Kecocokan yang dibuat di surga transportasi: AI dan mobil self-driving

Kecerdasan buatan (AI) memiliki potensi untuk merevolusi cara kita mengemudi dan mengangkut barang dan orang. Mobil self-driving, juga dikenal sebagai kendaraan otonom, adalah jenis kendaraan yang menggunakan AI dan teknologi canggih lainnya untuk menavigasi jalan raya dan jalan raya tanpa memerlukan pengemudi manusia.

Ada beberapa manfaat dari mobil self-driving. Pertama, mereka memiliki potensi untuk secara signifikan mengurangi jumlah kecelakaan yang disebabkan oleh kesalahan manusia. Ini dapat menyebabkan lebih sedikit kematian dan cedera di jalan. Mobil self-driving juga dapat meningkatkan arus lalu lintas dan mengurangi kemacetan, karena mereka dapat berkomunikasi satu sama lain dan membuat keputusan secara real-time untuk mengoptimalkan rute dan kecepatannya.

Selain itu, mobil self-driving juga dapat memberikan dampak positif terhadap lingkungan dengan mengurangi konsumsi bahan bakar dan emisi. Mereka juga dapat meningkatkan mobilitas bagi orang yang tidak dapat mengemudi karena usia, kecacatan, atau faktor lainnya.

Bagaimana kecerdasan buatan digunakan dalam mobil self-driving?

Masih banyak tantangan yang harus diselesaikan sebelum mobil self-driving tersebar luas. Salah satu tantangan utamanya adalah mengembangkan sistem AI yang cukup andal dan aman untuk digunakan di jalan umum. Ada juga masalah peraturan, hukum, dan etika yang harus dipertimbangkan, seperti bagaimana memastikan keselamatan penumpang dan pejalan kaki dan bagaimana menangani tanggung jawab jika terjadi kecelakaan.

Terlepas dari tantangan ini, pengembangan mobil self-driving bergerak maju dengan sangat cepat. Banyak perusahaan, termasuk pembuat mobil tradisional dan perusahaan teknologi, banyak berinvestasi dalam teknologi, dan mobil self-driving sudah diuji di jalan umum di beberapa daerah. Kemungkinan kita akan melihat mobil self-driving di jalan raya dalam waktu dekat, meskipun sulit untuk memprediksi dengan tepat kapan mobil itu akan menjadi umum.

Kecerdasan buatan dalam industri otomotif

Berikut adalah beberapa cara kecerdasan buatan digunakan dalam mobil self-driving:

Penginderaan dan persepsi

Mobil self-driving menggunakan berbagai sensor, seperti kamera, lidar, radar, dan sensor ultrasonik, untuk mengumpulkan data tentang sekelilingnya. Data ini kemudian diproses dan dianalisis menggunakan algoritme AI untuk membuat peta detail lingkungan dan mengidentifikasi objek, seperti pejalan kaki, kendaraan lain, lampu lalu lintas, dan rambu jalan.

pengambilan keputusan

Mobil self-driving menggunakan kecerdasan buatan untuk membuat keputusan waktu nyata berdasarkan data yang mereka kumpulkan dari sensor mereka. Misalnya, jika mobil self-driving mendeteksi pejalan kaki menyeberang jalan, itu akan menggunakan AI untuk menentukan tindakan terbaik, seperti memperlambat atau berhenti.

Pemodelan prediktif

Mobil self-driving menggunakan AI untuk memprediksi perilaku pengguna jalan lain, seperti pejalan kaki dan kendaraan lain. Ini membantu mobil mengantisipasi potensi masalah dan mengambil tindakan yang tepat untuk menghindarinya.

Pemrosesan bahasa alami

Beberapa mobil self-driving dilengkapi dengan teknologi pengenalan suara yang memungkinkan penumpang berkomunikasi dengan mobil menggunakan bahasa alami. Teknologi ini menggunakan AI untuk memahami dan merespons perintah yang diucapkan.

