digilib@itb.ac.id +62 812 2508 8800


COVER
PUBLIC Rina Kania

BAB I
PUBLIC Rina Kania

Bab II
PUBLIC Rina Kania

Bab III
PUBLIC Rina Kania

BAB IV
PUBLIC Rina Kania

BAB V
PUBLIC Rina Kania

DAFTAR PUSTAKA
PUBLIC Rina Kania

LAMPIRAN
PUBLIC Rina Kania

Kendaraan otonom merupakan teknologi yang mulai dikembangkan untuk sistem transportasi berbasis otomasi. Salah satu permasalahan pada kendaraan otonom adalah sistem lokalisasi, yaitu penentuan posisi kendaraan pada suatu daerah. Setiap jenis sensor yang digunakan pada proses lokalisasi masih memiliki kekurangan. Untuk mengatasi kekurangan dari masing-masing sensor, diterapkan metode fusi sensor (sensor fusion), yaitu metode penggabungan data berbagai sensor untuk menentukan posisi kendaraan otonom yang akurat. Salah satu sarana yang muncul dalam perkembangan kendaraan otonom adalah High Definition Map (HD Map), yaitu peta dengan tingkat akurasi tinggi. Fitur pada HD Map tersebut dirancang khusus untuk kendaraan otonom untuk dapat “membaca” peta sebagaimana manusia membaca peta pada umumnya. Oleh karena itu, pada tesis ini dikembangkan metode fusi sensor menggunakan data sensor fisik dan HD Map. Pada tesis ini, digunakan dua teknik utama yang digabungkan dengan fusi sensor. Untuk pendekatan pertama, digunakan metode dead reckoning dengan data Inertial Measurement Unit (IMU) dan GPS. Posisi kendaraan diprediksi menggunakan data akselerasi linear dan kecepatan sudut yang terdapat pada IMU. Data GPS digunakan sebagai koreksi karena IMU rentan terhadap drift/akumulasi error. Namun, dikarenakan jumlah data GPS yang jauh lebih sedikit dibanding data IMU, proses koreksi ini berlangsung setiap data IMU ke-19, sesuai dengan rasio antara kedua data. Baik proses prediksi maupun koreksi dilakukan menggunakan filter Kalman. Pendekatan kedua dilakukan menggunakan metode shape registration dengan mengolah data HD Map point cloud yang didapat menggunakan sensor LiDAR 2D. Pada metode ini, dilakukan pemotongan/slicing pada point cloud untuk mendapat data di setiap titik waktu. Kemudian, satu titik koordinat representasi dari setiap bagian point cloud hasil slicing disatukan kembali menjadi peta yang utuh dan diproses dengan metode Winsor untuk menghilangkan outlier pada data. Hasil posisi dari kedua metode digabungkan menggunakan filter Kalman dengan 4 variabel keadaan. Pada penelitian ini, digunakan Complex Urban Dataset yang disediakan oleh Korea Advanced Institute of Science and Technology (KAIST) yang berisi hasil deteksi sensor kendaraan pada wilayah perkotaan. Untuk keperluan tesis ini, digunakan subset dari dataset tersebut, yaitu urban38-pankyo yang berisi data sensor untuk daerah jalanan perkotaan dengan data sensor yang diambil berupa data sensor IMU, data GPS, dan LiDAR 2D. Terdapat sejumlah 216.225 titik data IMU, 11.138 data GPS, dan sebuah HD Map yang terdiri dari 60.088.154 titik point cloud dari hasil pembacaan LiDAR 2D. Dataset ini juga memiliki informasi referensi posisi kendaraan yang digunakan sebagai ground truth sistem. Nilai akurasi posisi kendaraan antara sistem yang dirancang dengan ground truth pada sumbu-x dan sumbu-y ditetapkan sebagai indikator performa sistem. Dari metode dead reckoning, didapat nilai rata-rata error sebesar 28,378 meter untuk sumbu-x dan 28,408 meter untuk sumbu-y. Hasil yang lebih baik diraih ketika menggunakan metode HD Map yang menghasilkan error sebesar 6,802 meter dan 5,764 meter pada sumbu-x dan sumbu-y. Nilai error pada metode HD Map yang diproses lebih lanjut untuk menghilangkan outlier pada data berada pada nilai 3,895 meter pada sumbu-x dan 3,783 meter pada sumbu-y. Hasil fusi sensor dengan menggunakan kedua pendekatan menghasilkan nilai error sebesar 3,726 meter pada sumbu-x dan 4,421 meter pada sumbu-y. Meskipun nilai error ini lebih besar dibanding nilai error pada metode HD Map, hasil fusi sensor memiliki jumlah titik data yang lebih banyak secara signifikan, yaitu sebanyak 495.981 data dengan rentang timestamp/waktu yang sama dengan metode HD Map. Hal ini menunjukkan bahwa hasil fusi sensor memiliki selisih waktu antara dua titik data yang lebih singkat, sehingga proses lokalisasi kendaraan otonom dapat dilakukan dengan lebih cepat. Kata kunci: HD Map, sistem lokalisasi, kendaraan otonom, kamera monokuler, IMU, GPS, dead reckoning, shape registration, filter Kalman?