Perpustakaan Digital ITB

Makalah ini menyajikan implementasi dan evaluasi sistem visual positioning dan Mapping berbasis ORBSLAM3 untuk unmanned aerial vehicles (UAV) yang beroperasi pada lingkungan GPS - denied. Sistem diimplementasikan pada platform Raspberry Pi dan dievaluasi menggunakan benchmark dataset, eksperimen ground di dunia nyata, serta pengujian penerbangan drone. Sebuah kerangka multivariate analysis menggunakan XGBoost dan SHAP diterapkan untuk mengidentifikasi internal SLAM state variables yang memiliki hubungan paling kuat dengan localization drift dan tracking latency. Hasil penelitian menunjukkan bahwa temporal drift history, tracking quality metrics, dan motion dynamics merupakan faktor utama yang memengaruhi kinerja sistem. Untuk meningkatkan localization accuracy, sebuah modul learning - based drift correction yang menggabungkan Gated Recurrent Unit (GRU), Model Pred ictive Control (MPC), dan Soft Actor - Critic (SAC) reinforcement learning diintegrasikan ke dalam pipeline ORBSLAM3 . Evaluasi eksperimental pada TUM benchmark sequences menunjukkan penurunan trajectory error hingga 56,0% dibandingkan dengan konfigurasi baseline, dengan tetap mempertahankan computational latency yang sebanding. Pengujian di dunia nyata menghasilkan aver age positioning error sebesar 1,14 m pada lintasan sepanjang 100 m serta tracking success rate yang melebihi 97%, sehingga menunjukkan kelayakan implementasi sistem yang diusulkan untuk UAV localization pada lingkungan luar ruang yang menantang.