Resume
Q0nGo2-y0xY • Drago Anguelov (Waymo) - MIT Self-Driving Cars
Updated: 2026-02-13 13:23:56 UTC
Back Source
Prev Next

Berikut adalah rangkuman komprehensif dan terstruktur dari transkrip presentasi oleh Drago Anguelov (Principal Scientist di Waymo) mengenai penerapan deep learning pada mobil otonom.

Mengatasi Tantangan "Long Tail" Mobil Otonom dengan Deep Learning: Wawasan dari Waymo

Inti Sari (Executive Summary)

Video ini membawakan presentasi oleh Drago Anguelov mengenai perjalanan dan teknologi di balik Waymo dalam mengembangkan mobil otonom. Topik utamanya berfokus pada bagaimana machine learning (ML) dan deep learning digunakan untuk menyelesaikan tantangan "ekor panjang" (long tail)—situasi langka dan tak terduga di jalan raya. Pembahasan mencakup tiga pilar utama (Persepsi, Prediksi, Perencanaan), pentingnya infrastruktur data dan simulasi skala besar, serta pendekatan sistem hibrida yang menggabungkan kecerdasan buatan dengan aturan keamanan ahli untuk memastikan keandalan.

Poin-Poin Kunci (Key Takeaways)

  • Tantangan Utama: Kesulitan terbesar dalam mengemudi otonom bukan pada situasi umum, melainkan pada kasus-kasus langka (long tail) seperti tiang jatuh, pejalan kaki aneh, atau konstruksi jalan yang kompleks.
  • Tiga Pilar Teknologi: Sistem Waymo mengandalkan Persepsi (memahami lingkungan), Prediksi (mengantisipasi tindakan orang lain), dan Perencanaan (mengambil keputusan mengemudi yang aman dan nyaman).
  • ML Factory: Waymo membangun infrastruktur siklus yang efisien: mengumpulkan data jutaan mil, melabeli, melatih model, dan melakukan validasi sebelum deployment.
  • Simulasi Masif: Untuk menguji berbagai skenario tanpa membahayakan nyawa, Waymo menggunakan simulasi yang setara dengan 25.000 mobil virtual mengemudi 10 juta mil setiap hari.
  • Pendekatan Hibrida: Karena model ML belum sempurna, Waymo menggunakan sistem hibrida yang menggabungkan ML dengan algoritma rekayasa tradisional (expert design) untuk menangani ketidakpastian dan menjaga keamanan.

Rincian Materi (Detailed Breakdown)

1. Pengantar & Sejarah Waymo

  • Pembicara: Drago Anguelov, Principal Scientist di Waymo dengan latar belakang PhD dari Stanford dan pengalaman di Google (Street View) serta Zoox.
  • Pencapaian Waymo:
    • Merayakan ulang tahun ke-10 saat presentasi berlangsung.
    • Memiliki armada dengan pengalaman lebih dari 10 juta mil di jalan raya.
    • Milestone Penting:
      • 2015: Prototipe "Firefly" memberikan perjalanan otonom penuh pertama (penumpang tunanetra di Austin).
      • 2017: Peluncuran armada otonom penuh di Phoenix.
      • Layanan Komersial: Peluncuran layanan ride-hailing otonom pertama di Phoenix.
  • Masalah "Long Tail": Mengemudi menuntut penanganan situasi yang sangat beragam dan jarang terjadi, mulai dari pengendara sepeda yang membawa rambu berhenti hingga kendaraan darurat dan zona konstruksi yang rumit.

2. Tugas Teknis Utama: Persepsi, Prediksi, dan Perencanaan

  • Persepsi (Perception): Memetakan input sensor (kamera, LiDAR, radar) menjadi representasi semantik. Tantangannya adalah variabilitas objek (penampilan, pose, seperti orang berpakaian kostum dinosaurus) dan lingkungan (cuaca, silau).
  • Prediksi (Prediction):
    • Kendaraan harus mengantisipasi perilaku "aktor" lain (pejalan kaki, mobil) dalam jangka panjang (1–10 detik ke depan).
    • Sistem mempertimbangkan perilaku masa lalu, konteks semantik, dan sinyal visual halus (kontak mata, gerakan tubuh, lampu sein).
    • Penting untuk memahami interaksi antar-agen (misalnya: pejalan kaki bereaksi terhadap mobil yang mendekat).
  • Perencanaan (Planning):
    • Menghasilkan perilaku kendaraan (akselerasi, rem, setir).
    • Tujuannya adalah menyeimbangkan Keamanan (prioritas utama), Kenyamanan penumpang, Komunikasi dengan pengguna jalan lain, dan Efisiensi perjalanan.

