Soal Pre-Test PTEIC C Autonomous Vehicle

Jika kendaraan otonom diterapkan secara luas di masyarakat, apa dampak sistemiknya terhadap pola lalu lintas dan keselamatan jalan?

• Lalu lintas akan semakin padat karena kendaraan tidak dikendalikan manusia.

• Kecelakaan lalu lintas berpotensi meningkat karena kendaraan tidak bisa membaca lingkungan.

• Aliran lalu lintas akan lebih efisien dan angka kecelakaan kemungkinan besar menurun.

• Tidak akan ada perubahan signifikan karena kendaraan tetap mengikuti aturan jalan.

Berdasarkan penjelasan tentang kendaraan otonom, bagaimana keterkaitan antara teknologi sensor dan algoritma dalam mendukung keputusan berkendara yang aman?

• Sensor hanya digunakan untuk menangkap gambar, sementara algoritma bertugas mengontrol kecepatan.

• Sensor mengumpulkan data lingkungan, lalu algoritma memproses data tersebut untuk mengambil keputusan berkendara yang tepat.

• Sensor bekerja secara terpisah dari algoritma untuk memastikan kendaraan tidak tabrakan.

• Algoritma hanya diperlukan ketika sensor gagal mendeteksi objek di sekitar kendaraan.

Salah satu tantangan terbesar dalam pengembangan kendaraan otonom adalah "edge case" atau situasi yang jarang terjadi. Apa contoh edge case yang dapat menjadi tantangan bagi sistem AI kendaraan otonom?

• Berkendara di jalan tol lurus dan sepi saat siang hari.

• Berhenti saat lampu merah di simpang besar.

• Mengikuti kendaraan di jalur satu arah tanpa hambatan.

• Menghadapi anak-anak bermain bola tiba-tiba menyeberang jalan.

Jenis kendaraan otonom seperti drone dan pesawat tanpa awak termasuk dalam kategori?

• Onroad Car

• Offroad Car

• Copter dan Fixed-wing

• Surface ship

Bayangkan kamu adalah pengembang sistem global path untuk kendaraan otonom. Agar sistem mampu memilih jalur paling efisien secara real-time, integrasi teknologi apa yang paling tepat untuk dikembangkan?

• Menggunakan sistem peta statis saja

• Menggabungkan data lalu lintas real-time dari internet dan sistem navigasi berbasis AI

• Menambahkan sensor suara untuk mendeteksi klakson kendaraan lain

• Mengandalkan driver manual untuk memutuskan jalur terbaik

Sebuah kendaraan otonom mengalami kegagalan dalam proses global path planning karena sistem navigasi tidak dapat mengakses data lalu lintas terbaru. Akibatnya, kendaraan terjebak di jalur yang padat. Apa solusi teknis paling efektif untuk mencegah kegagalan ini terjadi di masa depan?

• Menonaktifkan fitur navigasi otomatis dan menyerahkan kendali ke manusia

• Menggabungkan sistem navigasi dengan sumber data lalu lintas real-time dan sistem fallback offline

• Mengandalkan sensor internal untuk menghitung kecepatan kendaraan lain di depan

• Mengurangi kecepatan kendaraan secara drastis untuk menyesuaikan kondisi jalan

Untuk meningkatkan kemampuan kendaraan otonom dalam menghadapi berbagai medan jalan dan orientasi saat melintasi tikungan tajam, kombinasi sensor apa yang paling tepat digunakan dalam local path planning?

• LIDAR dan IMU

• GPS dan kamera

• IMU dan radar

• Ultrasonic dan accelerometer

Mengapa penting bagi sistem local path planning untuk membedakan antara hambatan statis dan hambatan dinamis?

• Karena hambatan statis bisa dideteksi hanya dengan GPS

• Karena hambatan dinamis selalu dihindari sedangkan statis dilalui

• Karena jenis hambatan menentukan strategi navigasi dan respon waktu sistem

• Karena kendaraan otonom tidak mampu mengenali hambatan tanpa bantuan manusia

Dalam skenario nyata, kendaraan otonom berada di area perkotaan dengan lalu lintas padat dan banyak objek bergerak. Sistem local path planning harus terus memperbarui rencana jalur. Tantangan utama yang dihadapi oleh sistem tersebut adalah?

• Mengidentifikasi dan memprediksi pergerakan hambatan dinamis

• Menentukan estimasi bahan bakar

• Menghitung rute terpendek dari awal ke tujuan

• Memastikan sinyal GPS

Bagaimana sistem local path planning dapat menghasilkan jalur yang optimal saat menghadapi perubahan lingkungan secara tiba-tiba, seperti mobil yang parkir mendadak di tengah jalan?

• Mengaktifkan sinyal darurat untuk meminta bantuan manusia

• Menggunakan peta statis yang telah diunduh sebelumnya

• Menggabungkan data real-time dari LIDAR dan kamera untuk merencanakan jalur alternatif secara dinamis

• Menonaktifkan sistem otomatis dan beralih ke mode manual