Bagaimana Algoritma Pembelajaran Mesin Memungkinkan Mobil Mengemudi Sendiri?

Salah satu aplikasi Machine Learning yang paling luar biasa adalah mobil self-driving atau otonom.

Pembelajaran Mesin , dikombinasikan dengan teknologi pengganggu lainnya seperti IoT, membantu meningkatkan dan menyempurnakan fungsi mobil otonom. Berkat ML, mobil otonom ini sangat mampu merasakan lingkungan di sekitar mereka dan bergerak dengan aman, hanya membutuhkan sedikit atau tanpa campur tangan manusia sama sekali. Ide Proyek Pembelajaran Mesin

Sementara ML adalah komponen penting dari unit kontrol elektronik terpusat (ECU) di mobil otonom, upaya sedang dilakukan untuk mengintegrasikan ML lebih jauh ke dalam mobil self-driving untuk membentuk kreasi mutakhir. Salah satu fungsi utama algoritme ML dalam mobil otonom adalah pemantauan terus menerus terhadap lingkungan sekitar dan secara akurat memprediksi kemungkinan perubahan di sekitarnya . Tugas inti ini dapat disegmentasikan lebih lanjut.

Empat Sub-Tugas

• Deteksi objek
• Identifikasi/pengenalan objek
• Lokalisasi objek
• Prediksi gerakan

Mobil self-driving biasanya menggabungkan banyak sensor yang membantu mereka memahami lingkungan mereka, termasuk GPS, radar, lidar, sonar, odometri, dan unit pengukuran inersia . Mereka juga memiliki sistem kontrol canggih yang dapat menafsirkan informasi sensorik untuk mengidentifikasi rintangan dan mencari tahu jalur navigasi yang sesuai.

Aplikasi berbasis ML yang menjalankan sistem infotainment mobil otonom menerima informasi dari sistem fusi data sensor dan membuat prediksi yang sesuai. Algoritme ini juga dapat mengintegrasikan gerakan pengemudi, pengenalan suara, dan terjemahan bahasa dalam sistem mobil.

Algoritma Pembelajaran Mesin Untuk Mobil Self-Driving

1) Algoritme ML yang diawasi

Algoritma ini menggunakan dataset pelatihan untuk belajar. Mereka terus belajar sampai mencapai tingkat yang diinginkan yang menjanjikan kesalahan minimal. Algoritme ML yang diawasi selanjutnya dapat dikategorikan ke dalam algoritma klasifikasi, regresi, dan pengurangan dimensi. Untuk informasi rinci tentang jenis algoritma Machine Learning, baca tentang Jenis Algoritma Machine Learning

2) Algoritme ML tanpa pengawasan

Algoritma ini belajar dengan memahami data yang ada. Tidak ada set data pelatihan yang digunakan di sini. Mereka mencoba menemukan pola yang dapat diidentifikasi dalam data dan kemudian membagi data ke dalam kelas/kelompok sesuai dengan tingkat kesamaan di antara mereka. Pembelajaran aturan pengelompokan dan asosiasi adalah dua jenis algoritma ML yang tidak diawasi.

Sekarang, mari selami cara kerja algoritma mobil self-driving. Algoritma Pembelajaran Mesin untuk Mobil Otonom.

Algoritma Pembelajaran Mesin untuk Mobil Otonom

Algoritma Machine Learning mobil self-driving umumnya dibagi menjadi empat kategori:

1) Algoritma Regresi

Algoritma regresi digunakan secara eksplisit untuk memprediksi peristiwa. Regresi Bayesian, regresi jaringan saraf, dan regresi hutan keputusan adalah tiga jenis utama dari algoritma regresi yang digunakan dalam mobil self-driving.

Dalam analisis regresi, hubungan antara dua atau lebih variabel diperkirakan, dan pengaruh variabel dibandingkan pada skala yang berbeda. Analisis regresi terutama bergantung pada tiga metrik inti:

• Jumlah variabel bebas
• Jenis variabel terikat
• Bentuk garis regresi.

Algoritma regresi menggunakan aspek lingkungan yang berulang untuk membentuk model statistik dari hubungan antara gambar tertentu dan posisi objek tertentu di dalam gambar. Model statistik dapat memberikan deteksi online yang cepat melalui pengambilan sampel gambar. Secara bertahap, itu dapat diperluas untuk mempelajari objek lain juga, tanpa memerlukan intervensi manusia yang substansial.

