Keuntungan:
- Kemampuan untuk menjelaskan peran kamera, radar, LiDAR, dan fusi sensor dalam rantai deteksi dan tingkat otomatisasi SAE
- Kemampuan untuk membuat pelabelan data, definisi skenario, dan metrik evaluasi untuk deteksi, klasifikasi, dan pelacakan objek
- Kemampuan untuk mengevaluasi secara kritis kasus tepi, keseimbangan positif/negatif palsu, dan margin keamanan dalam keluaran model deteksi
Sebagian besar kendaraan saat ini memiliki fitur seperti peringatan keberangkatan jalur, pengereman darurat otomatis, atau kendali jelajah adaptif. Ini semua berada di bawah payung ADAS (Advanced Driver Assistance Systems). Inti dari sistem ini dan sistem penggerak otonom selanjutnya adalah persepsi: cara kendaraan “melihat” dunia di sekitarnya dengan sensor dan “memahaminya” dengan kecerdasan buatan. Dalam unit ini, kita akan membahas rantai deteksi, sensor, tingkat otomatisasi, dan masalah paling kritis, batasan keamanan.
Peringatan sejak awal: Area ini kritis terhadap keamanan. Jika model deteksi tidak mendeteksi pejalan kaki, akibatnya bisa fatal. Itu sebabnya setiap keluaran AI di sini harus dikelilingi oleh proses rekayasa keamanan (ISO 26262 dan SOTIF di unit berikutnya).
Sensor: mata, telinga dan radar
Tumpukan penggerak otonom menggabungkan sensor yang berbeda karena masing-masing memiliki kekuatan dan kelemahan:
- Kamera: Kamera "melihat" warna, teks (rambu lalu lintas), garis jalur, dan jenis objek dengan baik. Namun kondisinya buruk di malam hari, kabut, sinar matahari yang terik, dan estimasi jarak.
- Radar (Deteksi dan Jangkauan Radio): Mengukur jarak dan kecepatan dengan gelombang radio. Ini tidak terlalu terpengaruh oleh hujan/kabut dan mengukur kecepatan secara langsung (dengan efek Doppler); namun resolusinya rendah sehingga sulit membedakan "ini pejalan kaki atau kotak?"
- LiDAR (Deteksi dan Jangkauan Cahaya): Menembakkan laser dan menghasilkan "titik awan" tiga dimensi yang tepat di sekitarnya; Ini memberi jarak dan bentuk dengan sangat baik. Namun biayanya mahal dan dapat terpengaruh oleh kabut/hujan lebat.
- Ultrasonik: Jarak pendek, seperti sensor parkir.
Karena keduanya tidak cukup, fusi sensor dilakukan: dengan menggabungkan data dari sensor yang berbeda, kelemahan masing-masing sensor dikompensasi oleh kekuatan sensor lainnya. Misalnya, kamera mengatakan "pejalan kaki", radar mengatakan "pada jarak 12 meter, mendekati 5 km/jam"; Fusion menggabungkan keduanya dan menciptakan lintasan yang andal.
Tip: Saat mengevaluasi klaim deteksi, "sensor mana yang dapat melihatnya dan seberapa baik?" bertanya. Jika perkiraan jarak kamera pada malam hari buruk, keputusan jarak berdasarkan satu kamera patut dipertanyakan.
Rantai deteksi
Rantai tipikal dari data sensor mentah hingga keputusan adalah sebagai berikut:
- Deteksi: Menemukan objek di gambar/titik awan (“ada alatnya di sini”).
- Klasifikasi : Menentukan jenis benda (pejalan kaki, sepeda, kendaraan, rambu).
- Pelacakan: Mengikuti objek antar frame, memperkirakan kecepatan dan arahnya.
- Fusion: Menggabungkan sensor untuk menciptakan model dunia yang konsisten.
- Prediksi: “Apakah pejalan kaki ini akan menyeberang jalan?”
- Perencanaan dan pengendalian: Keputusan dan perintah kemudi/rem/akselerator.
Kecerdasan buatan (terutama pembelajaran mendalam) 1-3. sangat kuat dalam langkah; 5-6. Langkah-langkah tersebut semakin dikelilingi oleh aturan teknis dan logika keamanan.
Tingkat otomatisasi SAE
Otonomi bukanlah hal yang “ya/tidak”, melainkan bertahap. Standar SAE J3016 mendefinisikan enam level:
Tingkat
Nama
Siapa yang mengemudi?
contoh
0
Tidak ada otomatisasi
semua mengemudi
Hanya peringatan (peringatan titik buta)
1
Dukungan pengemudi
driver + dukungan tunggal
Pelayaran adaptif ATAU pemeliharaan jalur
2
Otomatisasi parsial
Pengemudi (pengawasan konstan)
Kecepatan + jalur bersama, pengemudi bertanggung jawab
3
Otomatisasi bersyarat
Sistem (dalam kondisi tertentu)
Dalam kondisi tertentu sistem mengemudi, pengemudi siap mengambil alih
4
otomatisasi tinggi
Sistem (di area tertentu)
Tanpa pengemudi di area tertentu
5
Otomatisasi penuh
Sistem (dalam semua kondisi)
Tanpa pengemudi di mana pun (belum)
Perhatian: Kesalahpahaman yang paling berbahaya adalah Level 2. Di Level 2, kendaraan mendukung kemudi dan kecepatan, namun pengemudi tetap diawasi dan bertanggung jawab. Salah mengira sistem sebagai "autopilot" dan tidak memperhatikan telah menyebabkan kecelakaan fatal. Level 2 tidak berarti "tanpa pengemudi".
