Sistem Prediksi Jenis Medan pada Robot Outdoor Beroda Menggunakan Convolutional Neural Network.

Aji, Ibrahim and Eko Setiawan,, S.T., M.T., M.Eng., Ph.D. (2024) Sistem Prediksi Jenis Medan pada Robot Outdoor Beroda Menggunakan Convolutional Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Implementasi robot beroda di luar ruangan membawa sejumlah tantangan, termasuk masalah selip roda. Selip roda dapat terjadi karena kecepatan roda tidak sesuai dengan kondisi medan, yang memerlukan penerapan kontrol traksi untuk menjaga stabilitas dan mencegah selip. Nilai dari kontrol traksi pada setiap medan dapat berbeda sehingga memerlukan penyesuaian dengan jenis medan yang dihadapi agar berfungsi optimal. Oleh karena itu, sistem prediksi jenis medan yang terintegrasi dengan robot outdoor beroda diperlukan sehingga nilai dari kontrol traksi yang sudah diatur dapat berganti-ganti menyesuaikan medan yang dilalui robot . Salah satu metode untuk mengenali medan yang akan dilalui robot adalah dengan menggunakan visual melalui kamera robot. Penelitian ini bertujuan merancang arsitektur Convolutional Neural Network (CNN) yang tepat untuk memprediksi jenis medan dan mengukur keberhasilan sistem dalam memprediksi medan yang dilalui oleh robot secara langsung. Sistem prediksi jenis medan dijalankan pada Raspberry Pi 4 dengan sensor kamera untuk merekam video medan yang dilalui robot. Video ini diproses oleh model CNN yang telah dibuat. Hasil prediksi dikirimkan pada robot melalui komunikasi serial. Model CNN yang dibuat mencapai tingkat keakuratan 95% saat diuji dengan 20 data uji. Sistem prediksi mampu melakukan prediksi secara langsung dengan lama waktu rata-rata 0.094 detik. Pada pengujian sistem secara keseluruhan diperoleh akurasi 84.61% dari 78 data uji.

English Abstract

The implementation of wheeled robots in outdoor environments presents numerous challenges, including wheel slippage issues. Wheel slippage can occur when the wheel speed does not match the terrain conditions, necessitating the application of traction control to maintain stability and prevent slipping. The traction control values may vary for each terrain, requiring adjustments to match the optimal functionality. Therefore, an integrated terrain prediction system for outdoor wheeled robots is essential, allowing the pre-set traction control values to adapt to the terrain traversed by the robot. One method to identify the terrain the robot will traverse is by using visual input from the robot's camera. This research aims to design an appropriate Convolutional Neural Network (CNN) architecture for predicting terrain types and measuring the system's success in directly predicting the terrain traversed by the robot. The terrain prediction system is executed on a Raspberry Pi 4 with a camera sensor to record videos of the robot's path. These videos are processed by the CNN model that has been created. The prediction results are then transmitted to the robot through serial communication. The developed CNN model achieved an accuracy level of 95% when tested with 20 validation datasets. The prediction system demonstrated the capability to make real-time predictions with an average time of 0.094 seconds. In overall system testing, an accuracy of 84.61% was obtained from 78 test datasets.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150097
Uncontrolled Keywords:	Convolutional Neural Network (CNN), Jenis Medan, Prediksi, Robot Outdoor, Sensor Kamera-Camera Sensor, Convolutional Neural Network (CNN), Outdoor Robot, Prediction, Terrain Types.
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	Sugeng Moelyono
Date Deposited:	22 Feb 2024 01:55
Last Modified:	22 Feb 2024 01:55
URI:	http://repository.ub.ac.id/id/eprint/215642

Text (DALAM MASA EMBARGO) IBRAHIM AJI.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item