Resume
HVx9bwiMWGQ • MIT-AVT: Data Collection Device (for Large-Scale Semi-Autonomous Driving)
Updated: 2026-02-13 13:24:04 UTC
Back Source
Prev Next

Berikut adalah rangkuman komprehensif dan terstruktur mengenai sistem pengumpulan data kendaraan otonom MIT berdasarkan transkrip yang Anda berikan.

Di Balik Layar Studi Kendaraan Otonom MIT: Sistem Pengumpulan Data "Rider"

Inti Sari (Executive Summary)

Video ini membahas secara mendalam mengenai sistem pengumpulan data kendaraan otonom MIT yang diberi nama "Rider". Sistem ini dirancang untuk merekam data berkendara secara naturalistik menggunakan perangkat keras kustom yang dipasang di bagasi mobil, mengintegrasikan berbagai sensor seperti kamera, IMU, GPS, dan CAN bus. Selain menjelaskan spesifikasi teknis dan ketahanan perangkat, video ini juga menguraikan alur lengkap perjalanan data mulai dari perekaman oleh kamera, penyimpanan, hingga pemrosesan dan sinkronisasi di server untuk kebutuhan penelitian dan pengembangan algoritma.

Poin-Poin Kunci (Key Takeaways)

  • Hardware "Rider": Unit komputer kustom berbasis Linux yang ditempatkan di bagasi mobil, dirancang untuk merekam data multi-sensor tanpa merusak kendaraan (biaya produksi hanya 1/1000 dari harga mobil).
  • Spesifikasi Sensor: Menggunakan tiga kamera Logitech c920 (1080p @ 30fps) dengan kompresi on-board h.264, serta sensor IMU, GPS, dan penerima pesan CAN bus untuk telemetri kendaraan.
  • Manajemen Data: Sistem menghasilkan volume data besar (sekitar 100 petabyte per 100.000 mil), sehingga kompresi dan manajemen penyimpanan yang efisien sangat krusial.
  • Keandalan & Sinkronisasi: Menggunakan Real-time Clock (RTC) berakurasi tinggi untuk menyinkronkan video dengan data sensor lainnya, serta memiliki mekanisme penanganan kegagalan yang ketat (perekaman berhenti jika kabel kamera terlepas).
  • Alur Pemrosesan: Data ditransfer secara fisik melalui penggantian hard drive, kemudian melalui proses pembersihan, sinkronisasi, dan kompresi sebelum siap digunakan untuk anotasi manual atau algoritma deteksi.

Rincian Materi (Detailed Breakdown)

1. Komponen Hardware & Arsitektur Sistem

Sistem "Rider" merupakan inti dari pengumpulan data dalam studi ini, dengan rincian komponen sebagai berikut:
* Lokasi & Tim: Perangkat ini ditempatkan di bagasi (trunk) mobil. Pengembangan hardware dipimpin oleh Dan, sedangkan pipeline perangkat lunak dan data dipimpin oleh Michael.
* Komponen Inti: Terdiri dari Single Board Computer (SBC) dengan sistem operasi Linux kustom, Solid-State Drive (SSD) untuk penyimpanan, komunikasi seluler (4G), dan manajemen daya.
* Modul Tambahan: Termasuk papan integrasi sensor, Real-time Clock (RTC) dengan cadangan baterai, transceiver CAN, penerima GPS, IMU, papan kontrol daya CAN, dan buck converter (untuk menurunkan tegangan 12V ke 5V).

2. Spesifikasi Kamera & Pengujian Ketahanan

Sistem ini mengandalkan data visual yang direkam oleh tiga kamera dengan spesifikasi khusus:
* Tipe Kamera: Menggunakan kamera Logitech c920 atau c920s yang mampu merekam resolusi 1080p pada 30 frame per detik (fps).
* Kompresi & Lensa: Kamera melakukan kompresi h.264 secara on-board untuk mengurangi beban pemrosesan komputer. Kamera ini dimodifikasi menggunakan custom case dan lensa CS-mount (baik tipe zoom maupun fisheye).
* Uji Ketahanan Panas: Kamera telah diuji dalam siklus suhu ekstrem, mulai dari 58–75°C (sekitar 150°F) hingga mencapai 127°C, dan terbukti tetap berfungsi dengan baik.

3. Mekanisme Perekaman & Manajemen Daya

Sistem dirancang untuk bekerja secara otomatis dan aman:
* Aktivasi: Sistem menggunakan bus CAN untuk mendeteksi status mobil. Perekaman dimulai ketika mobil aktif dan berhenti ketika mobil non-aktif. Sistem juga dapat dipicu oleh peristiwa tertentu seperti membuka pintu atau mengaktifkan mode berkendara.
* Volume Data: Tanpa kompresi, data bisa mencapai 100 petabyte per 100.000 mil, oleh karena itu kompresi sangat penting.
* Keamanan: Sistem dirancang dengan biaya yang sangat rendah dibandingkan kendaraan dan dipastikan tidak akan merusak sistem elektronik mobil.

4. Penanganan Kegagalan & Sinkronisasi Data

Akurasi dan kelengkapan data adalah prioritas utama:
* Penanganan Kegagalan: Masalah paling umum adalah kabel kamera yang terlepas. Sistem akan mencoba me-restart subsistem beberapa kali; jika gagal, perekaman akan dihentikan total. Sistem tidak akan memulai perekaman berikutnya jika kabel masih terlepas untuk memastikan integritas data.
* Sinkronisasi: Dilakukan menggunakan RTC dengan akurasi 2 bagian per juta (parts per million). Drift atau penyimpangan waktu sangat kecil, hanya sekitar 7ms selama 1,5 jam perekaman.
* Pasca-Pemrosesan: Langkah pertama dalam pemrosesan data adalah menyinkronkan semua aliran data (video 30fps dengan data GPS/IMU/CAN yang frekuensinya lebih tinggi) menggunakan timestamp.

5. Alur Perjalanan Data (Data Pipeline)

Proses pengolahan data melibatkan langkah-langkah terstruktur dari kamera hingga server:
* Perjalanan Piksel: Kamera merekam data gambar mentah -> dikompresi menjadi format h.264 di dalam kamera -> ditransmisikan melalui kabel USB ke komputer "Rider" -> disimpan di SSD sebagai file video.
* Transfer Data: Tidak ada offloading jarak jauh secara langsung. Hard drive ditukar secara fisik dari kotak "Rider", kemudian dihubungkan ke komputer lokal dan disalin ke server secara remote.
* Retensi Data: Data disimpan di perangkat selama kurang lebih 6 bulan untuk subjek penelitian (R&D) dan 1 bulan untuk 50 subjek lainnya.
* Pembersihan & Sinkronisasi: Setelah di-offload, data diperiksa konsistensinya, diperbaiki, dan dibersihkan dari data yang korup. Selanjutnya, data disinkronisasi pada 30 fps dan siap digunakan untuk algoritma deteksi atau anotasi manual.

Kesimpulan & Pesan Penutup

Sistem "Rider" yang dikembangkan oleh MIT ini merepresentasikan solusi yang komprehensif dan andal untuk tantangan pengumpulan data skala besar dalam penelitian kendaraan otonom. Dengan menggabungkan hardware yang tangguh, strategi kompresi yang cerdas, serta pipeline data yang ketat, sistem ini memastikan bahwa data yang dikumpulkan—mulai dari video hingga telemetri sensor—memiliki kualitas tinggi dan sinkronisasi yang presisi. Data ini akhirnya menjadi fondasi vital untuk pengembangan algoritma pengenalan dan deteksi di masa depan.