Revolusi Keselamatan Pesepeda: Deteksi Kendaraan Menyalip Otomatis dengan Visi Komputer Berbasis Geometri

Pentingnya Keselamatan Pesepeda dan Tantangan Lalu Lintas Urban

      Keselamatan pesepeda menjadi isu krusial di seluruh dunia, dengan ribuan korban jiwa dan luka-luka setiap tahunnya akibat kecelakaan lalu lintas. Administrasi Keselamatan Lalu Lintas Jalan Raya Nasional di Amerika Serikat, misalnya, melaporkan 1.166 kematian pesepeda dan sekitar 49.989 cedera dalam kecelakaan lalu lintas pada tahun 2023 saja. Manuver menyalip, di mana kendaraan bermotor melewati pesepeda dari belakang, menyumbang sebagian besar cedera dan kematian serius. Memahami karakteristik spasial dan temporal dari peristiwa ini adalah prasyarat untuk merancang intervensi yang efektif, baik melalui modifikasi infrastruktur, penegakan hukum, maupun sistem peringatan aktif. Namun, pengumpulan data tingkat peristiwa yang andal dan otomatis dari lingkungan bersepeda alami masih menjadi tantangan metodologis yang belum terpecahkan.

      Studi tentang interaksi kendaraan-pesepeda telah lama mengandalkan metode yang memakan waktu. Penelitian ini menunjukkan bahwa mengidentifikasi dan menganalisis peristiwa menyalip dari rekaman video konvensional memerlukan anotasi manual, yaitu peninjauan video bingkai per bingkai. Proses yang memakan waktu ini membatasi ukuran sampel data dan menghambat ruang lingkup penelitian keselamatan bersepeda yang berbasis data besar. Tanpa otomasi, penelitian tentang interaksi pesepeda dengan kendaraan bermotor akan terus bergantung pada upaya manual, yang sangat membatasi kemampuan untuk mengumpulkan data dalam skala besar dan menganalisis tren yang lebih luas dalam perilaku lalu lintas.

Keterbatasan Studi Konvensional dan Botol Leher Anotasi Manual

      Paradigma studi sepeda yang dilengkapi instrumen telah menghasilkan beberapa bukti lapangan langsung mengenai perilaku menyalip. Studi yang menggunakan sensor ultrasonik pada sepeda berhasil mengukur jarak lateral antar kendaraan yang menyalip dalam kondisi alami di berbagai negara, secara konsisten menemukan bahwa sebagian besar kejadian menyalip terjadi di bawah ambang batas keselamatan yang direkomendasikan. Pengukuran lapangan di Amerika Utara, misalnya, melaporkan jarak lateral rata-rata di lingkungan perkotaan yang secara signifikan lebih rendah dibandingkan dengan di Eropa, sebuah pola yang dikaitkan dengan lebar jalur yang lebih sempit dan kepadatan lalu lintas yang lebih tinggi.

      Meskipun validitas ekologisnya tinggi, studi-studi ini memiliki keterbatasan mendasar: identifikasi segmen rekaman video yang sesuai dengan peristiwa menyalip yang sebenarnya masih memerlukan tinjauan video manual, bingkai per bingkai. Botol leher anotasi ini membatasi volume data yang dapat diproses secara realistis, mempersempit ukuran sampel, dan memperkenalkan variabilitas antar-penilai dalam identifikasi peristiwa. Sebuah pipeline otomatis untuk mengisolasi peristiwa menyalip dari video yang dipasang di sepeda akan menghilangkan kendala ini dan memungkinkan kampanye pengumpulan data dengan cakupan yang jauh lebih besar.

Inovasi Visi Komputer untuk Deteksi Menyalip

      Visi komputer telah mengalami kemajuan pesat dalam deteksi kendaraan dan pengguna jalan yang rentan. Arsitektur detektor seperti RT-DETR dan algoritma pelacakan multi-objek seperti ByteTrack, telah menunjukkan akurasi tinggi pada benchmark standar. Komponen-komponen ini telah diterapkan untuk pemantauan keselamatan pesepeda dan deteksi konflik kendaraan dalam berbagai konteks. Namun, menerapkan alat-alat ini untuk deteksi menyalip dari kamera yang dipasang di sepeda menimbulkan tantangan yang tidak ada dalam sistem berbasis infrastruktur atau yang berpusat pada kendaraan. Kamera yang bergerak menghasilkan ego-motion berkelanjutan yang mempersulit penyaringan berbasis gerakan.

      Bidang pandang yang relevan sempit dan berubah dengan cepat, dengan kendaraan masuk dan keluar pada kecepatan relatif tinggi. Yang paling penting, sebagian besar kendaraan yang terlihat dalam rekaman kamera belakang tidak menyalip sepeda: lalu lintas yang datang dari arah berlawanan, kendaraan di jalur paralel, dan kendaraan yang mendekat tetapi kemudian melambat atau berbelok, semuanya menghasilkan deteksi dan pelacakan yang valid. Membedakan peristiwa menyalip yang selesai dari latar belakang ini memerlukan validasi tingkat semantik yang tidak dapat disediakan hanya oleh detektor berbasis penampilan. AI Video Analytics, misalnya, dapat mengidentifikasi berbagai pelanggaran lalu lintas dan kepadatan keramaian, namun konteks "menyalip" dari perspektif pesepeda membutuhkan logika yang lebih kompleks.

