Toyota Gelar Demo Fast and Furious dengan Mobil Balap Dual Drifting Bertenaga AI

Kehilangan traksi saat berkendara dengan kecepatan tinggi umumnya merupakan berita yang sangat buruk. Para ilmuwan dari Toyota Research Institute dan Universitas Stanford telah mengembangkan sepasang mobil self-driving yang menggunakan kecerdasan buatan untuk melakukannya dengan cara yang terkendali—trik yang lebih dikenal dengan nama “drifting”—untuk melampaui batas Mengemudi secara otonom.

Kedua kendaraan otonom tersebut melakukan aksi nekat dengan melakukan drifting tandem di sekitar Thunderhill Raceway Park di Willows, California, pada bulan Mei. video promosikedua mobil itu meraung di lintasan dengan jarak beberapa kaki dari satu sama lain setelah pengemudi manusia melepaskan kendali.

Chris Gerdesseorang profesor di Universitas Stanford yang memimpin keterlibatannya dengan proyek tersebut, memberi tahu WIRED bahwa teknik yang dikembangkan untuk prestasi tersebut pada akhirnya dapat membantu sistem bantuan pengemudi di masa mendatang. “Salah satu hal yang kami lihat adalah apakah kami dapat melakukannya sebaik pengemudi manusia terbaik,” kata Gerdes.

Sistem bantuan pengemudi di masa mendatang dapat menggunakan algoritma yang diuji di lintasan California untuk melakukan intervensi saat pengemudi kehilangan kendali, mengarahkan kendaraan keluar dari masalah seperti yang dilakukan pengemudi akrobat. “Apa yang telah kami lakukan di sini dapat ditingkatkan untuk mengatasi masalah yang lebih besar seperti mengemudi otomatis dalam skenario perkotaan,” kata Gerdes.

Proyek ini merupakan demonstrasi yang bagus tentang otonomi berkecepatan tinggi, meskipun kendaraan tanpa pengemudi masih jauh dari kata sempurna. Setelah satu dekade penuh janji dan sensasi, taksi sekarang beroperasi tanpa pengemudi dalam beberapa situasi terbatas. Namun, kendaraan masih rentan macet dan mungkin memerlukan bantuan jarak jauh.

Para peneliti Toyota dan Universitas Stanford memodifikasi dua mobil sport GR Supra dengan komputer dan sensor yang melacak jalan dan kendaraan lain, selain suspensi mobil dan properti lainnya. Mereka juga mengembangkan algoritma yang menggabungkan model matematika canggih dari properti ban dan lintasan dengan pembelajaran mesin yang membantu mobil belajar sendiri cara menguasai seni drift.

Ming Linseorang profesor di University of Maryland yang mempelajari kendaraan otonom, mengatakan bahwa penelitian ini merupakan kemajuan yang menarik dalam membantu mobil tanpa pengemudi beroperasi di kondisi ekstrem. “Salah satu tantangan terbesar bagi kendaraan otonom adalah beroperasi dengan aman di hari hujan, bersalju, atau berkabut, atau dalam pencahayaan yang buruk di malam hari,” katanya.

Lin menambahkan bahwa proyek Toyota–Stanford menunjukkan pentingnya menggabungkan pembelajaran mesin dengan model fisik di dunia nyata. “Meskipun ini baru demonstrasi awal, proyek ini jelas mengarah ke arah yang benar,” katanya.

Toyota dan Stanford pertama kali mendemonstrasikan algoritma yang memungkinkan mobil otonom melakukan drifting pada tahun 2022. Dua kendaraan yang melakukan trik itu secara bersamaan membutuhkan kontrol yang lebih baik dan melibatkan kendaraan yang saling berkomunikasi. Mobil-mobil tersebut diberi data dari putaran yang dijalankan oleh pengemudi profesional. Komputer mereka masing-masing menghitung masalah pengoptimalan hingga 50 kali per detik untuk memutuskan cara menyeimbangkan kemudi, gas, dan rem.

“Yang sebenarnya kami perhatikan di sini adalah bagaimana mengendalikan mobil pada performa ekstrem, saat ban tergelincir, kondisi seperti itu [encounter] saat Anda berkendara di atas salju atau es,” kata Avinash Balachandran, wakil presiden divisi Human Interactive Driving di TRI. “Dalam hal keselamatan, menjadi pengemudi biasa saja tidaklah cukup, jadi kami benar-benar ingin belajar dari para ahli terbaik.”

Dunia telah melihat kemajuan luar biasa dalam AI akhir-akhir ini berkat model bahasa besar yang mendukung program seperti ChatGPT. Namun, seperti yang ditunjukkan dalam demo drifting ganda, menguasai dunia fisik yang berantakan dan tidak terduga tetap merupakan hal yang sama sekali berbeda.

“Dalam LLM, halusinasi mungkin bukan akhir dunia,” kata Balachandran mengacu pada cara model bahasa yang besar akan salah menafsirkan fakta. “Itu jelas bisa sangat berbeda dengan mobil.”