Metrik evaluasi: positif palsu dan negatif palsu
Dua jenis kesalahan sangat penting ketika mengevaluasi model deteksi:
- Positif palsu : Berpikir bahwa ada sesuatu yang tidak ada. Misalnya, menganggap bayangan jembatan adalah "rintangan" dan melakukan pengereman yang tidak perlu. Mengganggu dan terkadang berbahaya (tabrakan dari belakang).
- Negatif palsu (false negative/miss): Tidak dapat melihat sesuatu yang ada. Misalnya, tidak melihat pejalan kaki sungguhan. Ini adalah kesalahan paling mematikan dalam mengemudi otonom.
Metrik yang merangkum hal ini:
- Presisi: Seberapa banyak dari apa yang Anda tandai benar.
- Ingatan (sensitivitas): Berapa banyak dari apa yang sebenarnya ada yang telah Anda tangkap.
- mAP (rata-rata Presisi): Metrik komposit umum untuk deteksi objek.
Penarikan kembali (tidak melewatkan satu pun pejalan kaki) sangat penting dalam hal-hal seperti deteksi pejalan kaki dalam mengemudi otonom; Meningkatkan ini terkadang meningkatkan positif palsu. Pertukaran ini merupakan keputusan rekayasa keamanan, bukan akurasi model murni.
Kasus tepi dan ekor panjang
Bagian tersulit dalam mengemudi otonom bukanlah situasi yang umum, tetapi situasi yang jarang dan aneh: tanda setengah terlihat di bawah salju, truk terbalik, pejalan kaki berkostum, perabotan jatuh di jalan. Situasi yang jarang terjadi namun berbahaya ini disebut long tail. Meskipun sebuah model mungkin sempurna untuk jarak jutaan mil "normal", model tersebut mungkin gagal dalam situasi ekstrem yang belum pernah terjadi sebelumnya. Itu sebabnya pengujian berbasis skenario, simulasi, dan validasi dunia nyata tidak ada habisnya.
Studi kasus kecil
Kasus 1 - Nilai fusi. Saat menguji pengereman darurat otomatis, tim ADAS menemukan bahwa lambat untuk melihat kendaraan berwarna gelap di depannya di bawah terik matahari hanya dengan kamera. Ketika data radar ditambahkan (radar tidak terpengaruh oleh silau) sistem mendeteksi kendaraan 0,4 detik lebih awal; Artinya jarak pengereman kurang lebih 10 meter pada kecepatan 90 km/jam. Hasil: Fusion menutup titik buta sensor tunggal.
Kasus 2 - Penarikan/keseimbangan presisi. Ketika ambang batas model deteksi pejalan kaki diturunkan, recall meningkat dari 96% menjadi 99%, namun positif palsu (bayangan, semak-semak) meningkat, sehingga menyebabkan pengereman yang tidak perlu. Tim keamanan mengambil keputusan: menghindari pejalan kaki adalah prioritas, namun kenyamanan tetap dipertahankan dengan menghilangkan positif palsu dengan logika fusi dan pelacakan. Kesimpulan: Pemilihan metrik adalah keputusan teknis/keamanan, tidak ada satu pun "angka yang benar".
Kasus 3 - Kejutan kasus tepi. Meskipun sebuah model berhasil mencapai 99,8% dalam set validasinya, model tersebut salah mengira foto pejalan kaki raksasa di belakang truk yang membawa iklan ban salju di lapangan sebagai "pejalan kaki sungguhan" dan mengerem secara tiba-tiba. Tim menambahkan kasus tepi ini ke pustaka skenario dan melatih ulang modelnya. Kesimpulan: Ekor panjang tidak pernah “berakhir”; Pengumpulan skenario yang konstan diperlukan.
templat cepat
Templat 1 - Membuat daftar skenario:
Peran: Anda adalah insinyur uji kasus ADAS. Tugas: Menghasilkan skenario pengujian yang menantang (edge case) untuk pengereman darurat otomatis. Konteks: Perkotaan, 30-50 km/jam, campuran pejalan kaki dan pengendara sepeda. Kendala: Prioritaskan skenario yang jarang/berbahaya, bukan skenario yang sering terjadi; tulis perilaku benar yang diharapkan untuk setiap skenario. Keluaran: Skenario | kondisi | perilaku yang diharapkan | tingkat risiko.
