Jelajahi lubangnya di acara olahraga motor profesional mana pun, terutama seperti Formula 1, dan Anda akan melihat tampilan komputer tanpa akhir yang penuh dengan telemetri. Tim modern dibanjiri masukan digital real-time dari mobil. Saya telah berada di banyak lubang ini selama bertahun-tahun dan mengagumi aliran data, namun saya belum pernah melihat contoh rangkaian pengembangan perangkat lunak Microsoft Visual Studio berjalan di sana tepat di tengah kekacauan.
Namun, saya belum pernah menghadiri acara perdana Liga Balap Otonom Abu Dhabi akhir pekan lalu. A2RL, sebagaimana diketahui, bukanlah seri balap otonom pertama: Ada seri Roborace, yang menampilkan mobil balap otonom yang mencatat waktu putaran cepat sambil menghindari rintangan virtual; dan Indy Autonomous Challenge, yang terakhir diadakan di Las Vegas Motor Speedway selama CES 2024.
Sementara Roborace fokus pada uji waktu mobil tunggal dan seri Indy Autonomous berpusat pada aksi oval, A2RL mulai membuat terobosan baru di beberapa area.
A2RL menempatkan empat mobil di jalurnya, berkompetisi secara bersamaan untuk pertama kalinya. Dan, mungkin yang lebih penting, hal ini mempertemukan mobil otonom dengan performa terbaik dengan seorang manusia, mantan pilot Formula 1 Daniil Kvyat, yang membalap untuk berbagai tim antara tahun 2014 dan 2020.
Kredit Gambar: Liga Balap Otonom
Tantangan sebenarnya ada di balik layar, dengan tim yang terdiri dari kader insinyur yang sangat beragam, mulai dari pembuat kode pemula, mahasiswa doktoral, hingga insinyur balapan penuh waktu, semuanya berjuang untuk menemukan batasan dengan cara yang sangat baru.
Tidak seperti Formula 1, di mana 10 pabrikan merancang, mengembangkan, dan memproduksi mobil yang sepenuhnya dipesan lebih dahulu (terkadang dengan bantuan AI), mobil balap A2RL sepenuhnya distandarisasi untuk memberikan persaingan yang setara. Mesin berkekuatan 550 tenaga kuda, yang dipinjam dari Kejuaraan Formula Super Jepang, identik, dan tim tidak diperbolehkan mengubah satu komponen pun.
Itu termasuk rangkaian sensor, yang dilengkapi tujuh kamera, empat sensor radar, tiga sensor lidar, dan GPS sebagai tambahan – semuanya digunakan untuk melihat dunia di sekitar mereka. Seperti yang saya pelajari saat menjelajahi pit dan mengobrol dengan berbagai tim, tidak semua orang sepenuhnya memanfaatkan 15 terabyte data yang digunakan setiap mobil di setiap putaran.
Beberapa tim, seperti Code 19 yang berbasis di Indianapolis, baru mulai mengerjakan proyek monumental pembuatan mobil self-driving beberapa bulan lalu. “Ada empat tim pemula di sini,” kata salah satu pendiri Code 19, Oliver Wells. “Semua orang telah berkompetisi di kompetisi seperti ini, beberapa di antaranya telah berkompetisi hingga tujuh tahun.”
Ini semua tentang kode
Kredit gambar: Tim Stevens
TUM yang berbasis di Munich dan Polimove yang berbasis di Milan memiliki pengalaman luas dalam menjalankan dan memenangkan Roborace dan Indy Autonomous Challenge. Pengalaman itu terbawa, begitu pula kode sumbernya.
“Di satu sisi, kode ini terus dikembangkan dan ditingkatkan,” kata Simon Hoffmann, kepala tim di TUM. Tim melakukan penyesuaian untuk mengubah perilaku menikung agar sesuai dengan tikungan tajam di jalur jalan dan juga menyesuaikan agresi menyalip. “Tetapi secara umum, menurut saya kami menggunakan perangkat lunak dasar yang sama,” katanya.
Melalui serangkaian babak kualifikasi sepanjang akhir pekan, tim-tim dengan pengalaman terhebat mendominasi grafik waktu. TUM dan Polimove adalah dua tim yang menyelesaikan waktu putaran dalam waktu kurang dari dua menit. Namun, putaran tercepat Kode 19 hanya lebih dari tiga menit; tim baru lainnya jauh lebih lambat.
Hal ini menciptakan persaingan yang jarang terlihat dalam pengembangan perangkat lunak. Meskipun sudah ada tantangan pengkodean kompetitif sebelumnya, seperti TopCoder atau Google Kick Start, ini adalah hal yang sangat berbeda. Perbaikan dalam kode berarti waktu putaran lebih cepat — dan lebih sedikit kecelakaan.
Kenna Edwards adalah asisten insinyur balapan Kode 19 dan mahasiswa di Universitas Indiana. Dia membawa beberapa pengalaman pengembangan aplikasi sebelumnya, tetapi harus belajar C++ untuk menulis sistem pengereman antilock tim. “Ini menyelamatkan kami setidaknya beberapa kali dari kecelakaan,” katanya.
