(Source: Freepik)
Beberapa tahun terakhir, terobosan besar di bidang kecerdasan buatan (AI) sering mengikuti pola yang konsisten yaitu model yang lebih besar, dilatih dengan data yang lebih banyak, dan didukung oleh komputasi yang lebih intensif, cenderung menghasilkan peningkatan kinerja yang luar biasa. Namun, muncul pertanyaan apakah tren ini juga berlaku untuk kendaraan otonom, khususnya dalam perencanaan gerakan dan perkiraan dua kemampuan inti yang sangat penting bagi mereka.
Waymo, sebagai pemimpin dalam teknologi kendaraan otonom, melakukan studi terbaru untuk menjawab pertanyaan tersebut. Mereka berfokus pada pembentukan hukum skala baru dalam perencanaan gerakan dan perkiraan, yang merupakan kemampuan inti kendaraan otonom. Studi ini menunjukkan bahwa, serupa dengan Large Language Models (LLM), peningkatan sumber daya data dan komputasi dapat meningkatkan kinerja kendaraan otonom. Temuan ini tidak hanya menguntungkan Waymo Driver, tetapi juga memiliki aplikasi yang lebih luas dalam penelitian AI berwujud, termasuk di bidang robotika.
Studi Waymo dengan menggunakan Mobil otonom
Waymo melakukan studi komprehensif menggunakan dataset internal mereka yang mencakup 500.000 jam berkendara jauh lebih besar dari studi penskalaan kendaraan otonom sebelumnya untuk menguji hubungan antara perkiraan gerakan dan skala yang lebih besar. Studi ini mengungkap temuan penting yaitu kualitas perkiraan gerakan mengikuti hukum power law sebagai fungsi komputasi pelatihan, serupa dengan Large Language Models (LLM), penskalaan data sangat penting untuk meningkatkan kinerja model, penskalaan komputasi inferensi juga meningkatkan kemampuan model dalam menangani skenario mengemudi yang lebih menantang, dan kinerja closed loop menunjukkan tren penskalaan serupa. Hal ini untuk pertama kalinya menunjukkan bahwa kinerja kendaraan otonom di dunia nyata dapat ditingkatkan melalui peningkatan data pelatihan dan komputasi.
Temuan terhadap teknologi Waymo
Temuan ini memiliki implikasi menarik bagi pengembangan kendaraan otonom karena dapat digeneralisasi ke berbagai skenario dan lingkungan yang semakin luas. Berkat wawasan ini, peneliti dan pengembang model kendaraan otonom kini mengetahui dengan pasti bahwa memperkaya kualitas dan ukuran data serta model akan memberikan kinerja yang lebih baik. Kemampuan untuk menskalakan model-model ini secara terprediksi menempatkan Waymo pada jalur untuk terus meningkatkan pemahaman tentang perilaku yang beragam dan kompleks yang ditemui kendaraan otonom setiap hari. Hal ini mencakup peningkatan akurasi prediksi lintasan pada dataset tetap, seberapa baik kinerja di skenario berkendara dunia nyata, hingga pendalaman kecanggihan kemampuan pengenalan perilaku.
Waymo menyatakan bahwa temuan mereka dapat diterapkan pada tugas perencanaan robotik serupa. Dengan demikian, para peneliti kini memiliki gambaran yang lebih jelas mengenai data yang perlu mereka kumpulkan dan ukuran model yang harus mereka latih.
