Perpustakaan Digital ITB

Forklift otonom merupakan salah satu aplikasi robot bergerak yang berperan penting dalam otomasi pergudangan modern. Teknologi ini mampu meningkatkan efisiensi distribusi barang serta mengurangi risiko kecelakaan kerja. Namun, tantangan utamanya adalah merancang strategi pengendali gerak yang adaptif terhadap kondisi gudang yang kompleks, seperti lorong sempit dan tata letak rak yang padat. Dynamic Window Approach (DWA) merupakan metode populer untuk penjejak jalur karena mampu menghasilkan perintah gerak yang dapat dicapai dan layak secara kinematis. Meski demikian, performa DWA sangat dipengaruhi oleh bobot fungsi objektif, yang pada DWA konvensional nilanya tetap sehingga kurang adaptif pada kondisi yang bervariasi. Penelitian ini mengusulkan Q-Learning Dynamic Window Approach (Q-DWA), yaitu integrasi Q-Learning sebagai mekanisme adaptasi bobot DWA. Q-Learning melatih forklift melalui interaksi dengan lingkungan simulasi gudang sehingga dapat menyesuaikan bobot berdasarkan kondisi orientasi terhadap target, kecepatan forklift, dan kepadatan hambatan. Algoritma A* juga digunakan sebagai perencana jalur global untuk menemukan jalur tercepat. Metode penelitian meliputi pemodelan kinematika forklift, perancangan Q-table, serta pelatihan sebanyak 1.000-episode menggunakan strategi ?-greedy. Simulasi dilakukan pada empat skenario khas pergudangan. Hasil uji menunjukkan bahwa Q-DWA mampu menyelesaikan semua skenario dengan tingkat keberhasilan lebih dari 98%, sedangkan DWA konvensional hanya berhasil 91% dan 74%. Q-DWA menghasilkan perintah gerak yang lebih halus namun tetap menjaga akurasi penjejakan dengan RMSE 0,118. Kebaruan penelitian ini adalah penerapan Reinforcement Learning sebagai mekanisme tuning bobot DWA secara online untuk mengikuti waypoints/lintasan dari A*. Kontribusi utamanya memperkaya literatur adaptive path planning, sekaligus membuktikan bahwa Q-Learning dapat mengatasi keterbatasan DWA konvensional.