Diterbitkan pada: 12 Maret 2025 / Diperbarui pada: 12 Maret 2025 – Penulis: Konrad Wolfenstein
Peneliti Sepehr Samavi dan Prof. Angela Schoellig di samping robot Jack – Foto: Astrid Eckert, Munich
Karya perintis di bidang robotika: TUM mengembangkan robot prediktif
Sistem Otonom: Bagaimana Robot Belajar Berinteraksi dengan Manusia
Di dunia yang berkembang pesat menuju otomatisasi dan kecerdasan buatan, sistem otonom menjadi bagian yang semakin penting dalam kehidupan kita sehari-hari. Mulai dari mobil tanpa pengemudi dan robot bantu cerdas hingga pabrik industri yang canggih, kemampuan mesin untuk membuat keputusan independen dan beroperasi di lingkungan yang kompleks mengubah berbagai aspek kehidupan kita. Disiplin ilmu yang sangat menarik dan menantang dalam robotika adalah pengembangan sistem yang dapat bergerak dengan aman dan efisien di lingkungan yang dinamis dan padat manusia. Hal ini tidak hanya melibatkan penghindaran rintangan tetapi juga pemahaman, prediksi, dan respons terhadap perilaku manusia untuk memastikan interaksi yang lancar dan aman.
Para peneliti di Universitas Teknik Munich (TUM) yang terkenal sedang bekerja secara intensif tepat di persimpangan antara robotika, kecerdasan buatan, dan perilaku manusia. Di Laboratorium Sistem Pembelajaran dan Robotika mereka, yang dipimpin oleh Profesor Angela Schoellig, mereka telah mengembangkan robot inovatif bernama "Jack" yang mampu menavigasi kerumunan dengan keterampilan dan pandangan ke depan yang luar biasa. Yang membedakan Jack dari banyak robot lain adalah kemampuannya tidak hanya untuk memahami lingkungan sekitarnya, tetapi juga untuk secara aktif mempertimbangkan bagaimana orang-orang di sekitarnya akan bergerak dan bagaimana mereka mungkin bereaksi terhadap gerakannya sendiri. Pemikiran antisipatif ini memungkinkan Jack untuk merencanakan rutenya melalui ruang-ruang yang ramai tidak hanya secara reaktif, tetapi juga secara proaktif dan cerdas.
Cocok untuk:
Tantangan dalam bernavigasi di tengah keramaian
Menavigasi kerumunan menghadirkan tantangan yang berat bagi robot, tantangan yang jauh melampaui sekadar menghindari rintangan. Tidak seperti lingkungan yang statis atau dapat diprediksi, kerumunan bersifat dinamis, tidak dapat diprediksi, dan dicirikan oleh interaksi sosial yang kompleks. Setiap orang dalam kerumunan bergerak secara individual, namun secara bersamaan memengaruhi pergerakan orang lain. Ketergantungan ini, dikombinasikan dengan variabilitas alami perilaku manusia, membuat robot sangat sulit untuk bergerak dengan aman dan efisien.
Algoritma navigasi robot tradisional, yang seringkali didasarkan pada aturan kaku dan data sensor sederhana, dengan cepat mencapai batas kemampuannya di lingkungan seperti itu. Mereka biasanya bereaksi terhadap rintangan dengan berhenti mendadak atau berbelok, yang dapat menyebabkan kemacetan yang tidak diinginkan, rute yang tidak efisien, atau bahkan situasi berbahaya di tengah keramaian. Untuk berhasil bernavigasi di tengah keramaian, robot membutuhkan bentuk kecerdasan yang jauh lebih canggih yang memungkinkan mereka untuk memahami dan memprediksi perilaku manusia serta secara aktif memasukkannya ke dalam perencanaan navigasi mereka.
Pendekatan inovatif Jack: Berpikir maju dan berinteraksi
Robot Jack, yang dikembangkan oleh para peneliti TUM, mengambil langkah penting melampaui pendekatan tradisional. Inti dari robot ini adalah algoritma canggih yang memungkinkannya tidak hanya untuk merasakan pergerakan orang di lingkungannya, tetapi juga untuk secara aktif memprediksi pergerakan tersebut dan memasukkannya ke dalam perencanaan rutenya sendiri. Profesor Schoellig menekankan perbedaan mendasar dengan metode konvensional: “Robot kami memodelkan bagaimana orang akan bereaksi terhadap pergerakannya untuk merencanakan rutenya sendiri. Ini adalah perbedaan utama dibandingkan dengan pendekatan lain yang biasanya mengabaikan interaksi ini.”
