Sekelompok ilmuwan internasional telah menerbitkan makalah di jurnal tersebut Energi Ramah Lingkungan dan Transportasi Cerdasmerangkum tinjauan komprehensif pembelajaran transfer mendalam untuk persepsi kendaraan cerdas.
Dalam beberapa tahun terakhir, persepsi telah dipandang sebagai komponen penting dalam kendaraan cerdas untuk lokalisasi yang tepat, perencanaan pergerakan yang aman, dan pengendalian yang kuat. Sistem persepsi memberi kendaraan cerdas informasi lingkungan langsung tentang pejalan kaki, kendaraan, rambu lalu lintas, dan benda lain di sekitarnya serta membantu menghindari kemungkinan tabrakan.
Persepsi kendaraan cerdas berbasis pembelajaran mendalam telah berkembang secara signifikan untuk menyediakan sumber yang dapat diandalkan untuk perencanaan gerak dan pengambilan keputusan dalam mengemudi otonom. Banyak metode berbasis pembelajaran mendalam yang kuat dapat mencapai kinerja luar biasa dalam memecahkan berbagai masalah persepsi mengemudi otonom.
Namun metode pembelajaran mendalam ini masih memiliki beberapa keterbatasan; misalnya, asumsi bahwa data pelatihan laboratorium (domain sumber) dan pengujian nyata (domain target) mengikuti distribusi fitur yang sama mungkin tidak praktis di dunia nyata. Seringkali terdapat kesenjangan domain yang dramatis di antara keduanya dalam banyak kasus di dunia nyata.
Sebagai solusi terhadap tantangan ini, pembelajaran transfer mendalam dapat menangani situasi dengan sangat baik dengan mentransfer pengetahuan dari satu domain ke domain lainnya. Pembelajaran transfer mendalam bertujuan untuk meningkatkan kinerja tugas di domain baru dengan memanfaatkan pengetahuan tentang tugas serupa yang sebelumnya dipelajari di domain lain.
Saat ini belum ada makalah survei tentang topik pembelajaran transfer mendalam untuk persepsi kendaraan cerdas. Makalah survei baru ini bertujuan untuk memberikan kontribusi dalam memperkenalkan dan menjelaskan teknik pembelajaran transfer mendalam untuk persepsi kendaraan cerdas, menawarkan wawasan dan arahan yang sangat berharga untuk penelitian di masa depan.
Untuk kendaraan cerdas atau mengemudi otonom, persepsi memainkan peran penting dalam menerima data dari sensor dan mengekstraksi informasi bermakna dari lingkungan sekitar, sehingga dapat membuat keputusan yang berarti untuk perencanaan gerak yang tepat dengan mengidentifikasi hambatan, rambu/penanda lalu lintas, dan area mengemudi yang tersedia. Para peneliti mengelompokkan tugas persepsi kendaraan cerdas ini ke dalam dua kelas (deteksi objek, segmentasi semantik/contoh).
Meskipun terdapat pencapaian yang luar biasa dari algoritme persepsi kendaraan cerdas pada kumpulan data benchmark, masih terdapat tantangan yang signifikan di dunia nyata karena variasi yang besar dalam jenis dan pengaturan sensor, data dalam beragam gaya, lingkungan, cuaca dan pencahayaan, periode pelatihan, dan Arsitektur.
Berdasarkan pengamatan tersebut, peneliti membagi perbedaan distribusi domain persepsi kendaraan cerdas menjadi tiga jenis: perbedaan sensor, perbedaan data, dan perbedaan model.
Dengan pesatnya kemajuan teknik mengemudi otonom, kini tersedia banyak sekali gambar pemandangan berkendara. Metode pembelajaran mendalam sedang booming dalam penerapan mengemudi otonom dengan persepsi kinerja tinggi.
Pembelajaran transfer (TL) adalah metode pembelajaran mesin untuk menerapkan sebagian besar pengetahuan yang diperoleh dari satu tugas atau domain ke tugas atau domain lain yang terkait. Para peneliti mengklasifikasikan pembelajaran transfer mendalam ke dalam beberapa jenis utama: TL yang Diawasi, TL yang Tidak Diawasi, TL yang Diawasi dengan Lemah dan semi, Generalisasi Domain.
Tantangan utama pembelajaran transfer mendalam untuk persepsi kendaraan cerdas saat ini mencakup ketahanan sensor, keterbatasan metodologi, realisme data sintetis, kelangkaan tolok ukur yang dianotasi dalam skenario kompleks, standar internasional untuk sensor perangkat keras, dan standar internasional untuk paket perangkat lunak.
Untuk mengatasi tantangan di atas, upaya berikut akan dilakukan di masa depan:
- Pertama, lebih banyak penelitian harus difokuskan pada peningkatan ketahanan sensor.
- Kedua, peneliti dapat melakukan upaya untuk mengembangkan metode pembelajaran transfer mendalam yang lebih maju.
- Ketiga, realisme data sintetik dapat ditingkatkan dengan mesin permainan komputer yang lebih canggih.
Selain itu, lebih banyak kumpulan data tolok ukur berkualitas tinggi dalam skenario berkendara yang kompleks dapat dikumpulkan dan dipublikasikan. Terakhir, beberapa perusahaan dari berbagai negara dapat berkolaborasi untuk mempromosikan standar internasional untuk sensor perangkat keras dan paket perangkat lunak.
Informasi lebih lanjut:
Xinyu Liu dkk, Pembelajaran transfer mendalam untuk persepsi kendaraan cerdas: Sebuah survei, Energi Ramah Lingkungan dan Transportasi Cerdas (2023). DOI: 10.1016/j.geits.2023.100125
Disediakan oleh Energi Ramah Lingkungan dan Transportasi Cerdas
Kutipan: Survei mendalam pertama tentang topik pembelajaran transfer mendalam untuk persepsi kendaraan cerdas (2024, 2 Februari) diambil 2 Februari 2024 dari https://techxplore.com/news/2024-02- depth-survey-topic-deep- cerdas.html
Dokumen ini memiliki hak cipta. Terlepas dari transaksi wajar untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.
______
Diterjemahkan dari techxplore.com