Percepatan Perangkat Keras untuk Deteksi Pejalan Kaki dalam Modul Kamera Inframerah yang Dipasang pada Kendaraan: Meningkatkan Keamanan dan Efisiensi

Pengantar

Permintaan yang meningkat untuk sistem bantuan pengemudi canggih (ADAS) dan kendaraan otonom telah mendorong pengembangan teknologi deteksi pejalan kaki yang kuat. Modul kamera inframerah, dengan kinerja superior mereka dalam kondisi cahaya rendah, telah muncul sebagai komponen kritis untuk memastikan keselamatan pejalan kaki. Namun, pemrosesan data inframerah secara waktu nyata untuk pengenalan objek memerlukan sumber daya komputasi yang signifikan. Artikel ini membahas bagaimana teknik percepatan perangkat keras mengatasi hambatan kinerja, memungkinkan algoritma deteksi pejalan kaki yang lebih cepat dan lebih efisien energi dalam Inframerah Terpasang pada Kendaraan. Modul KameraI'm sorry, but it seems there is no text provided for translation. Please provide the text you would like me to translate into Indonesian.

Tantangan Utama dalam Deteksi Pejalan Kaki Inframerah

Algoritma deteksi pejalan kaki yang efektif menghadapi berbagai rintangan saat diintegrasikan ke dalam sistem kendaraan:

• Kompleksitas Data: Citra inframerah menangkap pola radiasi termal, memerlukan ekstraksi fitur khusus (misalnya, Histogram Gradien Terarah (HOG), jaringan saraf konvolusional (CNN)) untuk membedakan pejalan kaki dari kebisingan latar belakang.
• Keterbatasan Waktu Nyata: Sistem ADAS memerlukan latensi sub-milidetik untuk mencegah tabrakan, yang memerlukan pemrosesan data berkecepatan tinggi.
• Efisiensi Daya: Konsumsi daya yang berlebihan dapat menguras baterai kendaraan, terutama pada kendaraan listrik (EV).
• Variabilitas Lingkungan: Algoritma harus beradaptasi dengan kondisi yang beragam (misalnya, hujan, kabut, halangan, pejalan kaki dengan ukuran/pose yang berbeda).

Solusi Akselerasi Perangkat Keras: Mengoptimalkan Kinerja dan Efisiensi

Untuk mengatasi tantangan ini, pendekatan yang berfokus pada perangkat keras menitikberatkan pada tiga area inti:

1. Unit Pemrosesan Khusus

• Unit Pemrosesan Grafis (GPU): Kemampuan komputasi paralel mempercepat model pembelajaran mendalam (misalnya, YOLOv5, Detektor MultiBox Tembakan Tunggal (SSD)) untuk inferensi CNN waktu nyata. Platform DRIVE NVIDIA merupakan contoh percepatan berbasis GPU untuk ADAS.
• Field-Programmable Gate Arrays (FPGAs): Arsitektur yang dapat dikonfigurasi unggul dalam mempercepat algoritma tetap (misalnya, jalur HOG+SVM). Desain FPGA kustom dapat mengurangi latensi hingga 50% dibandingkan dengan CPU.
• Application-Specific Integrated Circuits (ASICs): Chip yang dibuat khusus (misalnya, Mobileye EyeQ,) mencapai rasio kinerja-per-watt yang optimal, menyeimbangkan kecepatan dan efisiensi energi.

2. Desain Bersama Algoritma dan Perangkat Keras

•  Optimasi Model: Teknik seperti pemangkasan, kuantisasi, dan distilasi pengetahuan mengompresi model CNN (misalnya, mengurangi ukuran hingga 80% sambil mempertahankan akurasi), memungkinkan penerapan di tepi.
• Arsitektur Hibrida: Distribusi beban kerja dinamis di seluruh modul CPU, GPU, dan FPGA memaksimalkan pemanfaatan sumber daya. Sebagai contoh, CPU menangani tugas kontrol, GPU mempercepat lapisan CNN, dan FPGA memproses data (misalnya, penyaringan Gabor).
• Data Preprocessing Offloading: Modul perangkat keras khusus melakukan peningkatan gambar inframerah (pengurangan noise, penyesuaian kontras) di depan, mengurangi beban prosesor utama.

3. Pelatihan Spesifik Domain dan Augmentasi Data

• Datasets: Melatih algoritma dengan data termal yang dianotasi (misalnya, FLIR-ADAS, KAIST Multispectral Pedestrian) meningkatkan ketahanan. Akselerator perangkat keras disesuaikan untuk memproses dataset ini dengan efisien.
•  Data Sintetis: Gambar termal yang disimulasikan (misalnya, adegan berkabut, occlusions malam) menjembatani kesenjangan data dunia nyata, meningkatkan generalisasi model.

Dampak Dunia Nyata dan Tren Masa Depan

Percepatan perangkat keras sedang membentuk kembali lanskap otomotif:

• OEM Integrasi: Sistem Full Self-Driving (FSD) Tesla dan platform ADAS BMW memanfaatkan hibrida GPU+FPGA untuk peningkatan deteksi pejalan kaki.
•  ASIC Otomotif: Perusahaan seperti Ambarella dan Horizon sedang mengembangkan chip khusus yang menargetkan otonomi L3-L4, dengan jalur pemrosesan inframerah yang dioptimalkan.
• Teknologi yang Muncul: Komputasi neuromorfik dan arsitektur yang terinspirasi kuantum menunjukkan janji untuk peningkatan kinerja yang berlipat ganda.

Kesimpulan

Dengan menggabungkan algoritma yang dioptimalkan dengan perangkat keras khusus, Modul Kamera Inframerah Terpasang Kendaraan dapat mencapai deteksi pejalan kaki secara real-time dengan konsumsi daya minimal. Seiring dengan evolusi ADAS dan mengemudi otonom, percepatan perangkat keras akan tetap menjadi kunci dalam memastikan keselamatan di semua kondisi pencahayaan, membuka jalan bagi masa depan di mana kendaraan melindungi pejalan kaki dengan mulus.