Kemampuan untuk memodelkan interaksi ini adalah kunci keberhasilan Jack. Alih-alih memandang orang hanya sebagai rintangan yang tidak dapat diprediksi, Jack memahami mereka sebagai agen cerdas yang perilakunya dapat ia prediksi sebagian dan bahkan pengaruhi. Hal ini memungkinkan dia untuk bergerak di tengah keramaian dengan cara yang sangat mirip dengan navigasi manusia. Dia tidak ragu untuk bergerak ke celah-celah, mengantisipasi pergerakan pejalan kaki, dan secara dinamis menyesuaikan rutenya untuk menghindari tabrakan sambil mencapai tujuannya secara efisien.
Kombinasi sensor dan daya komputasi
Untuk menyelesaikan tugas yang menuntut ini, Jack dilengkapi dengan sensor dan daya komputasi yang sangat canggih. Komponen kuncinya adalah sensor lidar (pendeteksi dan pengukuran jarak cahaya), yang terus-menerus memancarkan sinar laser ke sekitarnya dan menerima sinyal pantulan. Dari data ini, lidar menciptakan peta lingkungan 360 derajat yang presisi secara real-time, menangkap tidak hanya objek statis tetapi juga, dan terutama, posisi dan pergerakan orang. Dengan demikian, lidar memberikan robot "gambaran" terperinci tentang lingkungannya, yang menjadi dasar keputusan navigasinya.
Selain lidar, Jack memiliki sensor di rodanya yang secara tepat mengukur kecepatan dan jarak tempuhnya. Informasi ini sangat penting untuk menentukan posisinya secara akurat di lingkungan sekitarnya dan mengoptimalkan efisiensi navigasi. Semua data sensor diproses oleh komputer onboard yang canggih yang mampu menjalankan algoritma kompleks secara real-time. Komputer ini adalah "otak" Jack, yang bertanggung jawab untuk menganalisis data sensor, memprediksi pergerakan manusia, dan menghitung rute optimal.
Cocok untuk:
Algoritma secara detail: prediksi, perencanaan, dan adaptasi
Inti dari kecerdasan Jack adalah algoritma navigasi yang dikembangkan oleh para peneliti TUM. Algoritma ini bekerja dalam beberapa langkah untuk memungkinkan Jack bernavigasi dengan aman dan efisien melalui keramaian.
1. Persepsi dan pengumpulan data
Pertama, Jack terus menerus mengumpulkan data tentang lingkungannya menggunakan sensor-sensornya. Lidar memberikan informasi tentang posisi dan pergerakan orang, sementara sensor roda memberikan data tentang pergerakan robot itu sendiri.
2. Memprediksi pergerakan manusia
Berdasarkan data yang dikumpulkan, algoritma menganalisis pola pergerakan orang di sekitarnya. Algoritma ini mencoba memprediksi jalur yang kemungkinan akan ditempuh orang dalam beberapa detik berikutnya. Prediksi ini didasarkan pada model statistik yang dipelajari dari kumpulan data ekstensif tentang perilaku pergerakan manusia di tengah keramaian.
3. Perencanaan rute
Pada saat yang sama, algoritma merencanakan rute optimal ke tujuan robot. Dalam melakukannya, algoritma mempertimbangkan tidak hanya pergerakan orang yang diprediksi, tetapi juga kemampuan dan keterbatasan robot itu sendiri, seperti kecepatan dan kemampuan manuvernya. Tujuannya adalah untuk menemukan rute yang mengarah ke tujuan secepat dan seefisien mungkin, tanpa risiko tabrakan dengan orang.
4. Adaptasi dinamis
Aspek kunci dari algoritma ini adalah kemampuannya untuk beradaptasi secara dinamis. Seluruh proses akuisisi data, prediksi, dan perencanaan rute diulang secara terus-menerus sekitar sepuluh kali per detik. Hal ini memungkinkan Jack untuk menyesuaikan rutenya secara real-time terhadap lingkungan yang terus berubah. Frekuensi adaptasi yang tinggi ini sangat penting untuk navigasi yang aman dan efisien di lingkungan dinamis dengan banyak orang, karena robot secara simultan mengenali dan bereaksi terhadap pergerakan orang, seperti yang dijelaskan oleh peneliti TUM, Sepehr Samavi.
Belajar dari perilaku manusia: Kunci navigasi yang menyerupai manusia
Aspek penting lainnya dari kecerdasan Jack adalah kemampuannya untuk belajar dari perilaku manusia. Para peneliti TUM tidak hanya memprogram Jack dengan aturan dan algoritma yang kaku, tetapi juga memberinya kesempatan untuk terus berkembang dengan menganalisis data tentang perilaku pergerakan manusia.
Profesor Schoellig menjelaskan bahwa model matematika yang menjadi dasar algoritma perencanaan tersebut berasal dari pergerakan manusia dan diterjemahkan ke dalam persamaan. Dengan demikian, algoritma tersebut tidak bergantung pada asumsi abstrak tentang perilaku manusia, tetapi langsung pada data nyata yang mendokumentasikan pergerakan kerumunan. Untuk mewujudkan hal ini, para peneliti mengumpulkan kumpulan data ekstensif yang menggambarkan perilaku manusia dalam berbagai situasi dan lingkungan, yang berfungsi sebagai materi pelatihan untuk Jack.
