Perpustakaan Digital ITB

Kemajuan kendaraan otonom menuntut strategi perencanaan gerak yang tidak hanya mampu bernavigasi di lingkungan kompleks, tetapi juga mempertimbangkan kerusakan permukaan jalan. Perencana gerak tradisional umumnya mengabaikan dampak kerusakan jalan—seperti lubang dan retakan—terhadap kenyamanan dan keamanan berkendara. Penelitian ini mengusulkan kerangka kerja yang mengintegrasikan modul persepsi kerusakan jalan You Only Look Once (YOLO) dan agen perencana gerak Deep Reinforcement Learning (DRL) untuk mengoptimalkan keamanan dan kenyamanan lintasan berkendara secara real-time. Modul YOLO dilatih menggunakan dataset 8.847 citra kerusakan jalan dari 16 kota di Indonesia. Agen DRL dilatih dalam simulator CARLA menggunakan modul persepsi YOLO, data telemetri kendaraan, serta fungsi imbalan yang mengoptimalkan keamanan dan kenyamanan berkendara. Hasil evaluasi menunjukkan peningkatan rata-rata performa deteksi precision 37,8%, mAP50 17,56%, mAP50-95 13,33% pada kecepatan 140,8 FPS terhadap penelitian sebelumnya. Lebih lanjut, tingkat keberhasilan penghindaran kerusakan jalan bernilai 100% pada kondisi cerah siang hari dan 84% pada kondisi hujan siang hari. Evaluasi kenyamanan berbasis standar ISO 2631 mengonfirmasi bahwa pendekatan ini mampu memitigasi efek kerusakan jalan terhadap kenyamanan penumpang. Studi ini berkontribusi pada pengembangan sistem otonom agar mampu menavigasi kendaraan dengan aman dan nyaman bahkan pada infrastruktur yang tidak ideal.