Perpustakaan Digital ITB

Agar dapat bernavigasi tanpa bantuan pengemudi manusia, kendaraan otonom harus mampu (1) merencanakan jalur global ke suatu tujuan (dalam bentuk waypoint), (2) merasakan kondisi lingkungan, (3) membuat keputusan tentang tindakan yang akan diambil berdasarkan informasi kondisi lingkungan, (4) merencanakan jalur lokal ke titik jalan yang ditentukan berdasarkan keputusan yang diambil, dan (5) menerapkan sistem kontrol umpan balik untuk mengendalikan kemudi, akselerator, dan rem. Penelitian dalam disertasi ini memfokuskan penelitian pada pengembangan algoritma perencanaan jalur lokal untuk kendaraan otonom. Penelitian ini bertujuan mengembangkan algoritma perencanaan jalur yang cepat, aman, dan nyaman dalam menghadapi lingkungan perkotaan yang dinamis. Penelitian ini terbagi menjadi empat Tahap Penelitian. Pada Penelitian Tahap 1, peneliti mengembangkan hibridisasi Rapidly?Exploring Random Tree dengan Ant Colony System (RRT-ACS) untuk menggabungkan kecepatan eksplorasi RRT dalam menjelajahi ruang konfigurasi dengan kemampuan optimasi ACS dalam memperbaiki kualitas jalur. Hasil simulasi pada delapan peta benchmark menunjukkan bahwa RRT-ACS memiliki konvergensi lebih cepat dan menghasilkan jalur mendekati optimal dibandingkan RRT*, RRT*-Connect, dan Informed-RRT*. Hasil penelitian ini telah dipublikasikan pada jurnal IEEE Access (Q1) dengan tautan: https://ieeexplore.ieee.org/document/9612162. Pada Penelitian Tahap 2, peneliti mengembangkan algoritma Informed RRT*-PSO yang mengombinasikan sampling berbasis elips dari Informed RRT* dengan mekanisme swarm Particle Swarm Optimization (PSO). PSO digunakan untuk memfokuskan pencarian jalur pada solusi lokal dan global terbaik, disertai dengan pemangkasan pohon (PruneTree) di luar wilayah sampling. Evaluasi menunjukkan bahwa algoritma ini mencapai solusi optimal hingga 0,1% lebih cepat, memiliki stabilitas tinggi (deviasi terkecil), dan tingkat keberhasilan 100% pada seluruh skenario benchmark. Hasil penelitian ini telah dipublikasikan dalam jurnal IEEE Access (Q1) melalui tautan: https://ieeexplore.ieee.org/document/10500393. Pada Penelitian Tahap 3, peneliti mengembangkan strategi perencanaan jalur lokal untuk kendaraan otonom di lingkungan perkotaan dinamis, dengan fokus meningkatkan keamanan dan kenyamanan penumpang. Metode yang diusulkan mengintegrasikan sampling hibrida informed RRT*-PSO, bi-directional trajectory templates untuk percepatan konektivitas pohon, dan time-space configuration (representasi tiga dimensi x, y, t) untuk memprediksi serta memitigasi konflik dinamis. Algoritma ini kami namakan IRP+BTT+TSC. Peneliti memprediksi zona potensi tabrakan menggunakan Kalman Filter 2D. Peningkatan keamanan dalam perencanaan jalur lokal dapat dicapai karena perencanaan jalur dalam konfigurasi ruang-waktu melibatkan prediksi pergerakan kendaraan lain, mempertimbangkan faktor ketidakpastian dan variabilitas, serta memperhatikan jarak aman dari kendaraan lain. Peningkatan kenyamanan dalam perencanaan jalur lokal dapat dicapai karena perencanaan jalur dalam konfigurasi ruang-waktu melibatkan pembatasan kecepatan dan percepatan sesuai tingkat kenyamanan penumpang, serta melibatkan proses penghalusan untuk menghasilkan akselerasi dan deselerasi yang halus. Pada Penelitian Tahap 4, peneliti menguji algoritma IRP+BTT+TSC pada self-driving car simulator (simulator kendaraan otonom) dalam lingkungan dinamis. Enam skenario utama meliputi Lead Vehicle Stopped; Moving at Lower Constant Speed; Turning at Non-Signalized Junctions; Straight Crossing Paths at Non-Signalized Junctions; Left Turn Across Path From Opposite Directions; dan Changing Lanes, Same Direction. Performa algoritma dibandingkan dengan Fast RRT dan CL-RRT, menggunakan empat ukuran performansi: biaya keselamatan (safety cost), biaya kenyamanan (comfort cost), biaya waktu (time cost) dan biaya jalur (path cost). Hasil simulasi enam skenario menunjukkan bahwa IRP?+?BTT?+?TSC tanpa V2V berhasil menurunkan path cost rata?rata sebesar 9,8?%, time cost rata?rata sebesar 12,0?% dan comfort cost rata?rata sebesar 13,2?% dibandingkan Fast?RRT dan CL?RRT, sekaligus meningkatkan margin keselamatan (safety cost) rata?rata sebesar 44 poin Kebaruan penelitian terletak pada integrasi PSO dalam kerangka Informed RRT*, dan penerapan trajectory templates dua arah untuk non-holonomic vehicle, serta penggunaan konfigurasi ruang-waktu sebagai dasar evaluasi keamanan dan kenyamanan secara simultan. Kontribusi ilmiah dari penelitian ini mencakup pengembangan algoritma IRP+BTT+TSC yang menunjukkan komputasi yang lebih efisien, aman, dan nyaman dibandingkan algoritma pembanding serta metodologi evaluasi performansi keamanan dan kenyamanan. Temuan ini diharapkan dapat memberikan sumbangan bagi pengayaan ilmu pengetahuan dan teknologi perencanaan gerak kendaraan otonom dan menjadi dasar pengembangan sistem navigasi kendaraan mandiri generasi mendatang.