Perpustakaan Digital ITB

Perkembangan teknologi pada kendaraan otonom berkembang pesat dengan tuntutan adanya sistem estimasi kecepatan dan deteksi objek 3D yang optimal, namun fusi sensor kamera dan radar pada tampilan Bird Eye View (BEV) masih dihadapkan pada masalah beban komputasi yang tinggi. Untuk menyelesaikan masalah tersebut, penelitian melakukan pendekatan dengan melakukan optimasi sistem dengan menggunakan arsitektur mamba pada kamera untuk ekstraksi fitur yang lebih efisien dibandiugkan dengan transformer, serta pengguuaan Radar Cross Section Aware Scattering pada data radar untuk meningkatkan ketebalan point cloud tanpa menambah beban komputasi. Selain itu optimasi dilakukan pada komponen Lift Splat Shoot, BEV Encoder, dan Cross Attention Multi layer Fusion untuk sistem yang lebih adaptif. Evaluasi dilakukan pada dataset nuscenes dan dilakukan di lingkungan kampus ITB. Model berhasil diuji dilingkungan ITB dengan hasil objek dan estimasi kecepatan dengan baik. Hasil Pengujian pada simulasi dengan nuscenes juga menunjukkan bahwa modifikasi ini mampu menghasilkan performa yang kompetitif dengan baseline dengan penurunan akurasi dari NuScenes Detection Score (NDS) hingga -2.01% dengan trade off peningkatan performa komputasi sebesar 15.20%. Model ini terbukti mampu memprediksi atribut objek dengan lebih baik, serta lebih efisien. Model ini memungkinkan untuk diimplementasikan secara real time pada kendaraan otonom.