Perpustakaan Digital ITB

Kendaraan otonom memiliki potensi besar untuk meningkatkan keselamatan dan efisiensi transportasi. Namun, kemampuan sistem persepsi kendaraan otonom saat ini masih terbatas dalam menghadapi kondisi cuaca ekstrem seperti hujan lebat, kabut tebal, atau badai salju. Sensor-sensor utama seperti kamera, lidar, dan radar mengalami penurunan kinerja signifikan dalam cuaca buruk. Hal ini menyebabkan berkurangnya jarak pandang, deteksi objek yang tidak akurat, dan klasifikasi lingkungan yang tidak tepat, sehingga membahayakan keselamatan pengemudi dan penumpang. Performa deteksi objek model deep learning pada kendaraan otonom cukup baik, namun masih menghadapi tantangan yaitu jika beroperasi pada kondisi cuaca ekstrem. Untuk mengatasi masalah ini, diusulkan kerangka deteksi objek baru yang disebut MIRSA+YOLOV7MOD+M3CBAM, yang dirancang untuk lingkungan lalu lintas dalam kondisi cuaca cukup ekstrem (hujan, kabut, malam+hujan). Kebaruan dari penelitian adalah suatu framework yang merupakan gabungan dari modul denoising dan modul deteksi, arsitektur baru model denoising MIRSA yang merupakan modifikasi MIRNet-v2 dengan penambahan layer self-attention (SA), dan arsitektur baru YOLOv7-MOD dengan penambahan layer deformable convolution (DC) dan multiscale convolution block attention module (M3CBAM). Penelitian ini juga menghasilkan kumpulan dataset gambar lalu lintas (LLD) saat hujan dan cahaya redup yang digunakan untuk pelatihan. Pengambilan data dan anotasi mengikuti kaidah yang diterapkan pada dataset KITTY sehingga dapat dijadikan referensi untuk pengembangan selanjutnya. Eksperimen komparatif dengan metode terbaru secara visual dan kuantitatif mengkonfirmasi keefektifan model yang diusulkan, menunjukkan kemampuannya untuk menyempurnakan gambar, sehingga menghasilkan pengenalan yang lebih jelas. Metode ini mencapai skor tertinggi di seluruh kategori konsentrasi kabut, dengan nilai mAP tertinggi masing-masing sebesar 75.24%, 83.91%, dan 90.74% untuk kategori kabut tinggi, sedang, dan ringan. Sedangkan pada pengujian saat kabut, kondisi hujan dan kondisi malam+hujan dengan pencahayaan kurang ada peningkatan masing-masing sebesar 3.88%, 3.74% dan 2.70% dibanding metode sebelumnya. Perbedaan akurasi deteksi terkait penggunaan model MIRSA dan MIRNet-v2 sekitar 2-3% untuk masing-masing kondisi. Hal ini memperkuat bahwa model yang dikembangkan dapat diandalkan untuk sistem persepsi kendaraan otonom pada kondisi lingkungan cuaca cukup ekstrem dan pencahayaan kurang.