Kendaraan Otonom (AV) merupakan salah satu perkembangan paling mengesankan dalam kecerdasan buatan yang mampu meniru cara mengemudi manusia dan mengendalikan keterampilan mengemudi. Oleh karena itu, AV sebagai moda transportasi terkait erat dengan Sistem Transportasi Cerdas (ITS). ITS mencakup sistem keselamatan berkendara, seperti Sistem Bantuan Pengemudi Canggih (ADAS) yang terkenal [1].
Komponen sistem ADAS tertentu digunakan untuk manuver menyalip, yaitu Kontrol Pelayaran Adaptif (ACC).
Manuver yang dilakukan oleh kendaraan otonom adalah manuver menyalip, yang melibatkan penyelidikan kendaraan otonom, interaksinya dengan kendaraan konvensional yang dianggap sebagai rintangan, dan penggabungan lingkungan perkotaan seperti jalan raya. Untuk mencapai manuver menyalip, perlu dilakukan koordinasi sejumlah aspek dalam kendaraan otonom, seperti kemudi, pengereman, dan mengemudi untuk menghindari rintangan. Pengumpulan semua komponen ini dalam perangkat lunak simulasi bagi kendaraan otonom untuk melakukan manuver menyalip merupakan kontribusi utama dalam penelitian ini.
ACC adalah sistem kendali kecepatan yang secara terus-menerus menyesuaikan kecepatan kendaraan untuk menjaga jarak aman dari kendaraan di depan. Dengan kata lain, kendaraan yang dilengkapi dengan sistem ACC melambat saat mendekati kendaraan yang lebih lambat, dan sistem meningkatkan kecepatan saat kendaraan di depan berakselerasi atau menghilang [2]. ACC juga mendasarkan operasinya pada radar dan sensor di dalam kendaraan. Untuk menjelaskan secara rinci bagaimana manuver menyalip dilakukan di AV, penting untuk menyebutkan berbagai fase manuver menyalip. Fase-fase yang terdiri dari manuver menyalip adalah sebagai berikut: fase (1) penyimpangan dari jalur asli, fase (2) mengemudi di jalur lurus, dan fase (3) kembali dari jalur. Ketiga fase tersebut dapat dikembangkan dan dianalisis dalam perangkat lunak yang disebut PreScan, yang merupakan platform simulasi untuk pengembangan ADAS di mana dimungkinkan untuk melakukan skenario yang mencakup beberapa elemen, seperti infrastruktur, sensor, atau AV.
beranda jurnal: www.elsevier.com/locate/treng
Selain itu, PreScan adalah platform perangkat lunak terbuka, yang berarti perangkat lunak lain dapat digunakan bersama-sama seperti MATLAB dan Simulink [3].
1. Pendahuluan
Daftar isi tersedia di ScienceDirect
Artikel ini disusun sebagai berikut: Bagian 2 menjelaskan sebagian besar
tinjauan pustaka penting mengenai berbagai metode untuk melakukan manuver menyalip dengan AV. Bagian 3 menyajikan pemodelan
Kendaraan otonom masih tergolong baru di lingkungan perkotaan; oleh karena itu, penting untuk menyelidiki sebagian pengoperasiannya, seperti manuver menyalip. Dengan menggunakan program komputer baru seperti Prescan, dimungkinkan untuk menambahkan sensor dan mekanisme lain ke dalam kendaraan otonom yang membantu
menginterpretasikan pengoperasiannya saat manuver menyalip dilakukan. Oleh karena itu, kontribusi artikel ini adalah meningkatkan pemahaman tentang manuver menyalip dengan menggunakan program komputer simulasi yang mampu melakukan manuver di lingkungan perkotaan dan sekaligus menginterpretasikan pengoperasian kendaraan otonom jika ada halangan di jalan.
info artikel abstrak
Teknik Transportasi
ÿ Penulis korespondensi.
https://doi.org/10.1016/j.treng.2020.100029
Diterima 1 September 2020; Diterima dalam bentuk revisi 23 September 2020; Disetujui 12 Oktober 2020
2666-691X/© 2020 Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY (http:// creativecommons.org/licenses/by/4.0/) Kendaraan Otonom (AV) adalah kendaraan yang mampu meniru cara mengemudi manusia, keterampilan mengendalikan, dan kemampuan untuk memahami lingkungan di sekitarnya saat berkendara di jalan raya. Oleh karena itu, salah satu teknik yang harus dipelajari secara rinci adalah manuver menyalip, yang merupakan salah satu skenario paling berbahaya bagi AV di jalan raya, karena menyalip menghasilkan variasi dalam percepatan dan perlambatan kendaraan dan perubahan dalam sirkulasi normal kendaraan saat berpindah ke jalur lain. Manuver menyalip terdiri dari menyalip kendaraan lain yang melaju ke arah yang sama dengan kecepatan yang lebih lambat.
Artikel ini mengusulkan simulasi skenario manuver menyalip dengan AV melalui penggunaan perangkat lunak simulasi yang disebut PreScan, yang menggabungkan Adaptive Cruise Control (ACC) dan Technology Independent Sensors (TIS) untuk melakukan manuver menyalip. Hasil penelitian menunjukkan bahwa AV mampu melakukan manuver menyalip di lingkungan perkotaan yang melibatkan kendaraan konvensional. Oleh karena itu, penggunaan perangkat
lunak yang mensimulasikan manuver menyalip AV menjadi alat yang berguna untuk menginterpretasikan kinerja AV dengan rintangan yang ada di jalan.
Teknik Transportasi 2 (2020) 100029
Alamat email: [email protected] (J.Ortega), [email protected] (H. Lengyel), [email protected] (Z. Szalay).
Perangkat lunak PreScan
Pembuatan skenario manuver menyalip untuk kendaraan otonom dengan
Henrietta Lengyel, Zsolt Szalay José Ortegaÿ ,
Manuver menyalip
Pra-Pemindaian
Sistem bantuan pengemudi tingkat lanjut
Sensor Independen Teknologi Kontrol pelayaran adaptif Kendaraan otonom Kata kunci:
Jurusan Teknologi Otomotif, Universitas Teknologi dan Ekonomi Budapest, Hongaria
identifikasi rambu lalu lintas yang terdiri dari dua langkah: (1) deteksi dan (2)
Sebuah metode baru untuk mendeteksi kendaraan yang menyalip adalah dengan menggunakan komunikasi antar kendaraan, dimana parameter jarak aman ditentukan berdasarkan kontrol teori fuzzy.
dikenal sebagai infrastruktur jalan untuk penerapan AV sebagai moda transportasi proses penggunaan perangkat lunak PreScan. Bagian 4 menyajikan hasil
karena MPC dapat secara sistematis menangani negara, pembatasan masuk,
dikenali pada saat manuver menyalip [35].
