Lalu lintas padat bukan sekadar pergerakan kendaraan, melainkan sebuah dialog tak terucap yang terus-menerus. Pengemudi membaca niat pengguna jalan lain dari pergeseran halus posisi mobil, akselerasi, dan jeda. Bagi autopilot, dialog semacam ini lebih sulit dilakukan: jaringan saraf klasik pandai memprediksi lintasan individual, tetapi kurang mampu menjelaskan mengapa perilaku tertentu dipilih. Metode MPCFormer berupaya menggabungkan prediksi dan keselamatan, agar kendaraan tidak hanya menebak lintasan, tetapi juga memahami logika interaksi sosial di jalan raya.
Mengapa Model Konvensional Kurang Memadai di Arus Lalu Lintas Padat
Ketika kendaraan melaju berdekatan dan terus-menerus berpindah jalur, perilaku satu pengguna jalan secara langsung bergantung pada tindakan pengguna lainnya. Kesalahan dalam menilai interaksi ini berujung pada dua ekstrem: autopilot bertindak terlalu hati-hati dan menghambat arus lalu lintas, atau mencoba bermanuver di saat yang tidak tepat.
Perencana yang murni berbasis pembelajaran mampu meniru gaya mengemudi dari data, namun logika internalnya sering kali tetap menjadi "kotak hitam". Dalam situasi normal, hal ini masih bisa diterima, tetapi di lalu lintas padat saat keluar dari jalan tol, harga dari keputusan yang tidak dapat diprediksi terlalu mahal. Sebaliknya, metode kontrol klasik memahami fisika gerak dengan baik, tetapi tidak selalu memperhitungkan bahwa pengemudi lain juga memiliki tujuan, bereaksi, dan memberi jalan.
Kompromi antara Fisika dan Data
Para penulis pendekatan ini mengusulkan untuk tidak memilih antara pemodelan fisik dan pembelajaran mesin, melainkan menggabungkan keduanya. Inti dari metode MPCFormer adalah dinamika interaksi sosial yang saling terhubung: keadaan kendaraan tidak dideskripsikan secara terpisah, melainkan sebagai satu sistem terpadu, di mana tindakan satu pengguna jalan mengubah kondisi bagi semua pengguna lainnya.
Dinamika dibangun dalam ruang keadaan diskrit, dan prior fisik tertanam dalam model. Berkat ini, representasi antara tetap dapat dijelaskan: seorang spesialis dapat menelusuri batasan apa yang mendasari keputusan sistem. Koefisien dinamika tidak ditetapkan secara manual — koefisien tersebut dipelajari oleh arsitektur Transformer encoder-decoder dari rekaman mengemudi alami.
Menurut klaim para peneliti, ini adalah pendekatan pertama yang secara eksplisit memodelkan dinamika gabungan dari beberapa kendaraan sekaligus, bukan hanya terbatas pada prediksi independen.
Mengapa Justru MPC
Dinamika yang dipelajari memberi perencana kemampuan untuk menghasilkan skenario perilaku beragam yang menyerupai manusia: autopilot dapat bertindak lebih percaya diri atau lebih mengalah tergantung pada situasi. Namun, jaringan saraf itu sendiri tidak menjamin keselamatan.
Di sinilah model predictive control (MPC) berperan. MPC memeriksa kandidat yang dihasilkan terhadap batasan yang ada dan menolak opsi berbahaya sebelum dieksekusi. Ini mengurangi risiko yang melekat pada metode yang sepenuhnya mengandalkan keluaran jaringan saraf.
Apa yang Ditunjukkan oleh Pengujian
Para pengembang mengevaluasi MPCFormer pada dataset terbuka NGSIM, yang berisi rekaman lalu lintas nyata di jalan tol. Dengan cakrawala prediksi 5 detik, rata-rata kesalahan prediksi lintasan adalah 0,86 meter — ini merupakan hasil terbaik di antara pendekatan modern yang ditinjau.
Secara terpisah, diuji skenario tertutup dengan interaksi intens: kendaraan harus melakukan beberapa kali perpindahan jalur berurutan agar berhasil keluar di off-ramp. Di sini, model hibrida juga menunjukkan keunggulan signifikan dibandingkan perencana berbasis Reinforcement Learning:
- 94,67% — proporsi manuver yang berhasil dilakukan;
- +15,75% — peningkatan efisiensi mengemudi;
- 0,5% — frekuensi tabrakan, dibandingkan dengan 21,25% pada perencana RL dasar.
Pengurangan insiden hampir 40 kali lipat — ini adalah argumen utama bahwa batasan fisik yang dapat dijelaskan, jika dipadukan dengan model sosial yang dipelajari, membuat autopilot lebih aman dan perilakunya lebih dekat dengan tindakan pengemudi berpengalaman.
