Integrasi Multisensor Untuk Pengukuran Posisi Dan Navigasi Kendaraan Otonom

Firmansyah, Adrian Aryaputra (2024) Integrasi Multisensor Untuk Pengukuran Posisi Dan Navigasi Kendaraan Otonom. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022201027-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (5MB)

Abstract

Presisi dalam penentuan posisi dan navigasi penting dalam pengembangan kendaraan otonom. Penelitian ini mencoba untuk meningkatkan akurasi pengukuran posisi dan navigasi dengan metode fusi multisensor. Pendekatan yang diusulkan melibatkan integrasi berbagai sensor melalui metodologi fusi data bertingkat. Sistem ini terdiri dari beberapa Unit Pengukuran Inertial (IMUs), penerima Global Navigation Satellite System (GNSS), dan Magnetometer untuk menentukan posisi kendaraan ego atau persepsi internal. Lebih lanjut, sistem dilengkapi dengan persepsi eksternal melalui integrasi Kamera dan LiDAR untuk mendeteksi rintangan di sekitar kendaraan. Metode penggabungan data dari beberapa IMUs digunakan untuk menciptakan IMU Virtual. IMU Virtual ini kemudian diintegrasikan dengan GNSS, membentuk sistem persepsi internal. Persepsi eksternal didapatkan dengan mengadopsi metode khusus seperti Deteksi dan Klasifikasi Objek 3D pada Kamera, Deteksi Objek 3D pada LiDAR, dan teknik Transformasi Frame. Pendekatan ini memungkinkan sistem untuk mengidentifikasi dan mengklasifikasikan objek dalam ruang tiga dimensi. Penelitian ini juga memperkenalkan teknik Priority Selection Fusion dengan K-Nearest Neighbor, yang meningkatkan akurasi deteksi jarak dekat dan menengah dari 21.08% dan 15.13% (monocular-3D) menjadi 96.88% dan 83.98% (fused-3D), namun tetap mempertahankan kemampuan deteksi jarak jauh (≥30m) dari kamera. Metodologi ini diuji dalam berbagai skenario, yakni pengukuran statis, lintasan lurus, dan lintasan kota, dimana MSE dari persepsi internal menjadi lebih baik, dari 986 poin (Basic INS/GNSS fusion) menjadi 925 poin (internal-fusion), dan toleransi fault IMU meningkat akibat redudansi IMU, sehingga dapat mengatasi fault hingga tiga IMU dengan penurunan kualitas pengukuran yang tidak signifikan dari MSE 925 poin (zero-fault) ke 986 poin (3-fault)
======================================================================================================================================
Precision in determining position and navigation is crucial in the development of autonomous vehicles. This research aims to enhance the accuracy of position and navigation measurements through a multisensor fusion method. The proposed approach involves integrating various sensors through a hierarchical data fusion methodology. The system comprises multiple Inertial Measurement Units (IMUs), Global Navigation Satellite System (GNSS) receivers, and a Magnetometer to determine the ego vehicle's position or internal perception. Furthermore, the system is equipped with external perception through the integration of cameras and LiDAR to detect obstacles around the vehicle. The data fusion method from multiple IMUs is employed to create a Virtual IMU. This Virtual IMU is then integrated with GNSS, forming the internal perception system. External perception is obtained by adopting specific methods such as 3D Object Detection and Classification on the Camera, 3D Object Detection on LiDAR, and Frame Transformation techniques. This approach enables the system to identify and classify objects in three-dimensional space. The research introduces the Priority Selection Fusion technique with K-Nearest Neighbor, which enhances the accuracy of close and medium-range detection from 21.08% and 15.13% (monocular-3D) to 96.88% and 83.98% (fused-3D), while maintaining the ability to detect far distances (≥30m) from the camera. This methodology is tested in various scenarios, including static measurements, straight trajectories, and urban paths. In these scenarios, the Mean Squared Error (MSE) of internal perception improves from 986 points (Basic INS/GNSS fusion) to 925 points (internal-fusion), and IMU fault tolerance increases due to IMU redundancy. It can handle faults in up to three IMUs with a negligible decrease in measurement quality from the MSE of 925 points (zero-fault) to 986 points (3-fault).

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kendaraan Otonom, Fusi Data, Multi-Sensor, Navigasi, Posisi; Autonomous Vehicles, Data Fusion, Multi-Sensor, Navigation, Positioning
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	adrian aryaputra firmansyah
Date Deposited:	05 Feb 2024 00:39
Last Modified:	05 Feb 2024 00:39
URI:	http://repository.its.ac.id/id/eprint/105993

Actions (login required)

View Item