Templat 2 - Garis besar panduan pelabelan:
Peran: Pemimpin kualitas pelabelan data. Tugas: Menulis draf aturan konsistensi pelabelan pejalan kaki. Konteks: Ada pejalan kaki yang terlihat sebagian, duduk, berkursi roda, dan berkelompok. Keluaran: Aturan | contoh | batasi tabel nilai negara bagian.
Templat 3 - Interpretasi metrik:
Peran: Pakar evaluasi visi komputer. Tugas: Menafsirkan hasil deteksi pejalan kaki saya. Konteks: presisi 0,93, recall 0,90, paling meleset di malam hari atau saat hujan. Kendala: Tekankan pentingnya penarikan kembali demi keamanan; Beri tahu saya dalam kondisi apa verifikasi tambahan diperlukan. Keluaran: Komentar + area prioritas untuk perbaikan.
Templat 4 - Garis besar logika fusi:
Peran: Anda adalah insinyur fusi sensor. Tugas: Menyarankan rancangan logika keputusan ketika kamera dan radar bertentangan. Konteks: Radar melihat benda kecil bergerak pada jarak 15 m sementara kamera mengatakan 'tidak ada pejalan kaki'. Kendala : Menerapkan prinsip asumsi yang mengutamakan keselamatan (safe side). Keluaran: Tabel keputusan + pembenaran.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Apakah model kendaraan otonom saya aman?
Tanpa konteks; "aman" tidak ditentukan; AI hanya berbicara secara umum dan dapat memberikan keyakinan yang menyesatkan.
Perintah yang kuat:
Peran: Anda adalah konsultan penilaian keamanan ADAS. Tugas: Membuat daftar periksa agar saya dapat mempertanyakan kerentanan model deteksi pejalan kaki saya. Konteks: Sistem Perkotaan Tingkat 2; Ingat jatuh di malam hari dan di tengah hujan; Hanya ada kamera + radar, tidak ada LiDAR. Batasan: Jangan menyatakan 'aman'; tentukan dalam kondisi apa sistem berada pada batasnya dan pengujian tambahan apa yang diperlukan. Keluaran: Area Risiko | mengapa | tes yang direkomendasikan | tabel kepentingan.
Kesalahan umum
- Salah mengira Level 2 sebagai "tanpa pengemudi". Tanggung jawab ada pada pengemudi; Kesalahpahaman ini berakibat fatal.
- Mengandalkan satu sensor. Setiap sensor memiliki titik buta; fusi sangat penting.
- Hanya melihat akurasi rata-rata. 99% sukses, 1% pejalan kaki terlewat bisa berakibat fatal; kasus recall dan edge sangat penting.
- Mengabaikan kasus ekstrim. Ekor panjangnya tidak pernah berakhir; Pengumpulan skenario terus menerus.
- Menyerahkan keputusan keamanan pada model. Keputusan ambang batas dan keseimbangan adalah tanggung jawab rekayasa keamanan.
Singkatnya
- Inti dari ADAS dan penginderaan mengemudi otonom adalah kamera, radar, LiDAR, dan fusi sensor; Setiap sensor mempunyai kekuatan/kelemahan yang berbeda-beda.
- Rantai deteksi terdiri dari deteksi, klasifikasi, pemantauan, fusi, prediksi, dan pengendalian; AI kuat pada langkah pertama.
- Tingkat SAE berkisar dari 0 hingga 5; Di Level 2, tanggung jawab ada pada pengemudi.
- Negatif palsu (penculikan pejalan kaki) adalah kesalahan paling fatal; kasus recall dan edge menjadi prioritas.
- Keputusan keamanan adalah tanggung jawab teknis; Akurasi model bukan satu-satunya kriteria.
Tugas aplikasi
Pilih fungsi ADAS (misalnya bantuan penjaga jalur). (1) Tuliskan dalam tabel sensor mana yang mendukung fungsi ini dan seberapa baik. (2) Hasilkan 5 skenario kasus tepi dengan Templat 1 dan tentukan perilaku aman yang diharapkan untuk masing-masing skenario. (3) Bandingkan hasil positif palsu dan negatif palsu untuk fungsi ini. (4) Cantumkan pengujian independen apa yang diperlukan sebelum mengklaim model tersebut "aman".
daftar periksa
- [ ] Saya mengevaluasi kekuatan/kelemahan sensor berdasarkan fungsinya.
- [] Saya juga telah membuat daftar skenario kasus akhir (ekor panjang).
- [ ] Saya membandingkan hasil positif/negatif palsu demi keamanan.
- [ ] Saya mempertimbangkan pentingnya Recall terhadap keamanan.
- [ ] Saya klarifikasi tingkat SAE dan siapa yang bertanggung jawab.
- [ ] Saya menyiapkan rencana pengujian independen sebelum mengklaim "aman".