Halo Sobat Masrizky.id, berjumpa lagi ya di blog yang sama, dalam kesempatan kali ini admin akan berbagi informasi terbaru terkait kendaraan otonom.
Para ilmuwan mengungkap strategi untuk membuat kendaraan otonom
Pendekatan kumpulan data TimelyTale yang baru menggabungkan data sensor lingkungan, terkait berkendara, dan khusus penumpang yang dapat digunakan untuk memberikan penjelasan tepat waktu dan khusus konteks.
Kredit SeungJun Kim dari Institut Sains dan Teknologi Gwangju
Integrasi kendaraan otomatis menjanjikan beberapa manfaat bagi mobilitas perkotaan, termasuk peningkatan keselamatan, berkurangnya kemacetan lalu lintas, dan aksesibilitas yang lebih baik. Kendaraan otomatis juga memungkinkan pengemudi untuk melakukan tugas-tugas yang tidak terkait dengan mengemudi (NDRT) seperti bersantai, bekerja, atau menonton multimedia selama perjalanan.
Namun, penerapannya secara luas terhambat oleh terbatasnya kepercayaan penumpang. Untuk mengatasi hal ini, penjelasan mengenai keputusan kendaraan otomatis dapat menumbuhkan kepercayaan dengan memberikan kendali dan mengurangi pengalaman negatif. Penjelasan ini harus informatif, mudah dipahami, dan ringkas agar efektif.
Pendekatan kecerdasan buatan XAI
Pendekatan kecerdasan buatan yang dapat dijelaskan (XAI) yang ada saat ini sebagian besar ditujukan untuk pengembang, dengan fokus pada skenario berisiko tinggi atau penjelasan komprehensif, yang mungkin tidak sesuai untuk penumpang.
Untuk mengisi celah ini, model XAI yang berpusat pada penumpang perlu memahami jenis dan waktu informasi yang dibutuhkan dalam skenario berkendara di dunia nyata.
Untuk mengatasi kesenjangan ini, tim peneliti yang dipimpin oleh Profesor SeungJun Kim dari Institut Sains dan Teknologi Gwangju (GIST), Korea Selatan, menyelidiki penjelasan atas tuntutan penumpang kendaraan otomatis dalam kondisi jalan nyata.
Mereka kemudian memperkenalkan kumpulan data multimoda, yang disebut TimelyTale, yang mencakup data sensor khusus penumpang untuk penjelasan yang tepat waktu dan relevan dengan konteks.
“Penelitian kami mengalihkan fokus XAI dalam berkendara secara otonom dari pengembang ke penumpang. Kami telah mengembangkan pendekatan untuk mengumpulkan tuntutan aktual penumpang terhadap penjelasan di dalam kendaraan dan metode untuk menghasilkan penjelasan yang tepat waktu dan relevan dengan situasi bagi penumpang,” jelas Prof. Kim.
Temuan mereka tersedia dalam dua studi yang diterbitkan dalam Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies pada tanggal 27 September 2023 dan 9 September 2024. Para penulis dianugerahi “Distinguished Paper Award” di UbiComp 2024 untuk studi perintis mereka yang berjudul “What and When to Explain?: On-road Evaluation of Explanations in Highly Automated Vehicles.“
Para peneliti pertama-tama mempelajari dampak berbagai jenis penjelasan visual, termasuk persepsi, perhatian, dan kombinasi keduanya, serta pengaturan waktunya terhadap pengalaman penumpang dalam kondisi berkendara yang sebenarnya dengan memanfaatkan realitas tertambah.
Mereka menemukan bahwa kondisi persepsi kendaraan saja dapat meningkatkan kepercayaan, persepsi keselamatan, dan kewaspadaan situasional tanpa membebani penumpang.
Mereka juga menemukan bahwa probabilitas risiko lalu lintas paling efektif untuk memutuskan kapan harus memberikan penjelasan, terutama ketika penumpang merasa kewalahan dengan informasi.
Berdasarkan temuan ini, para peneliti mengembangkan set data TimelyTale. Pendekatan ini mencakup data eksteroseptif (deskripsi lingkungan eksternal, seperti pemandangan, suara, dll.),
proprioseptif (deskripsi posisi dan gerakan tubuh), dan interoseptif (deskripsi sensasi tubuh, seperti nyeri, dll.), yang dikumpulkan dari penumpang menggunakan berbagai sensor dalam skenario berkendara alami, sebagai fitur utama untuk memprediksi tuntutan penjelasan mereka.
Khususnya, karya ini juga menggabungkan konsep interupsi, yang merujuk pada pergeseran fokus penumpang dari NDRT ke informasi terkait berkendara.
Metode ini secara efektif mengidentifikasi waktu dan frekuensi tuntutan penumpang untuk penjelasan serta penjelasan spesifik yang diinginkan penumpang selama situasi berkendara.
Dengan menggunakan pendekatan ini, para peneliti mengembangkan model pembelajaran mesin yang memprediksi waktu terbaik untuk memberikan penjelasan.
Selain itu, sebagai bukti konsep, para peneliti melakukan pemodelan di seluruh kota untuk menghasilkan penjelasan tekstual berdasarkan lokasi berkendara yang berbeda.
“Penelitian kami meletakkan dasar bagi peningkatan penerimaan dan adopsi kendaraan otonom, yang berpotensi membentuk kembali transportasi perkotaan dan mobilitas pribadi di tahun-tahun mendatang,” kata Prof. Kim.