Milanés et al. [36]. Melalui sistem cerdas, AV juga dapat memutuskan apakah akan secara otomatis menyalip kendaraan lain dengan mempelajari
dalam penelitian yang dilakukan oleh Lengyel dan Szalay [11] menunjukkan bahwa
pengereman, menjaga jalur, lokasi, persepsi, perencanaan, pengendalian, dan pengelolaan sistem.
Selain itu, penelitian lebih lanjut mengusulkan manuver menyalip berdasarkan
Faktor yang perlu diperhatikan saat melakukan salip-menyalip kendaraan bermotor (AV) kecelakaan lalu lintas, dan peningkatan pencegahan kecelakaan lalu lintas [4–7].
Bahasa pemrograman MATLAB.
data kemudian dianalisis, perilaku kendaraan yang terdeteksi adalah menghindari tabrakan sangatlah penting.
efisiensi, dan keberlanjutan AV.
kontrol untuk menyalip AV [21–23]. Selain itu, manuver menyalip
kendaraan yang melakukan manuver dapat menyalip kendaraan di depannya
kendaraan untuk mengikuti jalur yang dituju dan dengan demikian menghindari kecelakaan, adalah
untuk kendaraan otonom yang juga menyebabkan sekitar 4–10% tabrakan lalu lintas menjadi 4 bagian yaitu: (1) infrastruktur jalan, (2) infrastruktur jalan
dapat memilih karakteristik serupa yang dimiliki oleh kelas serupa
berdasarkan algoritma Q-learning yang digunakan untuk pengambilan keputusan dan pengendalian AV untuk melakukan manuver menyalip.
tentang perilaku berkendara dan keselamatan saat melakukan manuver dengan kendaraan.
Demikian pula, menggunakan (CARRS-Q) Advanced Driving Simulator, Ali et al.
tabrakan kendaraan otonom dengan rintangan bergerak atau statis di jalan [24].
dan keberadaan kendaraan yang terlibat melalui koordinat.
deteksi rambu lalu lintas. Islam dan Raj [13] menjelaskan suatu metode untuk
seperti berpindah jalur untuk menyalip kendaraan di depan dan kemudian secara bertahap
Di sisi lain, Mo et al. [33] mengusulkan sistem menyalip berdasarkan Para peneliti yang telah mendedikasikan lebih detail pada faktor pertama
lintasan kendaraan. Selanjutnya, metode MPC menentukan apakah
selama manuver menyalip di jalan pedesaan dua jalur serta komunikasi antar kendaraan, deteksi objek saat bermanuver atau
[9] mempelajari bahwa penggabungan teknologi komunikasi antara jaringan transportasi dan sistem transportasi meningkatkan keselamatan,
dilakukan salah satunya adalah penerapan fuzzy longitudinal
AV dapat melakukan beberapa tugas seperti cruise control adaptif,
jalan dua jalur menggunakan perencanaan kecepatan melalui algoritma heuristik yang menentukan waktu dan jarak yang diperlukan untuk manuver yang aman, demikian pula dengan bantuan model optimasi kuadratik.
arus lalu lintas yang lebih efisien, penghematan dalam mengemudi profesional, pengalaman berkendara yang tidak terlalu menegangkan, perubahan budaya, perawatan kendaraan, lebih sedikit
yang mempelajari eksternalitas ini pada faktor kedua dapat diidentifikasi Momen pemanfaatan AV sebagai moda transportasi dapat dikelompokkan
Pembelajaran Multi-Tugas. Melalui metode ini, algoritma (M2-tMTL)
dan Yung [26] menyarankan pendekatan pembelajaran penguatan multi-tujuan
dampak dari beberapa alat bantu mengemudi yang disediakan oleh lingkungan yang terhubung
(ANN) dan penggunaan alat pengenalan pola jaringan saraf dengan
dan dilacak menggunakan algoritma pelacakan 3D yang kuat di mana terdeteksi rambu lalu lintas di jalan raya. Oleh karena itu, sebagai perangkat yang mampu meniru manusia
sensor deteksi seperti kamera, RADAR, LIDAR, fusi, sonar, dan
digunakan dalam penelitian penulis Nilsson et al. [29] yang mengusulkan pengembangan. Oleh karena itu, fokus literatur kami adalah untuk menyajikan unsur-unsur
Penggunaan pengontrol mode geser, yang mengontrol gerakan lateral
atau menyalip yang merupakan salah satu manuver paling menantang jalan [14,15]. Jo et al. [16] dan Steininger et al. [17] menyatakan bahwa
Teknik baru untuk melakukan manuver menyalip kendaraan otonom di Penerapan kendaraan otonom sebagai moda transportasi baru memberikan banyak
manfaat bagi masyarakat, seperti penghematan bahan bakar, peningkatan keselamatan,
adalah teknologi yang diterapkan pada jalan raya dan rambu lalu lintas. Penulis
metode yang efisien untuk mencapai manuver menyalip dan menghindari
dalam batas jalur. Wang et al. [30] mengusulkan metode menyalip MPC berdasarkan estimasi kemungkinan konflik, jarak,
Dengan metode ini, melalui skenario yang berbeda, objek dideteksi penting untuk keberhasilan implementasi AV. Adegoke dkk.
Pengenalan dilakukan dengan menerapkan Jaringan Syaraf Tiruan
tabrakan dalam manuver menyalip dengan menggunakan fungsi sigmoid pada
Dalam kasus ini, penulis membuat sebuah sistem keselamatan menyalip melalui Ded-icated Short-Range Wireless Communications (DSRC) berbasis Vehicle-to-Vehicle Communication (V2V), yang dirancang untuk meningkatkan keselamatan
kembali ke jalur asal [20]. Untuk mengatasi masalah kecelakaan akibat manuver menyalip.
