Perpustakaan Digital ITB

Sistem pengantaran barang di Indonesia kian hari ini semakin menjadi hal yang vital terlebih lagi dengan meningkatnya platform belanja online yang membuat pembeli tidak lagi harus datang ke tempat penjual untuk membeli barang. Sistem pengantaran barang melalui jalur darat dapat menyebabkan berbagai masalah yaitu diantaranya dapat meningkatkan kemacetan dan menimbulkan polusi. Untuk mengatasi masalah tersebut, dapat digunakan teknologi quadrotor untuk merancang sistem pengantaran barang yang otomatis melalui jalur udara. Penelitian ini memperkenalkan rancangan sistem multi quadrotor yang digunakan sebagai automated drone delivery. Multi quadrotor digunakan alih–alih sebatas single quadrotor untuk mengatasi permasalahan keterbatasan beban pada quadrotor. Untuk merancang sistem tersebut, pada penelitian ini pertama-tama dinamika dari atttitude controller pada quadrotor telah diidentifikasi menggunakan pendekatan optimisasi dengan algoritma particle swarm optimization (PSO). Dinamika dari attitude controller beserta dengan dinamika umum translasi dan rotasi dari quadrotor digunakan sebagai model untuk merancang pengontrol posisi berbasis Sliding Mode Control (SMC). Selain itu, perencana jalur berbasis Reinforcement Learning (RL) telah dirancang untuk memberikan jalur secara real-time kepada pengontrol posisi supaya dapat menghindari rintangan (collision avoidance) serta dapat menjaga jarak antar multi quadrotor. Untuk membuat jalur, diperlukan informasi jarak antara quadrotor terhadap rintangan yang ada dimana pada penelitian ini, digunakan algoritma object detection dan depth estimation. Simulasi dan eksperimen telah berhasil dilakukan menggunakan quadrotor bertipe Parrot AR Drone 2.0. Model dari attitude controller telah berhasil diidentifikasi untuk setiap sistem gerak linier-x, linier-y, linier-z, dan rotasi-z dengan mean squared error (MSE) secara berturut-turut sebesar 1,04; 0,66; 2,00, dan 0,26. Pengontrol posisi telah berhasil disimulasikan dan didapatkan nilai parameter terbaik untuk setiap sistem gerak linier-x, linier-y, linier-z, dan rotasi-z dengan nilai settling time (5%) sebesar 3,7, 3,3, 0,4, dan 1,0 detik. Perencana jalur telah berhasil dirancang dan disimulasikan dengan terlebih dahulu membuat environment pada bahasa pemrograman python dan melakukan training pada agent dengan algoritma twin delayed deep deterministic (TD3) policy gradient. Pendeteksi rintangan telah berhasil disimulasikan dan didapatkan nilai root mean squared error (RMSE) sebesar 0,22 meter dengan rata-rata lama waktu perhitungan prediksi sebesar 0,47 detik. Perencana jalur, pengontrol posisi, dan pendeteksi rintangan telah berhasil diintegrasikan dan diimplementasikan secara waktu nyata pada dua buah Parrot AR Drone 2.0 dimana sistem kontrol telah berhasil mengantarkan beban dari titik awal menuju titik tujuan dengan rata-rata error posisi akhir sebesar 0.94 meter.