Perpustakaan Digital ITB

Akurasi dan konsistensi estimasi trajectory merupakan aspek fundamental dalam sistem navigasi kendaraan otonom. Namun, Visual SLAM berbasis kamera stereo, seperti ORB-SLAM3, masih menghadapi permasalahan akumulasi drift akibat ketidakpastian estimasi depth, terutama pada area bertekstur rendah, objek berjarak jauh, dan kondisi perubahan arah lintasan yang kompleks. Pendekatan ORB-SLAM3-RGBL berupaya mengurangi keterbatasan tersebut dengan memanfaatkan depth map dari LiDAR. Akan tetapi, proyeksi titik LiDAR bersifat sparse dan rentan terhadap kesalahan asosiasi dengan fitur visual menyebabkan penggunaan depth secara langsung (direct depth injection) berpotensi menghasilkan residual yang tidak konsisten dan menurunkan stabilitas estimasi. Permasalahan ini menunjukkan bahwa penambahan informasi LiDAR tidak selalu cukup untuk meningkatkan performa Visual SLAM apabila reliabilitas observasi depth tidak dievaluasi secara eksplisit. Penelitian ini menjawab permasalahan tersebut melalui metode uncertainty-aware LiDAR-assisted depth fusion, yang memperlakukan LiDAR sebagai referensi geometrik selektif, bukan sebagai sumber depth deterministik. Metode yang diusulkan terdiri atas probabilistic depth consistency modeling, confidence-aware depth weighting, adaptive depthconstrained pose optimization, dan uncertainty-aware local bundle adjustment. Hasil pengujian pada KITTI Odometry sequence 00–10 menunjukkan bahwa konfigurasi Full Proposed (? = 3) mampu menurunkan ATE sebesar 13,03% dan translation error sebesar 12,77% dibandingkan ORB-SLAM3 Stereo, dengan seluruh run pengujian valid dan kecepatan tracking 35 FPS. Hasil tersebut menunjukkan bahwa validasi dan pembobotan depth berbasis ketidakpastian merupakan faktor penting dalam meningkatkan efektivitas fusi visual–LiDAR, sehingga peningkatan performa tidak hanya bergantung pada penambahan sensor, tetapi pada kemampuan sistem menyeleksi dan memanfaatkan observasi geometrik yang reliabel.