Beberapa penelitian telah dilakukan
akan dihindari. Lu et al. [12] mengusulkan menggunakan metode pengenalan sinyal lalu lintas yang disebut (M2-tMTL) Multi-Modal tree-structure embedded
dalam daftar yang disebut manuver, di mana dimungkinkan untuk mengidentifikasi berbagai jenis manuver seperti mengubah arah, membalikkan, parkir
[31] diperiksa melalui Simulator Mengemudi Lanjutan (CARRS-Q) harus diperhatikan untuk memastikan mobilitas masyarakat yang aman dan andal. Faktor-
faktor yang dipertimbangkan pada tahap ini
dengan kerangka kerja pengambilan keputusan berdasarkan Q-learning [25]. Lebih lanjut, Ngai
manuver menyalip di AV adalah Model Predictive Control (MPC)
Sistem cerdas untuk menyalip otomatis di jalan satu arah yang menggunakan penglihatan untuk mendeteksi kendaraan secara real-time telah digunakan oleh
mereka terpapar pada hal-hal eksternal yang tidak memungkinkan interpretasi
moda transportasi adalah sensor yang telah dilengkapi pada kendaraan.
bersama dengan komponen lain yaitu GPS untuk mendeteksi jarak dan posisi kendaraan lain dengan lebih presisi.
manuver menyalip harus dilakukan [28]. Demikian pula, MPC juga Kendaraan Otonom (AV) dan teknologinya masih menjadi topik dalam
dan batas stabilitas [27]. Metode MPC juga dapat digunakan untuk menghindari penelitian. Bagian 5 memberikan pembahasan singkat tentang hasil yang diperoleh. Terakhir,
kesimpulan memberikan pedoman untuk penelitian selanjutnya.
et al. [34] juga menggunakan komunikasi untuk manuver menyalip. Dalam hal ini
GPS diperlukan agar AV dapat melakukan berbagai tugas dengan aman dan lancar di
lingkungan, waktu pendekatan, lebar kendaraan, dan panjang di depan.
menggunakan MPC untuk menghindari tabrakan dengan kendaraan yang bergerak dan untuk tetap AV dan penggunaan perangkat lunak untuk membantu simulasi manuver menyalip.
manuver adalah komunikasi. Oleh karena itu, penelitian yang dilakukan oleh Ali et al.
Selain itu, sebelum kendaraan otonom menjadi moda transportasi, ada beberapa faktor yang perlu diperhatikan
keterampilan mengemudi, AV juga bergantung pada faktor kedua dalam daftar, yaitu
informasi posisi relatif kendaraan tetapi menggunakan analisis perilaku berkendara berdasarkan Fuzzy Inference System (FIS), dikombinasikan
Data RGB-D yang ditangkap oleh perangkat Kinect dalam simulasi pemandangan lalu lintas.
transportasi adalah Alawadhi et al. [8] menyebutkan bahwa kondisi persiapan infrastruktur, komunikasi, dan rambu-rambu lalu lintas dipertimbangkan
pengenalan warna. Deteksi dilakukan dengan menggunakan algoritma segmentasi warna hibrida yang berisi pemerataan histogram RGB. Sebaliknya,
2. Tinjauan pustaka
Penelitian yang dilakukan oleh Lengyel dan Szalay [10] menyebutkan bahwa faktor utama yang dapat menyebabkan terjadinya kecelakaan lalu lintas adalah faktor manusia karena faktor tersebut merupakan faktor yang paling dominan dalam kecelakaan lalu lintas.
dengan metode logika fuzzy telah dikembangkan pada penelitian Anindya-guna et al. [19], namun dengan perbedaan yang digunakan adalah kamera yang digunakan
fungsi dari kecepatan relatifnya. Metode MPC juga menentukan bagaimana
meningkatkan perangkat lunak pengenalan rambu lalu lintas di kendaraan otonom kecelakaan
Kendaraan otonom sebagai moda transportasi, menyajikan beberapa fungsi pada saat penerapannya di jalan raya, seperti pada faktor terakhir
untuk membedakan persamaan dan memberikan deskripsi yang lebih baik
[18,19]. Salah satu karakteristik yang menjadikan menyalip sebagai manuver yang menantang adalah kendaraan melakukan serangkaian tindakan dan gerakan yang hati-hati
Sebuah metode yang berguna untuk desain sistem kontrol dengan fokus pada
[32] mempelajari perilaku berkendara dan efek lingkungan yang terhubung selama manuver Discretionary Lane Change (DLC). Pada
dan teknologi rambu lalu lintas, (3) sensor, dan (4) manuver.
Faktor berikutnya yang perlu dipertimbangkan ketika menerapkan AV sebagai
Teknik Transportasi 2 (2020) 100029 J. Ortega, H. Lengyel dan Z. Szalay
Berdasarkan tinjauan pustaka tentang faktor-faktor yang memengaruhi kendaraan otonom dan penekanan khusus pada manuver menyalip, jelas bahwa penyelidikan mendalam terhadap manuver menyalip harus dilakukan. Makalah ini mengusulkan skenario manuver menyalip di jalan raya tiga jalur menggunakan perangkat lunak PreScan yang mencakup infrastruktur, lintasan, sensor, dan parameter keselamatan.
3. Tab Sistem: di tab ini, pengguna dapat memasukkan jumlah maksimum objek yang dapat dideteksi oleh sensor TIS.
versi.
4. Tab Penugasan ORM: melalui tab ini, pengguna dapat menghubungkan kembali
Bagian ini, yang dikenal sebagai sistem kontrol penambahan atau langkah ketiga simulasi, terdiri dari interpretasi dan verifikasi data yang disediakan oleh sensor melalui lembar kompilasi yang ditangani melalui antarmuka MATLAB/Simulink. Seperti yang ditunjukkan pada Gambar 6, lembar kompilasi disusun oleh infrastruktur, informasi pelacakan kendaraan, port tampilan, dan sensor yang digunakan dalam skenario yang dibuat di PreScan. Lebih jauh, lembar kompilasi berisi semua koneksi yang relevan ke mesin simulasi PreScan dan aktor yang ada di berbagai kelas PreScan.
3.1.2. Sistem sensor model Seperti
yang disebutkan dalam Bagian 3.1. proses simulasi, setiap langkah merupakan tahap berikutnya. Jadi, setelah skenario simulasi dibangun, langkah berikutnya adalah melengkapi setiap kendaraan dengan sensor yang sesuai. Oleh karena itu, untuk simulasi ini, hanya kendaraan induk (A) yang dilengkapi dengan sensor sementara kendaraan pengikut (B) dan kendaraan pemimpin (C) tidak memiliki sensor yang terpasang karena mereka hanya mengikuti rute yang telah ditetapkan dari awal, yang berarti bahwa mereka hanya bergerak dalam satu arah dari awal hingga akhir simulasi.
model sponse ke objek yang tersedia.
Tabel 1 menunjukkan deskripsi elemen yang digunakan untuk skenario manuver menyalip. Setiap elemen terletak di dalam lembar yang dapat dimasukkan pengguna untuk mengonfigurasi karakteristik elemen dalam skenario. Selain itu, elemen dalam Tabel 1 dapat dilihat pada Gambar 6.
3. Pendekatan pemodelan
Sensor yang terletak di kendaraan induk (A) adalah dua Sensor Teknologi Independen (TIS), satu biru (TIS2) dan satu merah (TIS1) (lihat Gambar 3). Dalam kasus ini, sensor TIS2 memiliki jangkauan 60 m, sedangkan sensor TIS1 memiliki jangkauan 150 m. Gambar 4 dan 5 menunjukkan berbagai opsi atau tab yang dilengkapi oleh setiap sensor TIS.
