Pembuat mobil banyak berinvestasi dalam teknologi mengemudi otonom, menggunakan simulasi dan kembar digital untuk melatih, menguji, dan memvalidasi jaringan saraf dalam yang berjalan di dalam kendaraan.
Merancang kendaraan yang ditentukan perangkat lunak adalah proses yang jelas memakan waktu dan mahal, membutuhkan masukan dari tim di seluruh dunia. Secara tradisional, siklus pengembangan produk dalam industri otomotif membutuhkan waktu bertahun-tahun untuk mengakomodasi upaya ini.
Platform terbuka yang dapat diskalakan menciptakan cara baru untuk merampingkan proses desain guna meningkatkan efisiensi dan produktivitas alur kerja. Desainer dan insinyur dapat melakukan pengujian konsep yang interaktif dan kolaboratif serta mengevaluasi model dan simulasi kendaraan dengan akurasi tinggi.
Tim dapat mengidentifikasi masalah di awal proses desain dan membuat keputusan lebih cepat terkait faktor penting seperti kinerja dan penampilan.
Dengan meninjau desain kendaraan pada platform virtual, tim proyek dapat mengurangi biaya dan mempercepat jadwal produksi untuk proses desain dan manufaktur.
Tempat pembuktian virtual
Selain proses desain yang komprehensif, kendaraan otonom (AV) memerlukan pengembangan dan pengujian skala besar dalam berbagai skenario sebelum dapat digunakan di jalan umum.
Untuk memanfaatkan potensi manfaat keselamatan yang sangat besar, AV harus mampu merespons situasi yang sangat beragam di jalan, seperti kendaraan darurat, pejalan kaki, kondisi cuaca buruk, dan rintangan lain dalam jumlah tak terbatas—termasuk skenario yang terlalu berbahaya untuk diuji di dunia nyata
Tidak ada cara yang layak untuk menguji kendaraan secara fisik dalam semua situasi ini, juga tidak ada pengujian jalan yang cukup dapat dikontrol, diulang, lengkap atau cukup cepat. Itulah mengapa simulasi sangat penting karena memungkinkan pengembang untuk menguji semua kemungkinan ini di dunia maya sebelum menerapkan AV di dunia nyata.
Dengan terobosan terbaru dalam AI, pengembang sekarang dapat membuat simulasi langsung dari data dunia nyata, meningkatkan akurasi sekaligus menghemat waktu dan biaya yang berharga.
Pipeline AI baru, yang dikenal sebagai Neural Reconstruction Engine, secara otomatis mengekstrak komponen utama yang diperlukan untuk simulasi, termasuk lingkungan, aset 3D, dan skenario.
Potongan-potongan ini kemudian direkonstruksi menjadi adegan simulasi yang memiliki realisme survei data, tetapi sepenuhnya reaktif dan dapat dimanipulasi sesuai kebutuhan. Mencapai tingkat detail dan keragaman dengan tangan mahal, memakan waktu dan tidak terukur.
Pembuatan data sintetik juga merupakan komponen kunci untuk mempercepat pengembangan AV dalam simulasi. Dengan menghasilkan data kamera, radar, lidar, dan sensor ultrasonik berbasis fisik, bersama dengan ground truth yang sesuai, data ini sekarang dapat digunakan untuk melatih jaringan persepsi AI untuk AV.
Menggunakan data sintetik mengurangi waktu dan biaya, selalu akurat, dan menghasilkan kebenaran dasar yang tidak dapat diberi label oleh manusia, seperti kedalaman, kecepatan, dan objek yang tertutup. Itu juga menghasilkan data pelatihan untuk adegan langka dan berbahaya untuk melengkapi data dunia nyata untuk pendekatan yang ditargetkan untuk memecahkan beberapa tantangan terbesar AV.
Dengan platform simulasi yang akurat secara fisik yang mampu menghasilkan data sintetik ground-truth, pengembang AV dapat meningkatkan produktivitas, efisiensi, dan cakupan pengujian, sehingga mempercepat waktu ke pasar sekaligus mengurangi manajemen dunia nyata.
Masa depan yang lebih aman dan cerdas
Pada akhirnya, keselamatan harus menjadi no. 1 prioritas.
Ketika kita berbicara tentang kehidupan manusia, kita ingin memastikan bahwa kita tidak hanya melakukannya dengan benar, tetapi juga bahwa kita tidak pernah salah.
Generasi transportasi berikutnya bersifat otonom, jadi sangat penting untuk mengembangkan teknologi self-driving yang memberikan pengalaman yang lebih aman, nyaman, dan menyenangkan bagi semua orang dengan memasukkan keselamatan ke dalam setiap langkah – termasuk desain, produksi, dan pengoperasian kendaraan.