Perpustakaan Digital ITB

Hingga saat ini, kendaraan otonom belum sepenuhnya dapat diandalkan dalam menghadapi ketidakpastian lalu lintas. Beberapa penelitian terbaru telah mengusulkan sistem keamanan untuk meningkatkan keselamatan pada kendaraan otonom, namun penelitian tersebut hanya berfokus pada kendaraan otonom dan tidak menganalisis secara khusus terkait skenario darurat yang mungkin terjadi. Penelitian tugas akhir ini berfokus pada pengembangan strategi mengemudi pada kendaraan otonom dalam menghadapi skenario darurat pada persimpangan jalan. Kendaraan otonom dilatih menggunakan algoritma proximal policy optimization (PPO) pada lingkungan simulasi yang dibangun menggunakan CARLA Simulator. Kendaraan otonom dilatih untuk menghindari tabrakan atau setidaknya meminimalisir dampak tabrakan ketika berhadapan dengan skenario pra-kecelakaan pada persimpangan jalan. Skenario pra-kecelakaan ini sebagaimana yang telah didefinisikan oleh National Highway Traffic Safety Administration (NHTSA) dalam laporannya yang berjudul “Pre-Crash Scenario Typology for Crash Avoidance Research”. Simulasi pada penelitian ini mencakup tahap pelatihan dan pengujian yang dilakukan pada dua tipe persimpangan jalan, yaitu persimpangan jalan dengan lampu lalu lintas dan persimpangan jalan tanpa lampu lalu lintas, serta tiga tingkat kompleksitas lalu lintas, yaitu rendah, sedang, dan tinggi, yang dibedakan berdasarkan komponen penyusun lalu lintas. Kendaraan otonom dilatih untuk mengontrol gas, rem, dan sudut kemudi berdasarkan informasi terkait lingkungan sekitar yang diperoleh dari sensor yang terintegrasi pada kendaraan. Hasil simulasi menunjukkan bahwa performa kendaraan otonom secara keseluruhan memberikan tingkat keberhasilan dalam menghindari tabrakan tertinggi pada nilai 85%. Kemampuan kendaraan otonom dalam menghindari tabrakan menurun seiring dengan meningkatnya kompleksitas lalu lintas yang dihadapi. Tabrakan masih terjadi akibat adanya sisi pada kendaraan yang tidak tertangkap oleh kamera, sehingga kendaraan otonom tidak dapat mendeteksi kendaraan yang bergerak pada sisi tersebut. Namun, kendaraan otonom cenderung bergerak dengan kecepatan lebih rendah ketika berhadapan dengan lalu lintas yang lebih kompleks, yang ditandai dengan nilai rata-rata impuls akibat tabrakan yang lebih kecil ketika kendaraan otonom berada pada lalu lintas yang lebih kompleks.