Secara keseluruhan, setiap sensor (TIS1, TIS2) memiliki 6 tab, yaitu (1) tab posisi, (2) tab dasar, (3) tab sistem, (4) tab Penugasan ORM, (5) tab derau, dan (6) tab lanjutan. Demikian pula, setiap tab menyertakan data sensor yang dapat dimodifikasi oleh pengguna. Daftar numerik berikut menjelaskan karakteristik setiap tab.
5. Tab Noise: dengan tab ini, noise (Gaussian) dapat diterapkan ke setiap
3.1.1. Skenario
pembangunan Sesuai dengan langkah pertama dalam penyusunan dan pengembangan model yang disebut skenario pembangunan, langkah pertama terutama terdiri dari pembangunan lingkungan tempat simulasi dilakukan. Dalam hal ini,
Agar dapat melakukan simulasi Advanced Driver Assistance Systems (ADAS) yang berhasil, perangkat lunak yang disebut PreScan telah dipilih. Dari informasi sebelumnya, teknologi ADAS memungkinkan pendeteksian objek selama berkendara dan, secara bersamaan, memberi tahu pengemudi tentang kondisi jalan yang berbahaya dan, dalam kasus kami, untuk manuver menyalip saat kendaraan yang dekat terdeteksi, untuk mengurangi kecepatan atau menghentikan kendaraan.
3.1. Proses simulasi
Pengembangan metode ini terdiri dari proses simulasi yang melibatkan subdivisi yang menyajikan argumen secara terperinci. Setiap subdivisi juga mencakup deskripsi karakteristik yang harus dipenuhi skenario untuk mensimulasikan manuver menyalip.
Gambar 1 menunjukkan representasi grafis umum dari beberapa langkah atau subdivisi yang digunakan dalam PreScan. Secara total, 4 langkah diidentifikasi, seperti (1) Membangun skenario, (2) Memodelkan sistem sensor, (3) Menambahkan sistem kontrol, dan (4) Menjalankan eksperimen.
Distribusi kecepatan ditentukan untuk mencapai lintasan yang mulus bagi kendaraan yang melakukan manuver menyalip [37]. Selain itu, Németh et al. [38] menyajikan strategi untuk menyalip dan berpindah jalur menggunakan Linearly Parameter Varying (LPV) yang kuat, yang menjamin pelacakan referensi yang dihitung.
Untuk mengembangkan model, beberapa langkah telah diuraikan, dan serangkaian parameter telah ditetapkan sebagai kerangka kerja untuk skenario tersebut. Oleh karena itu, simulasi tersebut mencakup jalan raya tiga lajur (dirancang 1–3), setiap lajur berisi aktor atau AV. Jadi, dari tiga kendaraan (dirancang A–C), sistem yang disebut Adaptive Cruise Control (ACC) ditambahkan ke kendaraan induk (A). Di sisi lain, kendaraan (B) yang disebut kendaraan pengikut dianggap sebagai halangan bagi kendaraan (A) karena tidak memungkinkan manuver menyalip. Jadi, tujuan akhir dalam simulasi ini adalah agar kendaraan (A) mencapai manuver menyalip untuk kendaraan (C), yang disebut kendaraan terdepan. Untuk penjelasan lebih lanjut tentang simulasi, bagian berikut menjelaskan proses dan fitur simulasi.
Sebelum melakukan simulasi skenario di PreScan, pengguna harus mengikuti beberapa rekomendasi: (1) Pembuatan skenario harus mengikuti urutan eksekusi numerik (lihat Gambar 1). (2) Lakukan perbandingan antara elemen yang membentuk skenario dan kondisi simulasi yang ditetapkan oleh pengguna. (3) Terakhir, lakukan pemeriksaan dan verifikasi elemen yang digunakan dalam skenario untuk menghindari informasi atau data yang salah saat simulasi berjalan. Bagian berikut menjelaskan 4 langkah proses simulasi secara terperinci saat melakukan skenario menyalip dengan AV.
3.1.4. Jalankan percobaan
Skenario penelitian ini dibangun dari jalan-jalan umum perkotaan. Lebih jauh, skenario ini disederhanakan semaksimal mungkin untuk meningkatkan pemahaman tujuan penelitian untuk mensimulasikan manuver menyalip. Skenario secara rinci terdiri dari jalan raya tiga lajur dengan jarak 2000 m. Setiap lajur skenario diberi nama, yaitu: lajur kiri (1), lajur tengah (2), dan lajur kanan (3) (lihat Gambar 2). Selain itu, sebagai bagian dari skenario, ada aktor yang sering dikenal sebagai kendaraan. Skenario menunjukkan tiga kendaraan (dirancang A, B, C) satu kendaraan di lajur kiri (1), dua kendaraan di lajur tengah (2), tidak ada kendaraan di lajur kanan (3). Pada lajur kiri pertama (1) jalan raya terdapat sebuah mobil BMW X5 SUV berwarna biru atau kendaraan pengikut (B) sedangkan pada lajur tengah (2) terdapat dua kendaraan yaitu sebuah mobil sedan Audi A8 berwarna hitam atau kendaraan tuan rumah (A) dan sebuah mobil sedan Toyota Prius berwarna abu-abu atau kendaraan tuan rumah (C), pada saat yang sama kedua kendaraan ini terpisah oleh jarak yang memungkinkan terjadinya manuver menyalip.
1. Tab Posisi: di tab ini, pengguna dapat memposisikan sensor TIS sesuai dengan dimensi aktor.
posisi sinar dan algoritma interpretasi jangkauan.
Pengguna dapat menjalankan eksperimen ketika skenario berisi semua aktor, infrastruktur, dan sensor yang dibutuhkan simulasi, dan
2. Tab Dasar: di sini, distribusi sinar dikonfigurasikan, yaitu jumlah sinar dimasukkan serta posisi elevasi dan jenis perubahan penglihatan sinar sensor TIS.
6. Tab Lanjutan: di tab ini, pengguna dapat menentukan pola pancaran sensor TIS.
Metode baru lain untuk membuat skenario dengan AV adalah dengan menggunakan program simulasi seperti PreScan. Yousef et al. [39] mengusulkan algoritma untuk menghindari tabrakan berdasarkan percepatan kendaraan yang digunakan, di mana hasil simulasi diimplementasikan menggunakan Prescan dan MATLAB. Chen et al. [40] mengusulkan implementasi pendekatan Rough Set untuk membuat pengambilan keputusan perubahan jalur di lingkungan perkotaan.