Secara keseluruhan, AI adalah komponen kunci dari mobil self-driving, memungkinkan mereka merasakan, melihat, dan menavigasi lingkungan mereka, serta membuat keputusan dan merespons perubahan kondisi secara real time.

Pembelajaran mendalam dalam mobil self-driving

Pembelajaran mendalam adalah jenis pembelajaran mesin yang melibatkan pelatihan jaringan syaraf tiruan pada kumpulan data besar. Jaringan saraf ini dapat mempelajari dan mengenali pola dalam data dan dapat digunakan untuk melakukan berbagai tugas, termasuk pengenalan gambar dan ucapan, pemrosesan bahasa alami, dan pemodelan prediktif.

Dalam konteks mobil self-driving, pembelajaran mendalam sering digunakan untuk meningkatkan akurasi dan keandalan sistem kecerdasan buatan yang memungkinkan mobil menavigasi dan mengambil keputusan. Misalnya, algoritme pembelajaran mendalam dapat dilatih pada kumpulan data gambar dan video berukuran besar untuk memungkinkan mobil mengenali dan mengklasifikasikan objek di lingkungannya, seperti pejalan kaki, kendaraan lain, dan rambu lalu lintas.

---

Kerangka kerja pembelajaran mendalam PaddlePaddle memperluas AI ke aplikasi industri

---

Pembelajaran mendalam juga digunakan untuk meningkatkan akurasi pemodelan prediktif pada mobil self-driving. Misalnya, mobil dapat menggunakan algoritme pembelajaran mendalam untuk menganalisis data dari sensornya dan memprediksi kemungkinan pejalan kaki menyeberang jalan di lokasi tertentu, atau kemungkinan kendaraan lain melakukan perubahan jalur secara tiba-tiba.

Pentingnya GDDR6 untuk mobil self-driving

GDDR6 (Graphics Double Data Rate 6) adalah jenis memori yang digunakan dalam unit pemrosesan grafis (GPU) untuk menyimpan dan memproses data untuk perenderan grafis dan tugas intensif komputasi lainnya. Dalam konteks pengemudian otonom, GDDR6 penting karena memungkinkan pemrosesan data dalam jumlah besar dengan kecepatan tinggi yang diperlukan untuk pengoperasian mobil tanpa pengemudi.

Mobil self-driving mengandalkan berbagai sensor, seperti kamera, lidar, radar, dan sensor ultrasonik, untuk mengumpulkan data tentang sekelilingnya. Data ini kemudian diproses dan dianalisis menggunakan algoritme AI untuk membuat peta detail lingkungan dan mengidentifikasi objek, seperti pejalan kaki, kendaraan lain, lampu lalu lintas, dan rambu jalan. Pemrosesan dan analisis data yang diperlukan untuk mengaktifkan tugas ini intensif secara komputasi, dan membutuhkan memori berkecepatan tinggi seperti GDDR6 untuk menyimpan dan mengakses data dengan cepat.

Selain memungkinkan pemrosesan data berkecepatan tinggi, GDDR6 juga hemat energi, yang penting untuk pengoperasian mobil self-driving, karena harus dapat beroperasi dalam jangka waktu lama tanpa perlu diisi ulang.

Secara keseluruhan, GDDR6 adalah teknologi penting untuk masa depan pengemudian otonom, karena memungkinkan pemrosesan data dalam jumlah besar yang cepat dan efisien yang diperlukan untuk pengoperasian mobil tanpa pengemudi.

Algoritme kecerdasan buatan otomotif dan mobil self-driving

Metode pembelajaran yang diawasi dan tidak diawasi digunakan dalam algoritme AI otomotif.

Pembelajaran terawasi

Pembelajaran yang diawasi adalah jenis pembelajaran mesin di mana model dilatih pada kumpulan data berlabel, artinya data tersebut telah diberi label dengan output yang benar. Tujuan pembelajaran terawasi adalah mempelajari fungsi yang memetakan input ke output berdasarkan data berlabel.

