Pusat Inovasi Data baru-baru ini berbicara dengan Cornel Amariei, CEO .lumensebuah perusahaan yang berbasis di Rumania yang mengembangkan headset bantu yang dapat dikenakan—bentuknya mirip dengan kacamata VR—untuk individu tunanetra. Amariei menjelaskan bagaimana headset menggabungkan sistem AI, visi komputer, dan pemrosesan pada perangkat untuk memandu pengguna menjelajahi lingkungan sekitarnya.
David Kertai: Apa yang menginspirasi kreasi .lumen?
Cornel Amariei: Saya tumbuh di keluarga yang semua orang kecuali saya adalah penyandang disabilitas, sehingga memberi saya pemahaman awal tentang betapa terbatasnya pilihan mobilitas bagi penyandang disabilitas penglihatan. Pengalaman tersebut memotivasi saya untuk mengembangkan headset yang dapat dikenakan yang dapat memberikan kesadaran dan panduan spasial yang sama seperti tongkat atau anjing pemandu, namun dalam bentuk yang lebih skalabel dan intuitif. Tujuan saya adalah menciptakan alat yang mengembalikan kemandirian dengan memberikan informasi real-time kepada pengguna tentang lingkungan sekitar mereka dan berfungsi sebagai alat bantu mobilitas mandiri.
Waktu: Bagaimana cara kerja kacamata .lumen?
Amari: Saat pengguna bergerak, enam kamera headset—dua yang menangkap warna dan empat yang menggunakan inframerah untuk merasakan kedalaman—terus memindai dan mengumpulkan informasi tentang area tersebut. Mereka mendeteksi tepi jalan, lubang, mobil yang diparkir, dan rintangan di atas kepala seperti cabang atau rambu, serta penanda utama seperti tangga, pintu, dan penyeberangan pejalan kaki. Kamera memasukkan data visual ini langsung ke mesin visi komputer pada perangkat, di mana model segmentasi semantik—sejenis perangkat lunak yang memecah gambar menjadi beberapa bagian dan memberi label pada masing-masing bagian, seperti orang, tangga, dan mobil—menganalisis lingkungan secara real-time. Dengan memproses semua yang ada di perangkat, bukan di cloud, headset bereaksi dengan cepat dan bekerja tanpa akses internet, sehingga mengurangi latensi.
Setelah sistem menganalisis lingkungan, sistem mengubah informasi tersebut menjadi panduan yang dapat segera ditindaklanjuti oleh pengguna. Daripada mengandalkan perintah suara, yang dapat membingungkan atau sulit didengar di lingkungan yang bising, headset berkomunikasi terutama melalui umpan balik haptik. Getaran lembut di dahi menandakan arah paling aman untuk bergerak, sementara getaran yang lebih kuat membantu pengguna menyesuaikan diri atau menghindari rintangan di sekitar. Dalam situasi yang lebih kompleks, perangkat menambahkan isyarat audio singkat untuk kejelasan ekstra. Bersama-sama, sinyal-sinyal ini memberi pengguna perasaan intuitif dan berkelanjutan tentang ke mana harus pergi, bahkan di lingkungan yang asing.
Waktu: Bagaimana cara pengguna belajar menggunakan headset?
Amari: Headset ini dilengkapi tutorial audio internal yang memandu pengguna langkah demi langkah melalui fitur-fitur inti sesuai kemampuan mereka. Misalnya, salah satu tutorial mengajarkan pengguna bagaimana pola getaran yang berbeda memberi sinyal hambatan di depan versus jalur terbuka ke kiri atau kanan. Tutorial singkat ini membantu pengguna memahami cara headset berkomunikasi dan bagaimana isyarat haptik menunjukkan pergerakan yang aman.
Waktu: Bagaimana Anda memvalidasi keamanan dan keandalan kaca Anda?
Amari: Kami memvalidasi keamanan dan keandalan melalui pengujian berkelanjutan di dunia nyata dengan pengguna tunanetra. Sejauh ini, kami telah bekerja dengan lebih dari 500 individu di 30 negara, menguji sistem dalam lingkungan yang terkendali dan lingkungan yang tidak dapat diprediksi. Kami mengandalkan redundansi berlapis-lapis, pemrosesan pada perangkat untuk menghilangkan risiko latensi, dan protokol pengujian ketat yang memungkinkan kami mengamati kinerja sistem dalam situasi sehari-hari, bukan hanya dalam simulasi. Kami juga memasukkan umpan balik pengguna pada setiap tahap pengembangan dan telah menyelesaikan uji klinis formal sebagai bagian dari proses sertifikasi perangkat medis.
Waktu: Apa saja tantangan terbesar dalam mengembangkan .lumen?
Amari: Tantangan besar pertama adalah perangkat keras. Berbeda dengan mobil self-driving, yang memiliki banyak ruang untuk sensor dan daya komputasi, kita harus memberikan fungsi inti yang sama yaitu persepsi, prediksi, dan pengambilan keputusan dalam perangkat yang kecil dan cukup ringan untuk diletakkan dengan nyaman di kepala seseorang, dan hanya menggunakan sebagian kecil dari daya dan energi yang dapat digunakan oleh kendaraan.
Tantangan kedua adalah lingkungan itu sendiri. Ruang pejalan kaki jauh lebih sulit diprediksi dibandingkan jalan raya. Lebar trotoar berubah, persimpangan dipenuhi rintangan, dan permukaan jalan sering kali tidak rata. Akibatnya, sistem kami tidak dapat mengandalkan infrastruktur yang telah ditentukan sebelumnya dan sebaliknya harus menafsirkan setiap lingkungan secara real-time dengan kedalaman pemahaman yang sama seperti mobil self-driving yang berlaku di jalan raya, sekaligus memproses semuanya secara instan di perangkat untuk menjaga keamanan pengguna di setiap langkah.