Pendekatan Visi Komputer Berbasis Geometri: Solusi ARSA untuk Deteksi Menyalip

      Sebuah studi inovatif yang diterbitkan di arXiv (Sumber: https://arxiv.org/abs/2606.23699) memperkenalkan pendekatan visi komputer baru yang memanfaatkan keteraturan geometris skenario menyalip. Skenario menyalip memiliki sifat geometris yang kritis dan belum banyak dieksploitasi. Ketika sebuah kendaraan mendekati pesepeda dari belakang dan bergerak berdampingan, posisi tampak dalam gambar yang menghadap ke belakang mengikuti lintasan yang diatur oleh prinsip proyeksi perspektif. Sudut bearing kendaraan dari titik referensi kamera meningkat secara monoton dari pendekatan hingga melewati, ukuran tampak tumbuh saat mendekat dan stabil saat bergerak maju. Tanda-tanda geometris ini konsisten di berbagai model kamera dan konfigurasi pemasangan, serta berlaku tanpa memandang penampilan kendaraan, kondisi pencahayaan, atau cuaca.

Pipeline visi komputer yang diinformasikan geometri ini mengotomatiskan deteksi peristiwa menyalip dari kamera tunggal yang dipasang di sepeda tanpa memerlukan konfigurasi multi-sensor atau kalibrasi kamera eksplisit. Sistem ini menggabungkan deteksi objek RT-DETR dengan pelacakan multi-objek ByteTrack melalui modul validasi geometris tiga tahap yang menegakkan tren sudut bearing, pertumbuhan ukuran tampak, dan kriteria konfirmasi spasial yang berasal dari prinsip proyeksi perspektif. Modul validasi ini dirancang untuk secara cerdas membedakan antara kendaraan yang benar-benar menyalip dan yang hanya melewati di jalur lain atau berbelok. ARSA Technology, dengan pengalaman sejak 2018 dalam rekayasa AI dan IoT, secara aktif menerapkan prinsip-prinsip visi komputer canggih untuk berbagai solusi industri, termasuk di bidang keamanan dan transportasi.

Hasil dan Signifikansi Sistem

      Penelitian yang disebutkan di atas menunjukkan hasil yang sangat menjanjikan. Divalidasi pada 315 peristiwa menyalip di dunia nyata yang dianotasi secara manual dari jalan-jalan perkotaan di Ann Arbor, Michigan, pipeline ini mencapai recall 97,8% dengan nol false positives. Ini berarti hampir semua peristiwa menyalip yang sebenarnya terdeteksi, dan tidak ada deteksi yang salah. Sistem ini mengidentifikasi niat menyalip rata-rata 2,44 detik sebelum kendaraan melintas, dengan 84,1% peristiwa melebihi ambang batas waktu reaksi manusia 1,5 detik. Ini menunjukkan kelayakan untuk aplikasi peringatan aktif bagi pesepeda, memberikan waktu yang cukup bagi pesepeda untuk bereaksi terhadap potensi bahaya.

      Pengukuran jarak menyalip lateral dari subset 96 peristiwa mengungkapkan bahwa 33,3% dari kejadian menyalip terjadi di bawah ambang batas 5 kaki (152,4 cm) yang umum direferensikan untuk keselamatan, konsisten dengan tingkat ketidakpatuhan yang dilaporkan dalam studi lapangan sebelumnya. Selain itu, pendekatan estimasi jarak lateral tanpa kalibrasi awal menggunakan fitur geometris bounding box mencapai rata-rata kesalahan absolut sekitar 13 hingga 14 cm. Akurasi ini cukup untuk membedakan antara jalur dekat yang berbahaya dan jalur standar untuk tujuan kategorisasi keselamatan. Solusi seperti AI Box - Traffic Monitor dari ARSA Technology sudah memiliki kemampuan untuk memantau kendaraan dan menganalisis lalu lintas, yang dapat diperluas untuk aplikasi serupa.

Penerapan Praktis dan Masa Depan Solusi

      Sistem yang diajukan ini secara signifikan mengurangi hambatan anotasi utama dalam penelitian sepeda yang dilengkapi instrumen dengan mengotomatisasi isolasi peristiwa dari rekaman kamera kelas konsumen. Hal ini menyediakan fondasi yang terukur untuk analisis interaksi kendaraan-pesepeda di seluruh kumpulan data yang lebih besar dan lingkungan perkotaan yang beragam. Dengan kemampuan untuk secara akurat dan otomatis mendeteksi peristiwa menyalip, penelitian di masa depan dapat mengeksplorasi faktor-faktor seperti kondisi lingkungan, profil jalan, dan perilaku pengemudi yang memengaruhi keselamatan pesepeda dalam skala yang belum pernah terjadi sebelumnya.

      Implikasi praktis dari teknologi ini sangat luas. Selain peringatan aktif untuk pesepeda, data yang dikumpulkan dapat digunakan oleh perencana kota untuk mengidentifikasi area berisiko tinggi dan merancang infrastruktur jalan yang lebih aman, atau oleh lembaga penegak hukum untuk memantau kepatuhan terhadap peraturan jarak menyalip. Bagi perusahaan seperti ARSA Technology, kemampuan untuk menyematkan kecerdasan ini dalam sistem edge AI atau solusi AI Box Series kami, menawarkan potensi besar untuk mengembangkan produk keselamatan yang lebih canggih di masa depan. Misalnya, penerapan teknologi ini pada perangkat wearable atau sistem on-bike dapat memberikan umpan balik real-time kepada pesepeda, meningkatkan kesadaran situasional, dan pada akhirnya, mengurangi risiko kecelakaan.

      Jika Anda tertarik untuk menjelajahi bagaimana solusi visi komputer yang canggih dapat diterapkan untuk mengatasi tantangan keselamatan dan operasional di organisasi Anda, jangan ragu untuk menghubungi tim ARSA.