Selama proses pelatihan, model disajikan dengan sekumpulan pasangan input/output dan menggunakan algoritma optimisasi untuk menyesuaikan parameter internalnya sehingga dapat memprediksi secara akurat output yang diberikan input baru. Setelah model dilatih, model tersebut dapat digunakan untuk membuat prediksi pada data baru yang tidak terlihat.

Pembelajaran yang diawasi biasanya digunakan untuk tugas-tugas seperti klasifikasi (memprediksi label kelas), regresi (memprediksi nilai kontinu), dan prediksi terstruktur (memprediksi urutan atau output berstruktur pohon).

Pembelajaran yang diawasi dapat digunakan dalam mobil self-driving dalam beberapa cara. Berikut beberapa contohnya:

• Pengenalan objek: Algoritma pembelajaran yang diawasi dapat digunakan untuk melatih model untuk mengenali objek dalam data yang dikumpulkan oleh sensor mobil yang dapat mengemudi sendiri. Misalnya, sebuah model dapat dilatih untuk mengenali pejalan kaki, kendaraan lain, lampu lalu lintas, dan rambu jalan dalam gambar atau awan titik lidar.
• modeling: Algoritme pembelajaran yang diawasi dapat digunakan untuk melatih model untuk memprediksi kemungkinan peristiwa tertentu yang terjadi di lingkungan. Misalnya, sebuah model dapat dilatih untuk memprediksi kemungkinan pejalan kaki menyeberang jalan di lokasi tertentu atau kemungkinan kendaraan lain melakukan perubahan jalur secara tiba-tiba.
• Prediksi perilaku: Algoritme pembelajaran yang diawasi dapat digunakan untuk melatih model untuk memprediksi perilaku pengguna jalan lain, seperti pejalan kaki dan kendaraan lain. Ini dapat digunakan, misalnya, untuk memprediksi kemungkinan seorang pejalan kaki akan menyeberang jalan di lokasi tertentu atau untuk memprediksi kemungkinan bahwa kendaraan lain akan melakukan perubahan jalur secara tiba-tiba.

Pembelajaran tanpa pengawasan

Pembelajaran tanpa pengawasan adalah jenis pembelajaran mesin di mana model dilatih pada kumpulan data yang tidak berlabel, artinya data tersebut tidak diberi label dengan keluaran yang benar. Tujuan pembelajaran tanpa pengawasan adalah untuk menemukan pola atau hubungan dalam data, bukan untuk memprediksi output tertentu.

Algoritme pembelajaran tanpa pengawasan tidak memiliki target khusus untuk diprediksi dan malah digunakan untuk menemukan pola dan hubungan dalam data. Algoritme ini sering digunakan untuk tugas-tugas seperti pengelompokan (pengelompokan titik data yang serupa bersama-sama), reduksi dimensi (mengurangi jumlah fitur dalam data), dan deteksi anomali (mengidentifikasi titik data yang tidak biasa atau tidak sesuai dengan data lainnya). data).

Pembelajaran tanpa pengawasan dapat digunakan dalam mobil self-driving dalam beberapa cara. Berikut beberapa contohnya:

• Deteksi anomali: Algoritme pembelajaran tanpa pengawasan dapat digunakan untuk mengidentifikasi kejadian yang tidak biasa atau tidak terduga dalam data yang dikumpulkan oleh sensor mobil self-driving. Misalnya, algoritme pembelajaran tanpa pengawasan dapat digunakan untuk mengidentifikasi pejalan kaki yang menyeberang jalan di lokasi yang tidak terduga atau kendaraan yang melakukan perubahan jalur secara tiba-tiba.
• Pengelompokan: Algoritme pembelajaran tanpa pengawasan dapat digunakan untuk mengelompokkan data yang dikumpulkan oleh sensor mobil otonom, mengelompokkan titik data yang serupa menjadi satu. Ini dapat digunakan, misalnya, untuk mengelompokkan titik data yang sesuai dengan jenis permukaan jalan yang berbeda atau untuk mengelompokkan titik data yang sesuai dengan kondisi lalu lintas yang berbeda.
• Ekstraksi fitur: Algoritme pembelajaran tanpa pengawasan dapat digunakan untuk mengekstraksi fitur dari data yang dikumpulkan oleh sensor mobil self-driving. Misalnya, algoritme pembelajaran tanpa pengawasan dapat digunakan untuk mengidentifikasi fitur di cloud titik lidar yang sesuai dengan tepi objek di lingkungan atau untuk mengidentifikasi fitur dalam gambar yang sesuai dengan tepi objek di tempat kejadian.