Dengan menganalisis data ini, Jack belajar mengenali dan mengantisipasi pola pergerakan manusia yang khas dan menggabungkannya ke dalam keputusannya sendiri. Misalnya, ia belajar bahwa orang biasanya berbelok ketika mendekati rintangan atau menyesuaikan kecepatan mereka untuk menghindari tabrakan. Pengetahuan ini dimasukkan ke dalam algoritma, memungkinkan Jack untuk berperilaku dengan cara yang menyerupai perilaku intuitif orang-orang di tengah keramaian.
Contoh konkret dari proses pembelajaran ini adalah cara Jack menangani potensi tabrakan. Robot tradisional biasanya akan berhenti seketika setelah mendeteksi rintangan, seperti seseorang, yang berpotensi bertabrakan. Namun, Jack, yang telah belajar dari perilaku manusia, bereaksi lebih halus. Ia mengantisipasi bahwa orang biasanya akan beradaptasi dan berbelok untuk menghindari tabrakan. Oleh karena itu, ia tidak berhenti seketika tetapi melanjutkan pergerakannya sambil mengamati reaksi orang tersebut. Hanya jika ada indikasi bahwa orang tersebut tidak akan berbelok, Jack menyesuaikan rencananya dan memilih rute alternatif. Perilaku ini jauh lebih efisien dan mirip manusia daripada berhenti mendadak yang dilakukan robot tradisional.
Perkembangan evolusioner: Dari reaktif ke interaktif
Perkembangan kemampuan navigasi Jack merupakan proses evolusi yang berlangsung dalam tiga tahap. Setiap tahap mewakili kemajuan dalam kompleksitas dan kecerdasan algoritma.
Level 1: Navigasi reaktif.
Pada tahap pertama, Jack hanya bereaksi terhadap lingkungannya. Dia menghindari rintangan segera setelah dia menyadarinya, tanpa memprediksi atau mengantisipasi perilaku manusia. Meskipun fungsional, tahap ini tidak efisien dan sering menyebabkan pemberhentian mendadak dan jalan memutar.
Level 2: Navigasi prediktif.
Pada tahap kedua, algoritma diperluas untuk memprediksi pergerakan orang yang datang. Hal ini memungkinkan Jack untuk bernavigasi lebih proaktif dan menghindari tabrakan sebelum terjadi. Tahap ini sudah menunjukkan kemajuan yang signifikan, tetapi masih terbatas, karena sebagian besar mengabaikan interaksi antara robot dan manusia.
Level 3: Navigasi interaktif.
Versi Jack saat ini mewakili tahap evolusi ketiga dan paling canggih hingga saat ini: navigasi interaktif. Pada tahap ini, Jack tidak hanya mampu memprediksi pergerakan orang, tetapi juga secara aktif mempertimbangkan bagaimana orang akan bereaksi terhadap pergerakannya sendiri. Ia mampu memengaruhi perilaku orang melalui tindakannya sendiri sambil menghindari tabrakan. Kemampuan interaktif ini merupakan terobosan penting yang menjadikan Jack sebagai sistem navigasi yang benar-benar cerdas dan mirip manusia.
Peneliti Samavi menjelaskan bahwa Jack dapat memprediksi pergerakan orang lain dan secara bersamaan memengaruhi tindakan mereka melalui perilakunya sendiri, sambil menghindari tabrakan. Bentuk navigasi interaktif ini memungkinkan Jack untuk bergerak dengan aman, efisien, dapat diterima secara sosial, dan intuitif di tengah keramaian.
Bidang aplikasi: Dari robot pengiriman hingga kendaraan otonom
Teknologi inovatif di balik Jack memiliki potensi yang sangat besar untuk berbagai macam aplikasi. Meskipun Jack awalnya dikembangkan sebagai platform penelitian, para peneliti TUM sudah mempertimbangkan aplikasi konkret di dunia nyata.
Robot pengantar
Salah satu aplikasi yang jelas adalah robot pengiriman yang dapat mengantarkan barang dan paket secara otonom di lingkungan perkotaan. Robot-robot ini harus mampu bergerak dengan aman dan efisien di trotoar, di zona pejalan kaki, dan di pusat kota yang ramai. Kemampuan Jack untuk menavigasi keramaian sangat penting untuk hal ini. Di masa depan, robot pengiriman otonom dapat memberikan kontribusi signifikan untuk memecahkan masalah "mil terakhir" dalam logistik dan mengurangi kemacetan lalu lintas perkotaan.
