Perpustakaan Digital ITB

Sensor Kinect dapat digunakan dalam dunia robotik untuk menggerakan lengan robot agar didapatkan interaksi antara manusia dan robot yang lebih natural. Sensor Kinect mampu mendeteksi tubuh manusia dengan memetakan sendi-sendi tubuh yang disebut skeletal tracking. Data skeletal tracking terdiri dari 20 data joint yang posisinya disimpan dalam koordinat 3D. Meskipun data skeletal tracking memiliki akurasi yang cukup baik, seringkali terdapat noise berupa jitter data atau lonjakan data yang tidak diinginkan. Noise yang terdapat pada data skeletal tracking diatasi dengan proses filtering. Algoritma filter yang banyak digunakan dalam melakukan smoothing terhadap data Kinect adalah Kalman Filter. Selain mengaplikasikan algoritma KF, penelitian ini juga akan membandingkan hasil estimasi KF dan EKF. Penelitian dimulai dengan merancang karakteristik filter berupa variabel state vector dan parameter R dan Q untuk masing-masing algoritma KF dan EKF. Setelah ditemukan nilai R dan Q, kedua filter diterapkan ke joint untuk dua jenis pose, pose statis dan dinamis. Pada pose statis, tingkat akurasi dan smoothnes diperoleh dari nilai rata-rata MAE dan SE (KF 0.012461 dan 0.000148, EKF 0.009157 dan 0.000063, Kinect 0.01238 dan 0.00018). Dari hasil perhitungan, didapatkan bahwa performa EKF lebih baik dengan nilai MAE dan SE yang lebih rendah daripada KF dan Kinect. Sementara itu, implementasi EKF pada pose dinamis dianalisis secara grafis karena tidak ada database yang dapat digunakan sebagai nilai referensi. Hasil EKF pada pose dinamis berpotensi mereduksi syarat data posisi untuk identifikasi gesture. Uji coba kombinasi R dan Q dilakukan untuk melihat pengaruh perbedaan R dan Q pada pose statis dan dinamis. Dalam uji coba ini, didapatkan nilai parameter terbaik untuk Q adalah 10-6 dan R adalah 10-4 . Hasil estimasi filter dari kedua pose menunjukkan adanya pengurangan terhadap noise berupa jitter data pada data posisi joint Kinect dengan tetap mempertahankan data gesture.