{"id":24619,"date":"2025-05-07T13:53:39","date_gmt":"2025-05-07T06:53:39","guid":{"rendered":"https:\/\/stei.itb.ac.id\/redesign\/?p=24619"},"modified":"2025-05-08T10:13:04","modified_gmt":"2025-05-08T03:13:04","slug":"sistem-persepsi-dan-perencanaan-jalur-untuk-kendaraan-otonom","status":"publish","type":"post","link":"https:\/\/stei.itb.ac.id\/redesign\/sistem-persepsi-dan-perencanaan-jalur-untuk-kendaraan-otonom\/","title":{"rendered":"Sistem Persepsi dan Perencanaan Jalur untuk Kendaraan Otonom"},"content":{"rendered":"
\n\t
\n\t\t
\n\t\t\t

Peneliti: Bambang Riyanto Trilaksono, Arief Syaichu Rohman, Egi Muhammad Idris Hidayat<\/span>
\nMahasiswa: Muhammad Aria Rajasa Pohan, Satrio Wicaksono, Dhimas Bintang Kusumawardhana<\/span><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>

\n\t
\n\t\t
\n\t\t\t

Peningkatan keselamatan, pengurangan kemacetan, emisi yang lebih rendah, dan mobilitas yang lebih tinggi merupakan beberapa keuntungan dari kendaraan yang mampu melakukan <\/span>self-driving<\/span><\/i> dibandingkan dengan mobil konvensional yang memerlukan manusia<\/span>. Artificial Intelligence<\/span><\/i>, khususnya <\/span>machine learning<\/span><\/i> dan <\/span>deep learning<\/span><\/i>, memainkan peran penting dalam teknologi mobil <\/span>self-driving.<\/span><\/i> Teknologi ini mencakup persepsi lingkungan, pemetaan, penentuan lokasi yang akurat, perencanaan jalur, dan pengambilan keputusan. Keseluruhan teknologi ini diperlukan untuk memungkinkan pengemudian otonom di jalan raya. Untuk mencapai persepsi otonom tersebut, mobil <\/span>self-driving<\/span><\/i> umumnya dilengkapi dengan berbagai sensor seperti kamera, Lidar, GPS, sensor inersia, radar, dan sensor lainnya, yang digunakan untuk mengukur sikap, posisi, mengetahui keadaan lingkungannya, serta melakukan “inferensi” yang diperlukan untuk melakukan kemudi dan akselerasi\/pengereman.<\/span><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>

\n\t
\n\t\t\n\t\t
\n\t\t\t
\"\"<\/div>
Perencanaan dan pemodelan jalur untuk pengemudian kendaraan otonom\n<\/figcaption>\n\t\t<\/figure>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t
\n\t\t\t

Penelitian tentang <\/span>deep learning<\/span><\/i> untuk <\/span>self-driving<\/span><\/i> telah berkembang pesat saat ini. Pada dasarnya, terdapat dua pendekatan utama dalam penggunaan <\/span>deep learning<\/span><\/i> untuk mobil <\/span>self-driving<\/span><\/i>, khususnya yang berbasis pada sensor visual: 1) Menerapkan <\/span>deep learning<\/span><\/i> (seperti <\/span>convolutional neural networks <\/span><\/i>(CNN)) untuk mengotomasi setiap sub-bagian dalam pengemudian otonom, misalnya, menggunakan CNN untuk mendeteksi jalur, melihat lampu lalu lintas, mendeteksi pejalan kaki melalui sensor visual, dan menggunakan <\/span>deep reinforcement learning<\/span><\/i> untuk perencanaan jalur; 2) Pendekatan kedua disebut sebagai <\/span>behavior reflex<\/span><\/i>. Pendekatan ini menerapkan algoritma <\/span>deep learning<\/span><\/i> untuk <\/span>end-to-end<\/span><\/i> autonomous driving<\/span><\/i>, dengan memetakan informasi input secara langsung ke dalam model <\/span>deep learning<\/span><\/i> untuk melakukan pengemudian kendaraan.<\/span><\/p>\n

Meskipun kemajuan signifikan telah dibuat pada <\/span>deep learning<\/span><\/i> untuk mobil <\/span>self-driving<\/span><\/i>, masih ada masalah penting yang perlu ditangani yaitu saat menggunakan mobil <\/span>self-driving<\/span><\/i> dalam kondisi cuaca buruk, seperti pada cuaca hujan dan kabut, yang sering terjadi di negara-negara seperti Indonesia. Teknik <\/span>deep learning<\/span><\/i> dikenal memberikan kinerja yang sangat baik pada saat data input tidak mengalami gangguan, tetapi kinerja ini memburuk secara signifikan pada saat data input terganggu oleh sinyal gangguan\/<\/span>noise<\/span><\/i>. <\/span>Noise<\/span><\/i> secara virtual terdapat dalam data sensorik mobil <\/span>self-driving<\/span><\/i> pada saat kondisi cuaca buruk ataupun pada saat berkendara dengan marka jalan dan lajur yang tidak lengkap.<\/span><\/p>\n

Tantangan lain yang tidak mudah dalam penerapan <\/span>deep learning<\/span><\/i> untuk mengemudi secara otonom di Indonesia adalah kondisi lalu lintas campuran yang meliputi mobil, bus, sepeda motor, sepeda, becak, yang menambah kompleksitas dalam pengembangan mengemudi secara otonom. Perilaku pengemudi dan berbagai karakteristik kendaraan berkontribusi pada kompleksitas pengambilan keputusan kendaraan otonom.<\/span><\/p>\n

Dalam penelitian ini, dua pendekatan mengemudi secara otonom dipertimbangkan. Pendekatan pertama adalah dengan metode <\/span>pipelining<\/span><\/i> melalui perencanaan jalur optimal berdasarkan kombinasi algoritma <\/span>Rapid Random Tree <\/span><\/i>dan <\/span>Ant Colony System<\/span><\/i>. Sedangkan pada pendekatan kedua, sistem persepsi berdasarkan metode <\/span>deep reinforcement learning<\/span><\/i> yang dilatih dan dievaluasi menggunakan kondisi jalan perkotaan di Indonesia dikembangkan.<\/span><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>

\n\t
\n\t\t\n\t\t
\n\t\t\t
\"\"<\/div>
Implementasi diagram alir mobil otonom\n<\/figcaption>\n\t\t<\/figure>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t\n\t\t
\n\t\t\t
\"\"<\/div>
Metode Deep Reinforcement Learning untuk kendaraan otonom dalam kondisi jalan perkotaan<\/figcaption>\n\t\t<\/figure>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"Peneliti: Bambang Riyanto Trilaksono, Arief Syaichu Rohman, Egi Muhammad Idris Hidayat Mahasiswa: Muhammad Aria Rajasa Pohan, Satrio Wicaksono, Dhimas Bintang Kusumawardhana Peningkatan keselamatan, pengurangan kemacetan, emisi yang lebih rendah, dan [...]","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[911,17],"tags":[],"class_list":["post-24619","post","type-post","status-publish","format-standard","hentry","category-kk-sistem-kendali-dan-komputer","category-research-2"],"_links":{"self":[{"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/posts\/24619","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/comments?post=24619"}],"version-history":[{"count":5,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/posts\/24619\/revisions"}],"predecessor-version":[{"id":24680,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/posts\/24619\/revisions\/24680"}],"wp:attachment":[{"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/media?parent=24619"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/categories?post=24619"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/stei.itb.ac.id\/redesign\/wp-json\/wp\/v2\/tags?post=24619"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}