Cocok untuk:
kursi roda
Aplikasi menjanjikan lainnya adalah integrasi teknologi ini ke dalam kursi roda pintar. Bagi penyandang disabilitas mobilitas, menavigasi lingkungan yang ramai dapat menjadi tantangan besar. Kursi roda yang dilengkapi dengan algoritma navigasi Jack dapat secara signifikan meningkatkan kemandirian dan kualitas hidup mereka. Kursi roda tersebut dapat secara otomatis menghindari rintangan, bergerak dengan aman di tengah keramaian, dan secara otomatis mengantarkan pengguna ke tujuan yang diinginkan.
Mengemudi otonom
Profesor Schoellig menganggap mengemudi otonom sebagai area aplikasi yang sangat relevan untuk teknologi navigasi interaktif. Ia menekankan bahwa skenario interaktif ini menghadirkan tantangan utama. Dalam situasi lalu lintas yang kompleks, seperti bergabung ke jalan raya, berbelok di persimpangan, atau berinteraksi dengan pejalan kaki dan pengendara sepeda, sangat penting tidak hanya untuk merencanakan pergerakan sendiri tetapi juga untuk mengantisipasi perilaku pengguna jalan lain dan memasukkannya ke dalam perencanaan. Kemampuan teknologi untuk menyediakan navigasi interaktif dapat memberikan kontribusi signifikan terhadap pengembangan kendaraan otonom yang lebih aman dan efisien. Ia mengutip contoh bergabung ke jalan raya: Ketika sebuah kendaraan berada di jalur akselerasi pintu masuk jalan raya, banyak pengemudi yang mendekat dari belakang berpindah jalur atau mengerem sedikit. Justru dalam situasi seperti itulah pendekatan baru ini memungkinkan untuk mempertimbangkan reaksi pengguna jalan lain dengan tepat.
Robot humanoid
Robot humanoid dapat memperoleh manfaat khusus dari algoritma ini, terutama di bidang seperti perawatan, pelayanan, atau manufaktur, di mana mereka bekerja sama erat dengan manusia. Agar dapat diterima dan digunakan secara efektif, sangat penting bagi mereka untuk dapat bernavigasi dengan aman dan intuitif di lingkungan manusia. Namun, Profesor Schoellig menunjuk pada tantangan utama: sementara robot bergerak dapat berhenti dengan mudah ketika dibutuhkan, robot humanoid saat ini cukup tidak stabil dan cepat kehilangan keseimbangan. Meningkatkan stabilitas robot humanoid di lingkungan dinamis merupakan bidang penelitian penting yang perlu dikembangkan lebih lanjut untuk membuka potensi penuh navigasi interaktif untuk robot humanoid.
Navigasi robot tingkat lanjut: Bagaimana Jack memahami perilaku manusia
Penelitian TUM di bidang navigasi robot interaktif merupakan kemajuan signifikan menuju sistem cerdas dan otonom yang dapat beroperasi dengan aman dan efisien di lingkungan manusia. Robot Jack secara mengesankan menunjukkan bahwa dimungkinkan untuk mengembangkan mesin yang tidak hanya dapat merasakan lingkungan sekitarnya tetapi juga memahami dan memprediksi perilaku manusia serta menggabungkannya ke dalam pengambilan keputusan. Kemampuan navigasi interaktif ini membuka kemungkinan baru untuk berbagai aplikasi, mulai dari robot pengiriman dan kursi roda pintar hingga kendaraan otonom.
Namun, pengembangan Jack hanyalah permulaan. Penelitian di bidang robotika dan kecerdasan buatan berkembang pesat, dan kita dapat mengharapkan inovasi menarik lainnya di tahun-tahun dan dekade mendatang. Integrasi robot ke dalam kehidupan sehari-hari kita akan semakin umum, dan sistem otonom akan memainkan peran yang semakin penting dalam masyarakat kita. Oleh karena itu, sangat penting bagi kita untuk membentuk pengembangan teknologi ini secara bertanggung jawab dan mempertimbangkan aspek etika dan sosial sejak awal. Hanya dengan cara ini kita dapat memastikan bahwa robot dan manusia dapat bekerja sama untuk kepentingan semua di masa depan.
Cocok untuk:
Mitra pemasaran global dan pengembangan bisnis Anda
☑️ Bahasa bisnis kami adalah Inggris atau Jerman
☑️ BARU: Korespondensi dalam bahasa nasional Anda!
Konrad Wolfenstein
Saya akan dengan senang hati melayani Anda dan tim saya sebagai penasihat pribadi.
Anda dapat menghubungi saya dengan mengisi formulir kontak atau cukup hubungi saya di +49 89 89 674 804 (Munich) . Alamat email saya adalah: wolfenstein ∂ xpert.digital
Saya menantikan proyek bersama kita.
