Mobil self-driving ditenagai oleh algoritme pembelajaran mesin yang membutuhkan sejumlah besar data mengemudi agar dapat berfungsi dengan aman. Tetapi jika mobil self-driving dapat belajar mengemudi dengan cara yang sama seperti bayi belajar berjalan—dengan mengamati dan menirukan orang lain di sekitar mereka—mereka akan membutuhkan jauh lebih sedikit kompilasi data mengemudi. Gagasan itu mendorong insinyur Universitas Boston Eshed Ohn-Bar untuk mengembangkan cara yang sama sekali baru bagi kendaraan otonom untuk mempelajari teknik mengemudi yang aman—dengan mengamati mobil lain di jalan, memprediksi bagaimana mereka akan merespons lingkungan mereka, dan menggunakan informasi itu untuk membuat mereka keputusan mengemudi sendiri.
Ohn-Bar, asisten profesor teknik elektro dan komputer BU College of Engineering dan rekan fakultas junior di Institut Rafik B. Hariri BU untuk Computing and Computational Science & Engineering, dan Jimuyang Zhang, seorang mahasiswa BU PhD di bidang teknik listrik dan komputer, baru-baru ini mempresentasikan penelitian mereka di Konferensi Visi Komputer dan Pengenalan Pola 2021. Ide mereka untuk paradigma pelatihan datang dari keinginan untuk meningkatkan berbagi data dan kerja sama di antara para peneliti di bidangnya—saat ini, kendaraan otonom membutuhkan banyak data mengemudi untuk mempelajari cara mengemudi dengan aman, tetapi beberapa perusahaan mobil terbesar di dunia tetap mempertahankannya. sejumlah data pribadi untuk mencegah persaingan.
“Setiap perusahaan menjalani proses yang sama dalam mengambil mobil, memasang sensor pada mereka, membayar pengemudi untuk mengemudikan kendaraan, mengumpulkan data, dan mengajari mobil untuk mengemudi,” kata Ohn-Bar. Berbagi data mengemudi itu dapat membantu perusahaan membuat kendaraan otonom yang aman lebih cepat, memungkinkan semua orang di masyarakat mendapat manfaat dari kerja sama tersebut. Sistem mengemudi yang cerdas secara artifisial membutuhkan begitu banyak data untuk bekerja dengan baik, kata Ohn-Bar, sehingga tidak ada satu perusahaan pun yang dapat menyelesaikan masalah ini sendiri.
“Milyaran mil [data yang dikumpulkan di jalan] hanyalah setetes di lautan peristiwa dan keragaman dunia nyata,” kata Ohn-Bar. “Namun, sampel data yang hilang dapat menyebabkan perilaku tidak aman dan potensi crash.”
Algoritma pembelajaran mesin yang diusulkan para peneliti bekerja dengan memperkirakan sudut pandang dan titik buta dari mobil terdekat lainnya untuk membuat peta pandangan mata burung dari lingkungan sekitarnya. Peta ini membantu mobil self-driving mendeteksi rintangan, seperti mobil lain atau pejalan kaki, dan untuk memahami bagaimana mobil lain berbelok, bernegosiasi, dan menyerah tanpa menabrak apa pun.
Melalui metode ini, mobil self-driving belajar dengan menerjemahkan tindakan kendaraan di sekitarnya ke dalam kerangka acuan mereka sendiri—jaringan saraf bertenaga algoritma pembelajaran mesin mereka. Mobil lain ini mungkin kendaraan yang dikemudikan manusia tanpa sensor apa pun, atau kendaraan auto-pilot perusahaan lain. Karena pengamatan dari semua mobil di sekitar dalam suatu pemandangan merupakan pusat pelatihan algoritme, paradigma "belajar sambil menonton" ini mendorong berbagi data, dan akibatnya kendaraan otonom yang lebih aman.
Ohn-Bar dan Zhang menguji algoritme "lihat dan pelajari" mereka dengan membuat mobil otonom yang dikendarainya menavigasi dua kota virtual—satu dengan belokan dan rintangan langsung yang mirip dengan lingkungan pelatihan mereka, dan satu lagi dengan tikungan tak terduga, seperti persimpangan lima arah. Dalam kedua skenario, para peneliti menemukan bahwa jaringan saraf self-driving mereka mengalami sangat sedikit kecelakaan. Dengan hanya satu jam mengemudi data untuk melatih algoritme pembelajaran mesin, kendaraan otonom tiba dengan selamat di tempat tujuan 92 persen dari waktu.
“Meskipun metode terbaik sebelumnya membutuhkan waktu berjam-jam, kami terkejut bahwa metode kami dapat belajar mengemudi dengan aman hanya dengan 10 menit data mengemudi,” kata Ohn-Bar.
Hasil ini menjanjikan, katanya, tetapi masih ada beberapa tantangan terbuka dalam menghadapi pengaturan perkotaan yang rumit. “Memperhitungkan perspektif yang sangat bervariasi di seluruh kendaraan yang diawasi, kebisingan dan oklusi dalam pengukuran sensor, dan berbagai pengemudi sangat sulit,” katanya.
Ke depan, tim mengatakan metode mereka untuk mengajarkan kendaraan otonom untuk mengemudi sendiri dapat digunakan dalam teknologi lain juga. "Pengiriman robot atau bahkan drone dapat belajar dengan melihat sistem AI lain di lingkungan mereka,” kata Ohn-Bar.