2) Algoritma Pengenalan Pola (Klasifikasi)

Umumnya, gambar yang diperoleh oleh sistem bantuan pengemudi canggih (ADAS) penuh dengan serangkaian data dari lingkungan sekitar. Data ini perlu disaring untuk mengenali gambar relevan yang berisi kategori objek tertentu. Di sinilah algoritma pengenalan pola masuk.

Juga dikenal sebagai algoritma reduksi data, algoritma pengenalan pola dirancang untuk mengesampingkan titik data yang tidak biasa. Pengenalan pola dalam kumpulan data merupakan langkah penting sebelum mengklasifikasikan objek.

Algoritme ini membantu dalam memfilter data yang diperoleh melalui sensor dengan mendeteksi tepi objek, dan memasang segmen garis dan busur melingkar ke tepi. Algoritma pengenalan pola menggabungkan segmen garis dan busur lingkaran dalam berbagai cara untuk membentuk fitur utama untuk mengenali suatu objek.

Mendukung mesin vektor (SVM) dengan histogram gradien berorientasi (HOG), analisis komponen utama (PCA), aturan keputusan Bayes, dan k-nearest tetangga (KNN) adalah beberapa algoritma pengenalan pola yang paling umum digunakan dalam mobil self-driving.

3) Algoritma Cluster

Algoritma cluster unggul dalam menemukan struktur dari titik data. Mungkin saja gambar yang diperoleh ADAS tidak jelas, atau mungkin juga terjadi bahwa algoritme klasifikasi gagal mengidentifikasi suatu objek, sehingga gagal mengklasifikasikan dan melaporkannya ke sistem.

Ini mungkin terjadi karena gambar beresolusi sangat rendah atau dengan titik data yang sangat sedikit. Dalam situasi seperti itu, menjadi sulit bagi sistem untuk mendeteksi dan menemukan objek di sekitarnya.

Algoritma clustering mendefinisikan kelas masalah dan kelas metode. Secara umum, teknik pengelompokan dibuat menggunakan pendekatan pemodelan berbasis centroid dan hierarkis. Semua teknik pengelompokan fokus pada memanfaatkan struktur yang melekat dalam data untuk mengatur data ke dalam kelompok-kelompok yang memiliki kesamaan terbesar.

K-means dan jaringan saraf multi-kelas adalah dua algoritma pengelompokan yang paling banyak digunakan untuk mobil otonom.

4) Algoritma Matriks Keputusan

Algoritma matriks keputusan pada dasarnya digunakan untuk pengambilan keputusan. Mereka dirancang untuk secara sistematis mengidentifikasi, menganalisis, dan menilai kinerja hubungan antara set nilai dan informasi di dalamnya. Algoritma matriks keputusan yang paling banyak digunakan pada mobil otonom adalah gradient boosting (GDM) dan AdaBoosting.

Algoritma ini menentukan pergerakan mobil self-driving. Jadi, apakah mobil perlu berbelok ke kiri atau ke kanan, apakah perlu mengerem atau berakselerasi, jawaban atas pertanyaan-pertanyaan tersebut ditentukan oleh keakuratan algoritma ini mengenai klasifikasi, pengenalan, dan prediksi gerakan objek selanjutnya.

Algoritma matriks keputusan terdiri dari beberapa model keputusan yang dilatih secara independen yang prediksinya digabungkan untuk menghasilkan prediksi keseluruhan sambil meminimalkan kemungkinan kesalahan.

Kesimpulan

Bersama-sama, semua algoritme ML ini berfungsi untuk mobil self-driving seperti yang kita kenal. Saat ini, mobil self-driving dapat melakukan tugas-tugas dasar pengemudi manusia, seperti mengendalikan, menavigasi, dan mengemudikan kendaraan, tetapi tentu saja, ada batasan tertentu juga. Namun, dengan kemajuan lebih lanjut dari Pembelajaran Mesin dan peningkatan algoritme mobil self-driving, kami memiliki banyak hal untuk diharapkan dari mobil otonom ini.

Jika Anda tertarik untuk mempelajari pembelajaran mesin dan ingin tahu cara melatih chatbot, cara melatih agen untuk bermain tic tac toe dan banyak lagi, lihat Diploma PG IIIT-B dalam Pembelajaran Mesin dan program AI.