TRACE: Merekonstruksi Kecelakaan Dunia Nyata dalam Simulasi untuk Validasi Kendaraan Otonom yang Lebih Aman

      Validasi Kendaraan Otonom (AV) yang efektif membutuhkan paparan terhadap skenario kritis yang langka, yang jarang ditemukan dalam data mengemudi rutin. Untuk mengatasi keterbatasan ini, sebuah penelitian terbaru memperkenalkan TRACE, sebuah pipeline inovatif yang secara otomatis merekonstruksi laporan kecelakaan dari National Highway Traffic Safety Administration (NHTSA) ke dalam simulasi CARLA berfidelitas tinggi. Pendekatan ini bertujuan untuk menciptakan benchmark skenario kecelakaan yang beragam dan realistis untuk menguji ketahanan sistem AV terhadap kegagalan di dunia nyata.

Pentingnya Validasi Kendaraan Otonom yang Andal

      Penyebaran kendaraan otonom secara luas bergantung pada proses evaluasi yang kuat dan andal. Benchmark atau tolok ukur merupakan fondasi penting dalam upaya ini. Mereka menstandarisasi evaluasi, memungkinkan perbandingan yang objektif antara sistem yang berbeda, dan membantu mengungkapkan kelemahan intrinsik dalam teknologi AV. Bagi kendaraan otonom, evaluasi sistematis ini sangat diperlukan untuk memastikan keandalan sistem sebelum adopsi publik secara luas.

      Sejumlah besar suite evaluasi dan tools telah dikembangkan untuk membuat benchmark semacam itu, sering kali memanfaatkan simulator berfidelitas tinggi seperti CARLA. Meskipun benchmark awal sebagian besar menilai kompetensi mengemudi rutin, upaya terbaru telah mengusulkan untuk memasukkan skenario kritis keselamatan yang dihasilkan dari laporan kecelakaan. Namun, kerangka kerja khusus open-source yang tersedia saat ini cenderung menyederhanakan kecelakaan, menghasilkan fidelitas reproduksi yang terbatas dalam hal topologi jalan, lintasan kendaraan, dan jenis tabrakan. Hal ini membatasi kekuatan metode rekayasa perangkat lunak dalam evaluasi dan validasi, yang menjadi celah yang ingin diisi oleh TRACE. (Sumber: Nahian Salsabil dan Sebastian Elbaum. 2026. TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation. https://arxiv.org/abs/2604.22068)

TRACE: Jembatan antara Laporan Kecelakaan Nyata dan Simulasi Berfidelitas Tinggi

      TRACE dikembangkan untuk mengatasi keterbatasan dalam realisme evaluasi dan cakupan validasi skenario kritis. Pipeline ini secara sistematis menurunkan skenario simulasi dari data kecelakaan NHTSA. Prosesnya melibatkan transformasi peta dunia nyata agar sesuai dengan format simulator CARLA, serta analisis analitis dan statistik untuk merekonstruksi kondisi yang ada dalam laporan kecelakaan. Secara lebih spesifik, TRACE memperkirakan keadaan awal (posisi dan orientasi) kendaraan yang terlibat secara tepat dan menghasilkan lintasan spesifik yang mengarah pada tabrakan seperti yang dijelaskan dalam laporan kecelakaan.

      Secara paralel, pipeline ini mengambil peta asli tempat kecelakaan terjadi. Kemudian secara otomatis membuat instans peta dan memunculkan kendaraan yang terlibat dalam kecelakaan untuk mereproduksi kecelakaan di dalam simulator CARLA. TRACE berupaya menghasilkan skenario yang memiliki dua properti utama: mempertahankan topologi jalan dan rambu-rambu di lokasi kecelakaan, dan memunculkan kendaraan dengan keadaan awal serta lintasan yang direncanakan yang mengarah pada urutan kecelakaan yang dilaporkan.

Bagaimana TRACE Bekerja: Proses Rekonstruksi yang Inovatif

      Kontribusi utama TRACE adalah pipeline yang mengotomatiskan reproduksi skenario kecelakaan nyata dalam simulator CARLA. Prosesnya dimulai dengan modul Extractor yang memproses laporan kecelakaan mentah dari basis data NHTSA. Meskipun data awal berasal dari Police Accident Reports (PAR) yang diajukan oleh petugas penegak hukum, catatan ini kemudian distandarisasi oleh analis FARS di tingkat negara bagian.

Pipeline kemudian menghasilkan dua output yang mengarah ke dua aliran pemrosesan paralel: satu untuk Rekonstruksi Skenario dan satu untuk Rekonstruksi Peta. Aliran-aliran ini kemudian diintegrasikan sebagai peta dengan kendaraan yang terlibat dalam kecelakaan muncul di CARLA.