Tingkat otonomi dalam mobil self-driving

Mobil self-driving umumnya diklasifikasikan menurut tingkat otomatisasi, mulai dari level 0 (tanpa otomatisasi) hingga level 5 (sepenuhnya otonom). Tingkat otomasi ditentukan oleh Society of Automotive Engineers (SAE) dan adalah sebagai berikut:

Level 0: Tidak ada otomatisasi

Pengemudi memegang kendali penuh kendaraan setiap saat.

Tingkat 1: Bantuan pengemudi

Kendaraan memiliki beberapa fungsi otomatis, seperti penjaga jalur atau cruise control adaptif, tetapi pengemudi harus tetap waspada dan siap mengambil kendali kapan saja.

Level 2: Otomatisasi sebagian

Kendaraan memiliki fungsi otomasi yang lebih maju, seperti kemampuan untuk mengontrol akselerasi, pengereman, dan kemudi kendaraan, namun pengemudi harus tetap memantau lingkungan dan siap melakukan intervensi jika diperlukan.

Level 3: Otomatisasi bersyarat

Kendaraan dapat melakukan semua tugas mengemudi dalam kondisi tertentu, namun pengemudi harus siap untuk mengambil kendali jika kendaraan menghadapi situasi yang tidak dapat ditanganinya.

Level 4: Otomatisasi tinggi

Kendaraan mampu melakukan semua tugas mengemudi dalam berbagai kondisi, namun pengemudi mungkin masih diminta untuk mengambil kendali dalam situasi tertentu, seperti cuaca buruk atau lingkungan berkendara yang kompleks.

Level 5: Otomatisasi penuh

Kendaraan mampu melakukan semua tugas mengemudi dalam kondisi apa pun, dan pengemudi tidak diharuskan untuk mengambil kendali.

Perlu dicatat bahwa mobil otonom belum mencapai level 5, dan tidak jelas kapan akan mencapai level ini. Sebagian besar mobil self-driving yang saat ini ada di jalan berada di level 4 atau lebih rendah.

Mobil self-driving: Pro dan kontra

Mobil self-driving berpotensi mendatangkan banyak manfaat, namun ada juga beberapa tantangan yang perlu diatasi sebelum tersebar luas.

Pro

• Mengurangi kecelakaan: Mobil self-driving memiliki potensi untuk secara signifikan mengurangi jumlah kecelakaan yang disebabkan oleh kesalahan manusia, yang dapat menyebabkan lebih sedikit kematian dan cedera di jalan raya.
• Peningkatan arus lalu lintas: Mobil self-driving dapat meningkatkan arus lalu lintas dan mengurangi kemacetan dengan berkomunikasi satu sama lain dan membuat keputusan waktu nyata untuk mengoptimalkan rute dan kecepatannya.
• Peningkatan mobilitas: Mobil self-driving dapat meningkatkan mobilitas bagi orang yang tidak dapat mengemudi karena usia, disabilitas, atau faktor lainnya.
• Manfaat lingkungan: Mobil self-driving dapat mengurangi konsumsi bahan bakar dan emisi, yang dapat berdampak positif bagi lingkungan.

