungan naturalistik dan permusuhan, Komunikasi Alam (2021). DOI: 10.1038 / s41467-021-21007-8

Disediakan oleh University of Michigan

Kutipan: Tes kecerdasan yang lebih baik untuk sistem mengemudi otonom (2021, 3 Februari) diambil pada 3 Februari 2021 dari https://techxplore.com/news/2021-02-intelligence-autonomous.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : https://totohk.co/