      Berikut adalah tiga langkah utama bagaimana TRACE bekerja:

      1. Pengambilan Data Peta Spesifik Lokasi: TRACE mengambil data OpenStreetMap spesifik lokasi untuk mempertahankan topologi jalan yang presisi. Ini memastikan bahwa lingkungan simulasi mencerminkan kondisi dunia nyata seakurat mungkin, termasuk geometri persimpangan dan rintangan visual.

      2. Inferensi Keadaan Awal Kendaraan: Memanfaatkan Large Language Models (LLM), TRACE menyimpulkan keadaan awal kendaraan (posisi dan orientasi) dari geometri jalan dan manuver sebelum kecelakaan yang dijelaskan dalam laporan. LLM membantu dalam menafsirkan deskripsi semi-terstruktur dari laporan kecelakaan menjadi parameter simulasi yang konkret.

      3. Pembuatan Lintasan Simulasi: Berdasarkan data laporan semi-terstruktur, TRACE menghasilkan lintasan simulasi yang detail untuk setiap kendaraan, memastikan bahwa simulasi mengarah pada jenis dan lokasi tabrakan yang dilaporkan.

Manfaat dan Aplikasi TRACE untuk Masa Depan AV

      Dengan pipeline ini, para peneliti telah menyusun dan mengkurasi secara manual benchmark yang terdiri dari 52 skenario kecelakaan yang beragam. Skenario-skenario ini mencakup berbagai jenis tabrakan, topologi jalan, dan manuver sebelum kecelakaan. Setiap paket skenario mencakup laporan kecelakaan asli, ringkasan kecelakaan, peta terkait yang diambil oleh pipeline, dan skenario simulasi CARLA yang dihasilkan (termasuk posisi awal, arah, kecepatan, dan waypoints lintasan kendaraan).

Benchmark ini, yang kaya akan konteks dan berasal dari kecelakaan nyata, menawarkan sumber daya yang lebih menantang dan realistis untuk menguji ketahanan sistem penggerak otonom. TRACE diproyeksikan memiliki tiga kasus penggunaan utama:

• Pengujian Penghindaran Tabrakan AV: Peneliti dapat mengganti sistem kontrol kendaraan dengan sistem mereka sendiri untuk menilai kemampuan penghindaran tabrakan. Ini penting untuk mengembangkan algoritma yang dapat merespons situasi tak terduga dengan aman.
• ***Stress Testing* Persepsi dan Prediksi:** Pengembang dapat berfokus pada topologi yang rawan kecelakaan yang diidentifikasi, seperti geometri persimpangan atau oklusi visual tertentu, untuk mengevaluasi bagaimana hal tersebut memengaruhi perilaku agen AV mereka atau kemampuan mereka untuk mengantisipasi lintasan kendaraan lain yang tidak menentu. Solusi AI Video Analytics, seperti yang disediakan ARSA, dapat memainkan peran krusial dalam menganalisis perilaku dalam skenario kompleks semacam itu, baik dalam simulasi maupun pengawasan dunia nyata.

Pembuatan Kasus Uji Otomatis: TRACE memfasilitasi pembuatan skenario pelatihan kritis keselamatan yang beragam untuk mengatasi kelangkaan data long-tail yang diperlukan untuk melatih komponen yang dipelajari agar lebih kuat. Dalam konteks ini, edge AI systems seperti ARSA AI Box Series dapat membantu dalam pemrosesan data di lokasi untuk skenario yang membutuhkan latensi rendah dan pemrosesan on-premise*.

      Secara keseluruhan, TRACE menyediakan cara yang open-source dan dapat direproduksi untuk merekonstruksi jaringan jalan yang tepat melalui OpenStreetMap, menggunakan estimasi keadaan yang didukung LLM, dan pembuatan lintasan adaptif untuk menangani berbagai jenis kecelakaan. Inovasi ini sangat penting untuk meningkatkan keselamatan dan keandalan kendaraan otonom.

      Untuk organisasi yang mencari solusi AI dan IoT canggih yang dapat mendukung validasi sistem kritis atau mengelola dan menganalisis data kompleks dari berbagai sumber, ARSA Technology menawarkan keahlian dan produk yang telah terbukti di berbagai industri. Pelajari lebih lanjut tentang bagaimana solusi kami dapat membantu bisnis Anda dengan menghubungi tim ARSA untuk konsultasi gratis.

      Sumber: Nahian Salsabil dan Sebastian Elbaum. 2026. TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation. Dalam 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE Companion ’26), 05–09 Juli 2026, Montreal, QC, Kanada. ACM, New York, NY, AS, 5 halaman. https://doi.org/10.1145/3803437.3806426