Perpustakaan Digital ITB

Mobil otonom merupakan salah satu solusi mengurangi tingkat kecelakaan akibat kesalahan pengemudi dan kemacetan lalu lintas. Mobil otonom adalah mobil yang dapat bernavigasi tanpa/minim intervensi manusia. Sistem kontrol lateral adalah subsistem esensial untuk mengarahkan mobil otonom ke jalur yang diinginkan melalui manipulasi sudut kemudi mobil. Kestabilan, nonlinearitas, dan performa optimal merupakan tantangan dalam merancang sistem kontrol, termasuk sistem kontrol lateral mobil otonom. Metode kestabilan Lyapunov adalah salah satu metode untuk perancangan pengontrol sistem nonlinier. Deep reinforcement learning (DRL) adalah metode yang banyak digunakan dan berkembang pada satu dekade terakhir untuk mencari solusi kebijakan optimal pada kasus pemrograman dinamis. Pada penelitian ini, dilakukan studi penggunaan DRL untuk mengoptimasi performa pengontrol metode kestabilan Lyapunov pada sistem kontrol lateral mobil otonom. Pengontrol lateral Stanley yang populer dalam literatur mobil otonom digunakan sebagai pembanding performa. Performa pengontrol diuji melalui simulasi dan implementasi skala nyata. Uji simulasi dilakukan dengan menggunakan simulator CARLA dan simulator kinematik yang telah dikembangkan dalam penelitian ini. Dari pengujian dapat disimpulkan bahwa pengontrol Lyapunov-DRL konsisten menghasilkan performa lebih baik dibanding pengontrol Stanley, dengan penurunan nilai IAE, ISE, ITAE, dan RMSE berturut-turut sebesar 80,72%, 57,32%, 92,86%, dan 34,64%. Uji implementasi skala nyata dilakukan dengan menggunakan mobil golf Yamaha YDRE 2011 yang telah dimodifikasi. Dari pengujian ini dapat disimpulkan bahwa pengontrol Lyapunov-DRL menghasilkan performa lebih baik dibanding pengontrol Stanley dengan penurunan nilai IAE, ISE, ITAE, dan RMSE berturut-turut sebesar 37,22%, 43,34%, 43,72%, dan 24,43%.