Lingkungan simulasi berkendara dibangun oleh PreScan.
3.1.3. Menambahkan sistem kontrol
• Kendaraan (A) lebih cepat daripada kendaraan (C), dan keduanya berada pada jalur yang sama.
jalur jalan raya (2).
tampilan atas atau tampilan diagonal. VisViewer juga dapat menangani 3 jenis
Agar simulasi memenuhi persyaratan untuk melakukan overtaking dibuat melalui elemen-elemen yang termasuk dalam berbagai pustaka PreScan, sudut pandang, seperti (1) Sudut pandang yang dibuat secara default, (2) Sudut pandang
lembar kompilasi telah dikembangkan. Gambar 7 menunjukkan representasi visual melalui jendela PreScan yang disebut VisViewer yang menampilkan pemandangan
manuver, kendaraan host (A), pengikut (B), dan pemimpin (C) harus memenuhi dan (3) Sudut pandang yang dibuat di VisViewer.
dibuat dalam bentuk 3D selama simulasi skenario dan animasi. Adegan
karakteristik dalam skenario. Fitur simulasi adalah
dapat dilihat dan dimanipulasi dari berbagai perspektif, seperti
mengikuti:
• Kendaraan (B) berada di jalur jalan raya (1), dan lebih cepat dari 3.2. Fitur simulasi
kendaraan (A) dan (C).
Keterangan
Kamera
Berisi semua data skenario
secara tidak langsung dari model data yang disertakan Kendaraan yang digunakan pada skenario
percobaan.
Berisi data dari objek itu sendiri Sensor Independen Teknologi
Berisi semua lintasan yang dilakukan aktor dalam
Memblokir
skenario
DIRI SENDIRI
Informasi skenario
Pandangan skenario TIS
Sensor Pra-Pemindaian AKTOR
Setelah simulasi dimulai, blok aktuator Lintasan (TRACK)
simulasi dan blok sensor diinisialisasi secara langsung atau Tabel 1
Deskripsi komponen yang terlibat dalam skenario menyalip.
Gambar 2. Representasi bagian pertama dari proses simulasi “Build Sce-nario”.
Gbr. 1. Ilustrasi grafis dari 4 langkah simulasi dalam perangkat lunak PreScan.
Gbr. 3. Implementasi sensor TIS di kendaraan induk (A).
• Kendaraan (A) dan (C) dipisahkan oleh jarak yang cukup jauh (x), karena
Gbr. 5. Konfigurasi sensor TIS2 pada PreScan.
Gambar 4. Konfigurasi sensor TIS1 pada PreS- Bisa.
Teknik Transportasi 2 (2020) 100029 J. Ortega, H. Lengyel dan Z. Szalay
Tabel 2
menunjukkan ringkasan kondisi simulasi yang harus dipenuhi oleh simulasi agar kendaraan otonom dapat melakukan tugasnya.
manuver menyalip. Secara total, 7 kondisi simulasi harus dipenuhi.
Setiap kondisi simulasi diberi nomor dari 1 hingga 4, yang berarti bahwa Setiap kondisi simulasi memiliki urutan numerik. Oleh karena itu, jika kondisi simulasi 1 yang disebut jalan raya tiga jalur tidak terpenuhi,
yang terdiri dari kendaraan (A) mencapai manuver menyalip untuk kendaraan (B).
kondisi simulasi, simulasi dapat mencapai hasil akhir,
ditunjukkan pada Gambar 8.
kondisi berikut 2 yang disebut tiga kendaraan tidak dapat dilakukan. Namun demikian, ketika simulasi mencapai urutan numerik (1–4) dari
4. Hasil
(1) menyimpang dari jalur asal, fase (2) berkendara di jalur lurus, dan fase (3) kembali dari jalur. Fase 1, atau penyimpangan dari jalur asal, adalah fase di mana kendaraan induk (A) mulai bergerak
dari jalur tengah jalan raya (2) ke jalur kiri jalan raya
Hasil yang ditunjukkan di bawah ini dibagi menjadi 3 fase, yaitu: fase
Gbr. 7. VisViewer aktor yang terlihat dari sudut pandang yang berbeda.
Gbr. 6. Sistem kontrol infrastruktur, aktor dan sensor di MATLAB/Simulink.
Tabel 2
Gambar 8. Tata letak infrastruktur jalan raya dan posisi kendaraan pada skenario manuver menyalip.
Kondisi simulasi untuk melakukan manuver menyalip dengan kendaraan otonom.
1. Jalan raya tiga jalur 2.
Tiga kendaraan: Kendaraan (A), kendaraan (B), dan kendaraan (C).
Kondisi Simulasi
4. Kendaraan (A) lebih cepat daripada kendaraan (C), dan mereka berada di jalur jalan raya yang sama (2).
Selanjutnya, kedua kendaraan (A) dan (C) dipisahkan oleh jarak (x).
Skenario Menyalip
3. Kendaraan (B) lebih cepat daripada kendaraan (A) dan kendaraan (C), dan berada di jalur kiri jalan raya (1).
Teknik Transportasi 2 (2020) 100029 J. Ortega, H. Lengyel dan Z. Szalay
Hasil akhir • Kendaraan (A) berhasil melakukan manuver menyalip kendaraan (C).
(1). Demikian pula, pada fase 2, atau mengemudi di jalur lurus, kendaraan induk (A) bergerak melalui jalur kiri jalan raya (1) hingga melewati kendaraan di depan (C). Terakhir, pada fase 3 atau kembali ke jalur, dijelaskan bagaimana kendaraan (A) kembali ke jalur tengah jalan raya (2). Bagian berikut menjelaskan lebih lanjut bagaimana kendaraan induk (A) melakukan manuver menyalip kendaraan di depan (C).
Seperti yang disebutkan dalam Bagian 3.1. Proses simulasi, PreScan memiliki 4 langkah (1) Membangun Skenario, (2) Memodelkan Sistem Sensor, (3) Menambahkan Sistem Kontrol, dan (4) Menjalankan Eksperimen, yang harus mengikuti urutan pelaksanaan karena setiap langkah merupakan konsekuensi dari yang lain. Langkah terpenting yang diperhitungkan dalam makalah ini adalah langkah (3) Menambahkan Sistem Kontrol karena langkah ke-3 adalah saat penafsiran dan verifikasi data yang diberikan oleh sensor saat diterapkan pada AV. Demikian pula, pada langkah ke-3, saat menafsirkan data, jumlah aktor dalam simulasi dapat diamati (lihat Gambar 6), dan pengguna dapat memutuskan untuk menambahkan lebih banyak aktor atau menerapkan lebih banyak sensor dalam simulasi.