Tidak seperti masalah pengkodean tradisional yang mungkin memerlukan debugger atau alat lain untuk memantaunya, algoritme yang ditingkatkan di sini memberikan hasil yang nyata. “Suatu hal yang keren melihat titik datar pada ban membaik pada sesi berikutnya. Entah ukurannya berkurang atau frekuensinya,” kata Edwards.
Penerapan teori ini tidak hanya menghadirkan tantangan teknis yang menarik namun juga membuka jalur karier yang layak. Setelah sebelumnya magang di Chip Ganassi Racing dan General Motors, dan berkat pengalamannya dengan Code 19, Edwards mulai bekerja penuh waktu di GM Motorsports musim panas ini.
Pandangan ke masa depan
Kredit Gambar:
Perkembangan semacam itu adalah bagian besar dari A2RL. Yang membayangi aksi utama di jalur ini adalah serangkaian kompetisi sekunder untuk pelajar muda dan kelompok pemuda di seluruh dunia. Sebelum perhelatan utama A2RL, kelompok-kelompok tersebut berkompetisi dengan model mobil otonom skala 1:8.
“Tujuannya adalah, tahun depan, kami menyediakan model mobil yang lebih kecil untuk sekolah-sekolah, kami akan menyediakan untuk universitas-universitas yang mungkin menggunakan go-kart, yang sedikit lebih besar, mereka dapat bermain dengan go-kart otonom. Dan kemudian, jika Anda ingin berada di liga besar, Anda mulai berlomba dengan mobil-mobil ini,” kata Faisal Al Bannai, sekretaris jenderal Dewan Riset Teknologi Lanjutan Abu Dhabi, ATRC. “Saya pikir dengan melihat jalur tersebut, saya pikir Anda akan mendorong lebih banyak orang untuk melakukan penelitian, untuk terjun ke bidang sains.”
ATRC Al Bannai-lah yang menanggung biaya A2RL, mencakup segala hal mulai dari mobil hingga hotel untuk banyak tim, beberapa di antaranya telah melakukan pengujian di Abu Dhabi selama berbulan-bulan. Mereka juga mengadakan pesta kelas dunia untuk acara utamanya, lengkap dengan konser, balapan drone, dan pertunjukan kembang api yang konyol.
Aksi di jalurnya sedikit kurang spektakuler. Upaya pertama pada balapan otonom empat mobil dibatalkan setelah satu mobil berputar, menghalangi mobil berikutnya. Namun balapan kedua jauh lebih seru, menampilkan umpan untuk memimpin ketika mobil tim Unimore Universitas Modena melebar. TUM-lah yang lolos dan memenangkan perlombaan, membawa pulang bagian terbesar dari hadiah sebesar $2,25 juta.
Sedangkan untuk manusia vs. mesin, Daniil Kvyat dengan cepat memanfaatkan mobil otonom tersebut, mengopernya tidak hanya sekali tetapi dua kali dan mendapat sorak sorai dari lebih dari 10.000 penonton yang memanfaatkan tiket gratis untuk melihat sedikit sejarah — ditambah sekitar 600.000 lebih streaming acara tersebut.
Gangguan teknis sangat disayangkan. Namun hal ini merupakan peristiwa yang luar biasa untuk disaksikan dan diilustrasikan sejauh mana otonomi telah dicapai – dan tentu saja, seberapa banyak kemajuan yang perlu dicapai. Mobil tercepat masih terpaut 10 detik dari waktu Kvyat. Namun, putarannya mulus dan bersih dengan kecepatan yang mengesankan. Hal ini sangat kontras dengan Tantangan Besar DARPA yang pertama pada tahun 2004, yang mengharuskan setiap peserta menabrak penghalang atau tersesat di gurun dalam perjalanan yang tidak direncanakan.
Bagi A2RL, ujian sebenarnya adalah apakah serial tersebut dapat berkembang menjadi serial yang layak secara finansial. Periklanan mendorong sebagian besar olahraga motor, namun di sini, ada manfaat tambahan dari pengembangan algoritme dan teknologi yang dapat diterapkan secara wajar oleh produsen pada mobil mereka.
Al Bannai dari ATRC mengatakan kepada saya bahwa meskipun penyelenggara seri memiliki mobilnya, tim memiliki kodenya dan bebas melisensikannya: “Yang mereka bersaing saat ini adalah algoritme, algoritme AI yang membuat mobil ini melakukan apa yang dilakukannya. Itu milik masing-masing tim. Itu bukan milik kami.”
Perlombaan sesungguhnya mungkin bukan terletak pada jalurnya, namun dalam menjalin kemitraan dengan produsen. Lagi pula, cara apa yang lebih baik untuk menginspirasi kepercayaan pada teknologi otonom Anda selain dengan menunjukkan bahwa teknologi tersebut dapat menangani lalu lintas di trek balap dengan kecepatan 160 mph?
