Rancang Bangun Sistem Dynamic Trajectory Planning Pada Autonomous Vehicle Berbasis Theta* Dan Timed Elastic Band Algorithm Menggunakan Robot Operating System (Ros)

Rahman, Norris Dwi (2024) Rancang Bangun Sistem Dynamic Trajectory Planning Pada Autonomous Vehicle Berbasis Theta* Dan Timed Elastic Band Algorithm Menggunakan Robot Operating System (Ros). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5009201138-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Kemajuan teknologi dalam kendaraan otonom telah mengubah paradigma transportasi modern. Perencanaan lintasan (path planning) adalah elemen kunci dalam kemampuan kendaraan otonom untuk beroperasi secara mandiri. Dalam penelitian ini, evaluasi dilakukan terhadap dua metode perencanaan lintasan: Theta* sebagai Global Planner dan A* Global Planner. Hasilnya menunjukkan bahwa Theta* memiliki kinerja lebih unggul dalam hal waktu eksekusi yang lebih cepat (rata-rata 319.63 detik), panjang lintasan yang lebih pendek (rata-rata 119.151 meter), dan beban komputasi yang lebih rendah (86.64% vs 87.49%) dibandingkan dengan A*. Penelitian juga menemukan bahwa nilai weight inflation terbaik pada local planner adalah 1.2, menghasilkan waktu eksekusi 315 detik dari start ke goal. Penelitian ini memberikan kontribusi pada pemahaman tentang efisiensi dan parameter penting dalam perencanaan lintasan kendaraan otonom, yang menjadi bagian penting dari transformasi transportasi masa depan.Kemajuan teknologi dalam kendaraan otonom telah mengubah paradigma transportasi modern. Perencanaan lintasan (path planning) adalah elemen kunci dalam kemampuan kendaraan otonom untuk beroperasi secara mandiri. Dalam penelitian ini, evaluasi dilakukan terhadap dua metode perencanaan lintasan: Theta* sebagai Global Planner dan A* Global Planner. Hasilnya menunjukkan bahwa Theta* memiliki kinerja lebih unggul dalam hal waktu eksekusi yang lebih cepat (rata-rata 319.63 detik), panjang lintasan yang lebih pendek (rata-rata 119.151 meter), dan beban komputasi yang lebih rendah (86.64% vs 87.49%) dibandingkan dengan A*. Penelitian juga menemukan bahwa nilai weight inflation terbaik pada local planner adalah 1.2, menghasilkan waktu eksekusi 315 detik dari start ke goal. Penelitian ini memberikan kontribusi pada pemahaman tentang efisiensi dan parameter penting dalam perencanaan lintasan kendaraan otonom, yang menjadi bagian penting dari transformasi transportasi masa depan
====================================================================================================================================
Technological advances in autonomous vehicles have changed the paradigm of modern transportation. Path planning is a key element in the ability of autonomous vehicles to operate autonomously. In this study, two path planning methods were evaluated: Theta* as a Global Planner and A* Global Planner. The results showed that Theta* outperformed A* in terms of faster execution time (average 319.63 seconds), shorter path length (average 119.151 meters), and lower computational burden (86.64% vs 87.49%). The study also found that the best weight inflation value in the local planner was 1.2, resulting in an execution time of 315 seconds from start to goal. This study contributes to the understanding of the efficiency and critical parameters in autonomous vehicle trajectory planning, which is an essential part of the future transportation transformation. Technological advances in autonomous vehicles have changed the paradigm of modern transportation. Path planning is a key element in the ability of autonomous vehicles to operate autonomously. In this study, two trajectory planning methods were evaluated: Theta* as a Global Planner and A* Global Planner. The results show that Theta* has superior performance in terms of faster execution time (average 319.63 seconds), shorter trajectory length (average 119.151 meters), and lower computational burden (86.64% vs 87.49%) compared to A*. The study also found that the best weight inflation value in the local planner is 1.2, resulting in an execution time of 315 seconds from start to goal. This study contributes to the understanding of the efficiency and critical parameters in autonomous vehicle trajectory planning, which is an essential part of the future transportation transformation

Item Type:	Thesis (Other)
Uncontrolled Keywords:	A*, Autonomous Vehicle, Self-driving, Theta*
Subjects:	T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User:	Norris Dwi Rahman
Date Deposited:	01 Aug 2024 04:10
Last Modified:	12 Sep 2024 06:42
URI:	http://repository.its.ac.id/id/eprint/109788

Actions (login required)

View Item