4.1. Menyimpang dari jalur semula
Selama fase penyimpangan dari lajur asal, kendaraan (A) sebelum berpindah dari lajur tengah jalan raya (2) ke lajur kiri jalan raya (1), baik kendaraan (A) maupun kendaraan (C) harus memiliki jarak yang cukup jauh agar terhindar dari tabrakan. Gambar 9 menunjukkan bagaimana melalui sistem ACC, dikombinasikan dengan sensor TIS, kendaraan (A) mulai mengurangi kecepatannya hingga memiliki jarak yang cukup jauh agar siap untuk fase berikutnya.
5. Diskusi
Pada bagian ini, hasil yang diperoleh menunjukkan bahwa karena PreScan memiliki pustaka yang berbeda seperti infrastruktur jalan, kondisi cuaca, sistem ADAS, dan kendaraan yang juga disebut aktor, pengguna dapat membuat skenario dengan AV tanpa memerlukan kendaraan fisik atau infrastruktur nyata. PreScan yang juga merupakan platform perangkat lunak terbuka, berarti bahwa berbagai elemen skenario dapat dieksekusi oleh perangkat lunak lain seperti MATLAB/
Simulink, yang digunakan dalam makalah ini untuk mengembangkan skenario manuver menyalip. Di sisi lain, PreScan juga memiliki keterbatasan seperti katalog aktor yang ditentukan, yang dapat menyebabkan pengguna mengalami kesulitan saat ingin menggunakan aktor tertentu.
Saat kendaraan (A) mencapai jarak aman antara kendaraan (C) dan kendaraan (B), kendaraan (A) dapat kembali dari lajur kiri jalan raya (1) ke lajur tengah jalan raya (2) dan dengan demikian menyelesaikan manuver menyalip. Sistem ACC, melalui deteksi lingkungan, mendeteksi apakah kendaraan (C) berada pada jarak yang cukup jauh untuk menyelesaikan manuver menyalip, seperti yang ditunjukkan pada Gambar 11.
4.3. Kembali dari jalur
Skenario tersebut menunjukkan bagaimana kendaraan induk (A), dengan bantuan sistem ACC, mengurangi kecepatan saat melakukan manuver menyalip dan, pada saat yang sama, menjaga jarak aman dan gerakan maju yang menghindari tabrakan antara kendaraan induk (A) dan kendaraan utama (C).
Skenario tersebut juga menunjukkan bagaimana kendaraan induk (A) menjaga jarak aman dari perubahan lajur pertama, yang bergerak dari lajur tengah jalan raya (2) ke lajur kiri jalan raya (1) dan perubahan lajur kedua untuk kembali ke lajur tengah jalan raya (2).
Saat kendaraan (A) memasuki jalur kiri jalan raya (1) dan sistem ADAS dengan sensor TIS mendeteksi bahwa tidak ada risiko tabrakan, kendaraan (A) mulai berakselerasi hingga melewati kendaraan (C). Kedua kendaraan (B) dan (C) tetap melaju di jalur masing-masing dengan kecepatan konstan, seperti yang ditunjukkan pada Gambar 10.
Sebagai rangkuman, simulasi manuver menyalip yang disajikan dalam makalah ini menunjukkan bahwa tidak diperlukan teknologi terkini atau komputer tingkat tinggi. Yang diperlukan hanya program simulasi yang menggunakan sistem bantuan pengemudi tingkat lanjut (ADAS) untuk
4.2. Mengemudi di jalur lurus
Gbr. 10. Mengemudi di jalur lurus kendaraan induk (A).
Gambar 9. Penyimpangan kendaraan induk (A) dari jalur tengah jalan raya (2) ke jalur kiri jalan raya (1).
Gbr. 11. Kembalinya kendaraan induk (A) dari jalur kiri jalan raya (1) ke jalur tengah jalan raya (2).
satu set komponen yang, melalui program perangkat lunak yang disebut PreScan,
model infrastruktur jalan, bangunan, lebih banyak aktor, atau pejalan kaki. (2)
penulis telah membaca dan menyetujui versi naskah yang diterbitkan.
kepentingan atau hubungan pribadi yang mungkin tampak mempengaruhi yang hanya mencakup tiga jenis aktor di jalan raya satu arah tiga jalur standar keandalan. Selanjutnya hasil penelitian menunjukkan bahwa unsur-unsur bermanuver di lingkungan perkotaan dengan AV dan rintangan yang diposisikan
Referensi
Deklarasi Kepentingan yang Bersaing tion.
Hasil penelitian menunjukkan bahwa dengan alat PreScan, pengguna dapat membuat skenario manuver menyalip antara kendaraan otonom dan
area manuver yang dilakukan kendaraan otonom. Penelitian saat ini bertujuan untuk mengusulkan pendekatan baru untuk melakukan manuver menyalip yang aman yang menghindari tabrakan antar kendaraan. Oleh karena itu,
Kontribusi Penulis
Proyek ini didukung oleh Uni Eropa, dibiayai bersama
simulasi yang dilakukan dalam dokumen ini. Oleh karena itu, penelitian selanjutnya kendaraan yang melaju dengan kecepatan lebih rendah, di jalur yang sama, dan arah yang sama
Saat ini, penggunaan kendaraan otonom sebagai moda transportasi masa depan untuk memprediksi perilaku AV ketika pengguna ingin melihat
Hasil penelitian ini dihasilkan berdasarkan informasi yang diberikan oleh sistem ACC dan sensor tipe TIS, dan perubahan pada sistem tersebut
Kesimpulannya, kendaraan otonom yang dilengkapi dengan sistem ADAS memungkinkan simulasi serangkaian elemen di lingkungan jalan raya.
untuk menjalankan skenario dengan AV, seperti halnya program PreScan.
pekerjaan yang dilaporkan dalam makalah ini.
dimodelkan dalam PreScan, seperti infrastruktur jalan, sensor, dan di jalan. Selanjutnya, pengembangan skenarionya terdiri dari
dan tidak termasuk sistem aksila lainnya seperti rambu lalu lintas,
Para penulis menyatakan bahwa mereka tidak memiliki pesaing keuangan yang diketahui
Semua penulis telah berkontribusi terhadap pengembangan artikel ini. Semua kendaraan konvensional, yang pada saat yang sama, mematuhi keselamatan dan Kontribusi dari penelitian ini adalah untuk meningkatkan pemahaman tentang manuver menyalip dengan menggunakan perangkat lunak simulasi yang memungkinkan untuk melakukan
Keterbatasan penelitian ini adalah: (1) Penelitian ini menggunakan ukuran sampel
oleh Dana Sosial Eropa, EFOP-3.6.2-16-2017-00002.
