MOBIL OTONOM BERBASIS PEMETAAN LINGKUNGAN DENGAN TEKNOLOGI DEEP LEARNING
Mobil otonom atau yang dikenal dengan autonomous cars/driverless cars adalah wahana bergerak atau kendaraan yang mempunyai kemampuan transportasi seperti kendaraan konvensional dan dapat melakukan nagivasi dengan meraba (sensing) lingkungan sekitarnya tanpa intervensi manusia. Umumnya mobil otonom menggunakan berbagai teknik seperti RADAR, LIDAR, GPS, dan computer vision untuk mengetahui lingkungan sekitarnya. Sistem kontrol lanjut kemudian diintegrasikan pada kendaraan untuk menginterpretasi informasi dari sensor untuk mendeteksi adanya kendaraan lain, orang disekitarnya, tanda-tanda lalu-lintas atau juga untuk menghindari tabrakan. Perkembangan mobil otonom memiliki beberapa keunggulan antara lain, meningkatnya tingkat keselamatan dari kendaraan dimana sistem kontrol otomatis dari mobil otonom dapat mengurangi uncertainty human error, dapat mengurangi tingkat kemacetan dimana mobil otonom mempunyai kemampuan untuk mempelajari lingkungan dan melakukan perintah seperti mengerem dan kemudi yang lebih cepat dari manusia. Terdapat tiga komponen utama dalam pengontrolan mobil otonom (Autonomous Car) yaitu Perception, Planning, dan Control (Gambar 1). (1) Perception adalah kemampuan dari sistem autonomous untuk mengumpulkan informasi relevan dari lingkungan, salah satu aspek dari Perception adalah Localization yang merujuk pada kemampuan dari sistem untuk menentukan posisi relevan dengan lingkungannya. (2) Planning merujuk pada proses untuk membuat keputusan untuk mencapai tujuan, contohnya merencanakan jalur untuk membawa kendaraan dari satu titik ke titik lain sekaligus. Gambar 1. Alur pengontrolan mobil otonom Sejak ditemukannya mobil hingga beberapa abad kedepannya, fokus dari peneliti mobil spesifik terhadap kenyamanan dan keselamatan penumpang. Hingga beberapa dekade terakhir, fokus mulai bergeser ke pengembangan autonomous car atau mobil otonom. Salah satu alasan utama dari pengembangan mobil otonom adalah adanya bug yang sampai saat ini belum dapat terselesaikan, yaitu pengemudinya. Setiap tahunnya, terdapat korban jiwa akibat kecelakaan mobil sebanyak 1,2 juta jiwa. Dengan dikembangkannya mobil otonom ini, diharapkan banyak korban jiwa yang dapat diselamatkan. Selain itu juga, mobil otonom dapat membantu para penyandang disabilitas agar dapat berpergian secara bebas tanpa harus bergantung kepada kerabatnya. Mobil otonom yang akan dirancang adalah mobil yang berbasis pemetaan terhadap lingkungan menggunakan teknologi terkini di dunia pembelajar mesin, yakni teknik deep learning. Faster R-CNN merupakan teknik deep learning yang dipilih untuk digunakan pada desain pemetaan lingkungan untuk mobil otonom yang akan dirancang. Pada tahun pertama kegiatan inovasi mobil otonom ini, mobil otonom akan dirancang menggunakan sebuah miniatur mobil dengan kontrol jarak jauh, dan menggunakan kontrol pengikut setpoint. Setpoint yang digunakan akan mengacu kepada sebuah trayektori jalan yang telah dirancang, yang diperoleh dengan menggunakan Indoor Positioning System (IPS). Dalam hal ini, akan digunakan trayektori imajiner yang merupakan garis tengah dari marka jalan yang terdeteksi. Pengontrol PID juga akan digunakan untuk mengontrol stir kemudi mobil dengan menggunakan metode kestabilan Lyapunov untuk analisis kestabilannya. Melalui kegiatan inovasi mobil otonom pada tahun pertama ini akan dihasilkan sebuah perangkat lunak sistem pemetaan lingkungan. Sistem pemetaan lingkungan didesain dengan menggunakan metode terkini dalam bidang pembelajaran / learning, dimana akan digunakan kerangka kerja Faster R-CNN. Nantinya, perangkat lunak pemetaan lingkungan ini akan dipasang pada mobil otonom miniatur yang nantinya dapat bergerak mengikuti trayektori IPS dan lajur jalan dengan stabil.
Anggota Peneliti
1. Prof. Dr.-Ing. Ir. Yul Yunazwin Nazaruddin, MSc., DIC, IPM2. Augie Widyotriatmo, ST., MT., Ph.D.
3. Miranti Indar Mandasari, ST., MT.