3. Infrastruktur Machine Learning (The ML Factory)

  • Analogi Pabrik: Beralih dari sistem klasik yang seperti "pengrajin" (sulit berkembang) ke sistem ML modern seperti "pabrik" (infrastruktur + data = model yang dapat diskalakan).
  • Siklus: Rilis perangkat lunak -> Mengemudi & Kumpulkan Data -> Penyimpanan -> Seleksi Data -> Pelabelan -> Pelatihan Model -> Validasi -> Deployment -> Ulang.
  • Bahan Baku Utama:
    • Komputasi: Memanfaatkan ekosistem Google/Alphabet, TensorFlow, pusat data, dan perangkat keras khusus untuk pelatihan yang cepat dan murah.
    • Data Berlabel: Mengumpulkan jutaan data untuk melatih model yang tangguh.

4. Inovasi Arsitektur & Kolaborasi (AutoML)

  • Kolaborasi DeepMind: Waymo bekerja sama dengan Google Brain dan DeepMind untuk meningkatkan persepsi dan reinforcement learning.
  • Neural Architecture Search (AutoML):
    • Desain arsitektur jaringan saraf manual memakan waktu berbulan-bulan.
    • Waymo menggunakan mesin untuk mencari arsitektur optimal yang memberikan kinerja tinggi dengan latensi rendah.
    • Hasilnya adalah model yang melampaui desain insinyur manusia dalam hal efisiensi dan akurasi untuk segmentasi LiDAR dan deteksi jalur.

5. Ketahanan, Ketidakpastian, dan Sistem Hibrida

  • Redundansi: Menggunakan sensor 360 derajat (kamera, LiDAR, radar) yang saling melengkapi untuk menutupi kelemahan masing-masing modality.
  • Sistem Hibrida:
    • Menggabungkan ML dengan pengetahuan domain ahli.
    • Jika model ML tidak yakin (misalnya pada objek asing), sistem akan kembali ke pelacakan objek fisik dari LiDAR/radar atau mengambil keputusan mengemudi yang sangat konservatif.
    • Tujuannya adalah melindungi sistem dari kegagalan pada kasus ekor (tail cases) sambil terus meningkatkan kapabilitas ML.

6. Simulasi & Pengujian Skala Besar

  • Kebutuhan Simulasi: Pengujian di dunia nyata tidak cukup untuk menangkap semua kasus langka. Waymo menggunakan fasilitas uji terstruktur (Castle Air Force Base) dan simulasi virtual.
  • Skala: Simulasi Waymo setara dengan 25.000 mobil virtual yang mengemudi 10 juta mil per hari (total lebih dari 7 miliar mil).
  • Log Simulation: Menciptakan skenario berdasarkan data nyata (driving logs) dengan variasi untuk menguji reaksi kendaraan terhadap perubahan keputusan.
  • Pemodelan Agen (Agent Modeling):
    • Simulasi membutuhkan perilaku pengemudi dan pejalan kaki yang realistis.
    • End-to-End Learning: Model dilatih untuk meniru mengemudi dari data (60 jam footage). Namun, model ini sering gagal pada situasi kompleks atau "ekor panjang" (seperti belok balik/U-turn yang sulit) karena kurangnya contoh data.
    • Trajectory Optimization: Menggunakan Inverse Reinforcement Learning untuk memodelkan perilaku (agresif vs konservatif) dengan parameter yang lebih sedikit namun lebih akurat secara fisika.

7. Skalabilitas ke Kota Baru & Q&A

  • Tantangan Skalabilitas: Untuk berekspansi ke puluhan kota, sistem harus menangani lingkungan baru (persimpangan kompleks, jalan sempit Eropa) dan kebiasaan mengemudi lokal.

Kesimpulan & Pesan Penutup

Secara keseluruhan, presentasi ini menggambarkan bagaimana Waymo memanfaatkan deep learning dan infrastruktur skala besar untuk menaklukkan tantangan long tail dalam mengemudi otonom. Dengan menggabungkan kekuatan data, simulasi, dan pendekatan hibrida antara ML serta rekayasa tradisional, sistem mereka dirancang untuk tetap aman dan andal dalam berbagai situasi. Hal ini menunjukkan bahwa kolaborasi antara teknologi canggih dan prinsip keamanan yang ketat adalah fondasi utama masa depan transportasi otonom.