6. Kesimpulan
berdasarkan keterbatasan penelitian ini direkomendasikan.
sudah semakin lazim di masyarakat, hal ini menyebabkan munculnya teknologi-teknologi baru di bidang teknologi, seperti halnya teknologi keselamatan.
perilaku secara real-time.
Ucapan Terima Kasih
dan sensor TIS dapat melakukan manuver menyalip 3 fase ke kendaraan lain
dan sensor akan mengubah hasil penelitian ini. (3) Lokasi aktuator dan jenis sensor yang dipasang pada AV mempengaruhi hasil penelitian.
Demikian pula, dengan menafsirkan hasil dengan benar, data dapat membantu dalam
aktor atau kendaraan, dapat digunakan dalam skenario waktu nyata.
[30] F. Wang, M. Yang, R. Yang, Penyalipan berbasis estimasi probabilitas konflik (2008) 438–450, doi:10.1109/TITS.2008.922880.
doi:10.1109/acc.2012.6315303.
Teknik, 2015, hlm. 178–191.
436, doi:10.1109/TITS.2006.884615.
doi:10.1109/TITS.2009.2020200.
[25] M. Zhang, T. Zhang, Q. Zhang, Manuver menyalip otonom berdasarkan informasi posisi relatif, dalam:
Prosiding Konferensi Teknologi Kendaraan IEEE,
ICIMECE, 2017, 2016, hlm.89–94, doi:10.1109/ICIMECE.2016.7910420.
(2017) 960–972, doi:10.1109/TITS.2016.2598356.
480–483, doi:10.1111/1753-6405.12805.
Sistem, ITSC, 2013, hlm. 418–423, doi:10.1109/ITSC.2013.6728267.
[17] M. Steininger, C. Stephan, C. Böhm, F. Sauer, R. Zink, Pemetaan lingkungan sekitar [5] W. Huang, K. Wang, Y. Lv, FH Zhu, Tinjauan metode pengujian kendaraan otonom,
[9] EI Adegoke, J. Zidane, E. Kampert, CR Ford, SA Birrell, MD Higgins, Infrastruktur Wi-Fi untuk penentuan posisi kendaraan otonom yang terhubung: tinjauan keadaan terkini, Veh. Commun. 20 (2019) 100185, doi:10.1016/j.vehcom.2019.100185.
dan tujuan perjalanan belanja, Appl. Sci. 10 (2020) 2912, doi:10.3390/app10082912.
Artif. Intel. UU 25 (2017) 341–363, doi:10.1007/s10506-017-9210-0.
menyalip secara otonom, dalam: Prosiding Konferensi Internasional IEEE 2011 tentang 198, doi:10.5220/0005540501910198.
pembelajaran multitugas tertanam struktur pohon, IEEE Trans. Intell. Transp. Syst. 18 doi:10.3390/su12114631.
kontrol pada karakteristik arus lalu lintas, IEEE Trans. Intell. Transp. Syst. 7 (2006) 429–
[27] A. Gray, Y. Gao, T. Lin, JK Hedrick, HE Tseng, F. Borrelli, Kontrol prediktif untuk kendaraan darat semi- otonom yang gesit menggunakan primitif gerak, dalam: Prosiding Konferensi Kontrol Amerika, 2012, hlm. 4239–4244,
[22] JE Naranjo, C. González, R. García, T. De Pedro, Kontrol fuzzy perubahan jalur pada kendaraan otonom untuk manuver menyalip, IEEE Trans. Intell. Transp. Syst. 9
dalam: Prosiding Konferensi Internasional tentang Keunggulan Operasi dan Layanan
61 (2014) 7131–7140, doi:10.1109/TIE.2014.2321342.
Manajemen. (2020), doi:10.1007/s13198-020-00961-4.
Kontrol Gerak, 2006, 2006, hlm. 249–254, doi:10.1109/AMC.2006.1631666.
dengan metode logika fuzzy menggunakan sensor kamera, dalam: Prosiding Konferensi Internasional ke-2 Teknik Industri, Mekanik, Listrik, dan Kimia 2016,
[21] J. Pérez, V. Milanés, E. Onieva, J. Godoy, J. Alonso, Kontrol fuzzy longitudinal untuk
[14] K. Bimbraw, Mobil otonom: masa lalu, sekarang dan masa depan: tinjauan perkembangan pada abad lalu, skenario saat ini dan masa depan yang diharapkan dari teknologi kendaraan otonom, dalam:
Prosiding Konferensi Internasional ke-12 tentang Informatika dalam Kontrol, Otomasi dan Robotika, ICINCO, 1, 2015, hlm. 191–
[4] S. Pettigrew, Z. Talati, R. Norman, Manfaat kesehatan kendaraan otonom: kesadaran dan penerimaan masyarakat di Australia, Aust. NZJ Public Health 42 (2018)
[29] J. Nilsson, M. Ali, P. Falcone, J. Sjoberg, Pembuatan manuver prediktif untuk mengemudi otomatis, dalam: Prosiding Konferensi IEEE tentang Transportasi Cerdas
doi:10.3390/ijgi9090501.
[18] Barr L., Najm WG Karakteristik Masalah Kecelakaan untuk Inisiatif Kendaraan Cerdas
[11] H. Lengyel, Zs. Szalay, Anomali rambu lalu lintas dan dampaknya terhadap kendaraan yang sangat otomatis dan otonom, dalam: Prosiding Kolokium Internasional ke-35 tentang Manufaktur dan Perbaikan Tingkat Lanjut, Zielona Góra, 2018, hlm. 193–204.
rencana wisatawan yang menggunakan sistem park and ride dan kendaraan otonom: bekerja
[1] H. Prakken, Tentang masalah membuat kendaraan otonom sesuai dengan hukum lalu lintas,
Dubur. Sebelumnya 144 (2020) 105643, doi:10.1016/j.aap.2020.105643.
kendaraan otonom, dalam: Prosiding Lokakarya Internasional IEEE tentang Teknologi Canggih [19] K. Anindyaguna, NC Basjaruddin, D. Saefudin, Sistem bantuan menyalip (OAS)
[7] J. Ortega, J. Tóth, T. Péter, S. Moslem, Model terpadu fasilitas park-and-ride untuk mobilitas perkotaan berkelanjutan, Sustainability 12 (2020) 4631,
[12] X. Lu, Y. Wang, X. Zhou, Z. Zhang, Z. Ling, Pengenalan rambu lalu lintas melalui multi-moda
[2] B. Van Arem, CJG Van Driel, R. Visser, Dampak pelayaran adaptif kooperatif
doi:10.1016/j.ifacol.2019.08.098.
fasilitas dalam lingkungan perkotaan, ISPRS Int. J. Geo-Inf. 9 (2020) 501,
doi:10.1007/s00542-018-4164-z.