Kekurangan

• Masalah keandalan dan keamanan: Ada kekhawatiran tentang keandalan dan keamanan mobil self-driving, terutama dalam situasi mengemudi yang rumit atau tidak dapat diprediksi.
• Kehilangan pekerjaan: Mobil self-driving berpotensi menyebabkan hilangnya pekerjaan bagi pengemudi manusia, seperti pengemudi taksi dan truk.
• Masalah etika dan hukum: Ada masalah etika dan hukum yang harus diperhatikan, seperti bagaimana memastikan keselamatan penumpang dan pejalan kaki dan bagaimana menangani tanggung jawab jika terjadi kecelakaan.
• Risiko keamanan siber: Mobil self-driving bisa rentan terhadap serangan dunia maya, yang dapat membahayakan keselamatan dan privasi mereka.

Contoh nyata mobil self-driving

Ada beberapa contoh mobil self-driving yang sedang dikembangkan atau sudah ada di jalan:

Waymo

Waymo adalah perusahaan mobil self-driving yang dimiliki oleh Alphabet, perusahaan induk Google. Mobil otonom Waymo sedang diuji di jalan umum di beberapa kota di Amerika Serikat, termasuk Phoenix, Arizona, dan Detroit, Michigan.

[Embedded content]

Tesla Autopilot

Tesla Autopilot adalah sistem penggerak semi-otonom yang tersedia pada model Tesla tertentu. Meskipun tidak sepenuhnya mengemudi sendiri, ini memungkinkan mobil menangani beberapa tugas mengemudi, seperti menjaga jalur dan mengubah jalur, dengan input minimal dari pengemudi.

[Embedded content]

pelayaran

pelayaran adalah perusahaan mobil self-driving yang dimiliki oleh General Motors. Mobil self-driving Cruise sedang diuji di jalan umum di San Francisco, California dan Phoenix, Arizona.

[Embedded content]

Aurora

Aurora adalah perusahaan mobil swakemudi yang sedang mengembangkan teknologi kendaraan otonom untuk digunakan dalam berbagai aplikasi, termasuk kendaraan penumpang, kendaraan pengiriman, dan transportasi umum. Mobil self-driving Aurora sedang diuji di jalan umum di beberapa kota di Amerika Serikat.

[Embedded content]

Takeaway kunci

• Kecerdasan buatan memainkan peran penting dalam pengembangan dan pengoperasian mobil self-driving.
• AI memungkinkan mobil self-driving untuk merasakan, merasakan, dan menavigasi lingkungan mereka, serta membuat keputusan waktu nyata berdasarkan data yang dikumpulkan dari sensor mereka.
• Pembelajaran mendalam, jenis pembelajaran mesin yang melibatkan pelatihan jaringan syaraf tiruan pada kumpulan data besar, banyak digunakan dalam pengembangan mobil self-driving.
• Mobil self-driving umumnya diklasifikasikan menurut tingkat otomatisasi, mulai dari level 0 (tanpa otomatisasi) hingga level 5 (sepenuhnya otonom).
• Sebagian besar mobil self-driving yang saat ini ada di jalan berada pada level 4 atau lebih rendah, artinya mereka dapat melakukan semua tugas mengemudi dalam kondisi tertentu, tetapi pengemudi harus siap untuk mengambil kendali jika diperlukan.
• Mobil self-driving memiliki potensi untuk secara signifikan mengurangi jumlah kecelakaan yang disebabkan oleh kesalahan manusia, yang dapat menyebabkan lebih sedikit kematian dan cedera di jalan raya.
• Mobil self-driving dapat meningkatkan arus lalu lintas dan mengurangi kemacetan dengan berkomunikasi satu sama lain dan membuat keputusan waktu nyata untuk mengoptimalkan rute dan kecepatan mereka.
• Mobil self-driving dapat meningkatkan mobilitas bagi orang yang tidak dapat mengemudi karena usia, disabilitas, atau faktor lainnya.
• Mobil self-driving dapat mengurangi konsumsi bahan bakar dan emisi, yang dapat berdampak positif bagi lingkungan.
• Ada tantangan yang harus diatasi sebelum mobil self-driving tersebar luas, termasuk pengembangan sistem kecerdasan buatan yang cukup andal dan aman untuk digunakan di jalan umum, serta masalah peraturan, hukum, dan etika.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Sumber: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/