Editorial Ilmu Komputer & AI
Analisis Sistem Mengemudi Otonom Sumber Terbuka dan Paradigma Penelitian Hardware-in-the-Loop Multi-Disiplin dengan Pengujian Reinforcement-Learning dan Large Language Models
Masalah inti
Sistem mengemudi otonom sumber terbuka menawarkan fondasi perangkat lunak yang dapat diperiksa untuk penelitian kendaraan cerdas, memungkinkan tim mempelajari tumpukan persepsi, perencanaan, dan kendali secara transparan. Namun, ketika sistem tersebut diterapkan pada kendaraan nyata, perekaman dan peninjauan kondisi eksperimen menjadi krusial untuk menafsirkan perilaku sistem dan menggunakan ulang hasil eksperimen. Dalam lingkungan kendaraan nyata bersama yang melibatkan banyak kendaraan, proses tugas, modifikasi kode, dan umpan balik pengujian perangkat keras sering tersebar di berbagai tim dan tahap eksperimen. Distribusi ini menyulitkan pemeliharaan catatan eksperimen yang berkesinambungan dan dapat ditinjau.
Makalah ini mengatasi keterbatasan tersebut dengan menelaah lingkungan Apollo-on-Hongqi EV dan mengusulkan kerangka eksperimen kendaraan nyata. Kerangka ini menghubungkan eksperimen multi-kendaraan, penggunaan ulang kode berbasis repositori, dan umpan balik pengujian perangkat lunak-perangkat keras dalam satu proses peninjauan yang terpadu. Large language models (LLMs) dan pengujian berbasis reinforcement-learning (RL) berperan sebagai komponen tambahan untuk pengorganisas
Inovasi
Makalah ini melaporkan bukti awal dari tiga area: eksperimen kolaboratif multi-kendaraan, berbagi kode dan keterampilan eksperimen, serta pengujian kolaboratif perangkat lunak-perangkat keras.
**Eksperimen kolaboratif multi-kendaraan.** Eksperimen yang melibatkan beberapa Hongqi EV menunjukkan bahwa proses tugas dan modifikasi kode dapat dicatat dan kemudian ditinjau bersama kondisi saat dijalankan. Lingkungan bersama memungkinkan tim mengamati bagaimana kendaraan yang berbeda berperilaku dalam kondisi serupa atau beragam.
**Berbagi kode dan keterampilan eksperimen.** Pendekatan berbasis repositori memungkinkan tim berbagi modifikasi kode dan keterampilan eksperimen. Berbagi ini mengurangi duplikasi upaya dan menyediakan riwayat perubahan yang dapat ditelusuri. Bukti awal menunjukkan bahwa tim dapat menggunakan ulang artefak dari eksperimen sebelumnya, meningkatkan kesinambungan antar tahap eksperimen.
**Pengujian kolaboratif perangkat lunak-perangkat keras.** Umpan balik pengujian hardware-in-the-loop ditangkap dan dihubungkan ke versi perangkat lunak serta catatan eksperimen. Keterkaitan ini memungkinkan anomali yang teramati dalam pengujian perangkat keras ditelusuri kembali
Mengapa penting
Kerangka yang diusulkan mengatasi tantangan utama dalam penelitian mengemudi otonom kendaraan nyata: fragmentasi catatan eksperimen di seluruh tim dan tahap. Dengan menyatukan eksperimen multi-kendaraan, penggunaan ulang kode berbasis repositori, dan umpan balik pengujian perangkat lunak-perangkat keras ke dalam satu proses peninjauan, kerangka ini memungkinkan eksperimen yang berkesinambungan dan dapat ditinjau.
Penggunaan LLM untuk pengorganisasian catatan dan peringkasan anomali merupakan pilihan pragmatis. LLM dapat memproses log dan umpan balik tak terstruktur, mengekstraksi informasi penting yang mungkin hilang. Namun, makalah ini tidak memberikan metrik kuantitatif tentang akurasi atau efisiensi peringkasan berbasis LLM, sehingga menyisakan ruang untuk evaluasi di masa depan.
Serupa dengan itu, pengujian berbasis RL berperan sebagai komponen tambahan untuk menghasilkan skenario kandidat. Kebijakan agen RL dilatih dalam simulasi, dan skenario yang dihasilkan kemudian dipertimbangkan untuk pengujian kendaraan nyata. Pendekatan ini berpotensi mengungkap skenario langka atau kritis keselamatan yang sulit dienumerasi secara manual. Namun, kesenjangan sim-to-real tetap menjadi perhatian: skenario yang menantang dalam simulasi mungkin tidak langsung berlaku pada kondisi kendaraan nyata. Bukti awal dalam makalah ini belum sepenuhnya mengatasi kesenjangan tersebut.
Ketergantungan kerangka ini pada lingkungan kendaraan nyata bersama memunculkan pertimbangan logistik dan keselamatan. Mengoordinasikan banyak kendaraan, memastikan operasi yang aman, dan mengelola modifikasi kode di seluruh tim memerlukan protokol yang kokoh. Makalah ini tidak merinci protokol tersebut, yang dapat membatasi reproduktibilitas.
Dari perspektif taksonomi, karya ini menyentuh arsitektur (integrasi komponen), keamanan siber (penggunaan ulang kode dan pelacakan modifikasi), jaringan (komunikasi multi-kendaraan), dan kriptografi (berpotensi untuk penyimpanan catatan yang aman, meskipun tidak dibahas secara eksplisit). Penelitian selanjutnya dapat menelaah dimensi-dimensi ini lebih mendalam.
Sebagai ringkasan, makalah ini menyajikan paradigma yang menjanjikan untuk penelitian hardware-in-the-loop multi-disiplin. Integrasi LLM dan RL sebagai komponen tambahan bersifat inovatif, tetapi validasi empiris lebih lanjut diperlukan untuk menetapkan efektivitas dan keandalannya.
Siapa yang sebaiknya membaca
Membuka konten memberโฆ