Arsitektur sistem terdistribusi dan proses pengembangan, IEEE Trans. Ind. Electron.
faktor-faktor yang mempengaruhi adopsi kendaraan otonom, Int. J. Syst. Assur. Eng.
(2020) 643–665, doi:10.1007/s10846-019-01070-6.
jaringan saraf, Sensor 17 (2017) 14–16, doi:10.3390/s17040853.
Teknik Transportasi 2 (2020) 100029
untuk kendaraan cerdas, IEEE Trans. Intel. Trans. sistem. 10 (2009) 366–370, doi:10.14311/APP.2016.6.0028.
doi:10.30657/pea.2018.19.09.
[6] J. Ortega, J. Hamadneh, D. Esztergár-Kiss, J. Tóth, Simulasi aktivitas sehari-hari
[8] M. Alawadhi, J. Almazrouie, M. Kamil, KA Khalil, Tinjauan pustaka sistematis tentang
[16] K. Jo, J. Kim, D. Kim, C. Jang, M. Sunwoo, Pengembangan mobil otonom—bagian I:
[31] Y. Ali, A. Sharma, MM Haque, Z. Zheng, M. Saifuzzaman, Dampak lingkungan yang terhubung terhadap perilaku berkendara dan keselamatan: studi simulator mengemudi, Accid.
[24] M. Durali, G. Amini Javid, A. Kasaiezadeh, Manuver penghindaran tabrakan untuk aktif, tahun 2001.
Bahasa Indonesia: ISBN 978-83-945647-1-1.
[13] KT Islam, RG Raj, Pengenalan rambu jalan berbasis penglihatan secara real-time menggunakan sensor
[3] CS Wang, DY Liu, KS Hsu, Simulasi dan penerapan sistem penginderaan berkendara kooperatif menggunakan perangkat lunak prescan, Microsyst. Technol. (2018) 0123456789,
[28] X. Huang, W. Zhang, P. Li, Metode perencanaan jalur untuk manuver menyalip kendaraan menggunakan fungsi sigmoid, IFAC-PapersOnLine 52 (2019) 73–80,
[23] J. Ortega, J. Tóth, T. Péter, Pemetaan daerah tangkapan park and ride
sebagai persyaratan untuk mengemudi secara otonom, Acta Polytech. CTU Proc. 6 (2016) 28, [10] H. Lengyel, Zs. Szalay, Klasifikasi anomali sistem sinyal lalu lintas untuk pengujian lingkungan
kendaraan otonom, Prod. Eng. Arch. 19 (2018) 43–47,
dalam: Prosiding Konferensi Internasional IEEE ke-19 tentang Sistem Transportasi Cerdas, IEEE, 2016, hlm. 163–168, doi:10.1109/ITSC.2016.7795548.
2018, hlm. 1–6, doi:10.1109/VTCFall.2018.8690798. Tahun 2018
[20] K. Osman, J. Ghommam, M. Saad, Kontrol perubahan jalur berbasis panduan pada kendaraan berkecepatan tinggi untuk manuver menyalip, J. Intell. Robot Syst. Theory Appl. 98
[26] Ngai DCK, Yung NHC Menyalip kendaraan secara otomatis berdasarkan kerangka pembelajaran penguatan multi-tujuan. Prosiding Konferensi IEEE tentang Sistem Transportasi Cerdas, ITSC 2007:818–23. doi:10.1109/ITSC.2007.4357682.
Mekatronika, 2011, ICM, 2011, hlm. 188–193, doi:10.1109/ICMECH.2011.5971279.
[15] JZ Varghese, RG Boone, Tinjauan umum sensor dan sistem kendaraan otonom, J. Ortega, H. Lengyel dan Z. Szalay
[40] X. Chen, Y. Miao, M. Jin, Q. Zhang, Analisis pengambilan keputusan mengemudi dalam perubahan jalur untuk kendaraan otonom di lingkungan perkotaan yang kompleks, dalam: Prosiding Konferensi Kontrol dan Keputusan Tiongkok ke-29, CCDC, 2017, 2017,
[38] B. Németh, P. Gáspár, T. Hegeds, Kontrol optimal dalam manuver menyalip untuk kendaraan cerdas, J. Adv. Trans. 2018 (2018), doi:10.1155/2018/2195760.
simulasi jaringan manuver menyalip di jalan raya pedesaan dua jalur, Transp.
[34] M. Motro, A. Chu, J. Choi, PS Lavieri, AR Pinjari, CR Bhat, dkk., Kendaraan ad-hoc
kendaraan di jalan raya dua jalur, Infrastruktur 5 (2020), doi:10.3390/infrastruc-tures5050044.
Proses Sinyal. 112 (2015) 98–109, doi:10.1016/j.sigpro.2014.07.025.
komunikasi, dalam: Prosiding Simposium Sirkuit Internasional Midwest
Algoritma penghindaran tabrakan depan mode ganda berdasarkan kendaraan-ke-kendaraan (V2V)
[35] Y. Xia, C. Wang, X. Shi, L. Zhang, Deteksi menyalip kendaraan menggunakan data RGB-D, Res. Bagian C Darurat. Teknol. 72 (2016) 60–76, doi:10.1016/j.trc.2016.09.006.
[39] M. Yousef, A. Hosny, W. Gamil, M. Adel, HM Fahmy, M. Saeed Darweesh, dkk., Dubur. Sebelumnya 137 (2020) 105463, doi:10.1016/j.aap.2020.105463.
Sistem menyalip otomatis menggunakan penglihatan untuk mendeteksi kendaraan, Expert Syst. Appl.
Agustus 2018https://doi.org/.
[36] V. Milanés, DF Llorca, J. Villagrá, J. Pérez, C. Fernández, I. Parra, dkk., Cerdas
[32] Y. Ali, Z. Zheng, M. Mazharul Haque, M. Yildirimoglu, S. Washington, Memahami perilaku berpindah jalur diskresioner dalam lingkungan yang terhubung, Accid.
dan Sistem, MWSCAS, 2019, hlm. 739–742, doi:10.1109/MWSCAS.2018.8623896.
hal.6878–6883, doi:10.1109/CCDC.2017.7978420.
doi:10.1007/s42154-018-0017-9.
[37] SM Easa, M. Diachuk, Rencana kecepatan optimal untuk menyalip kendaraan otonom
39 (2012) 3362–3373, doi:10.1016/j.eswa.2011.09.024.
[33] C. Mo, Y. Li, L. Zheng, Simulasi dan analisis pada sistem bantuan keselamatan menyalip berdasarkan komunikasi kendaraan-ke-kendaraan, Automot. Innov. 1 (2018) 158–166,
