Rancang Bangun Sistem Estimasi Jarak Objek Berbasis CNN dengan Data Citra dan Point Cloud untuk Kendaraan Otonom

Syakir, Muhammad Zain Irsyad (2025) Rancang Bangun Sistem Estimasi Jarak Objek Berbasis CNN dengan Data Citra dan Point Cloud untuk Kendaraan Otonom. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022211142-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Kendaraan otonom atau Autonomous vehicle merupakan inovasi teknologi transportasi yang memungkinkan kendaraan berjalan tanpa pengemudi atau self-driving. Salah satu syarat kendaraan dikatakan sebagai kendaraan otonom adalah kemampuan untuk mendeteksi dan menghindari objek di sekitar kendaraan. Penggunaan sensor sangat dibutuhkan untuk mencapai kemampuan tersebut, beberapa di antaranya adalah kamera dan lidar. Kamera dapat digunakan untuk menyediakan informasi visual berwarna dari lingkungan kendaraan, namun dengan hanya menggunakan kamera, jarak objek terhadap kendaraan tidak tersedia. Sedangkan, penggunaan lidar pada kendaraan otonom walaupun dapat menyediakan informasi jarak, penggunaannya dihindari karena dapat menambah biaya produksi. Penelitian ini bertujuan untuk merancang sistem estimasi jarak objek dari citra pada kendaraan otonom. Sistem ini akan dilatih dengan menggunakan data yang dilabeli secara otomatis dari fusion data citra dan point cloud. Pengumpulan data dilakukan dengan menggunakan sistem sensor yang terdiri dari kamera dan tiga lidar yang terpasang pada kendaraan uji. Data berupa citra RGB dan point cloud direkam secara berkala setiap 5 detik selama kendaraan berjalan dengan kecepatan maksimal 35km/jam, menghasilkan 17281 data. Data disimpan dalam format JPEG dan PCD, disertai metadata dan penanda waktu. Selanjutnya, data diproses dan diseleksi untuk dilabeli menggunakan sistem pelabelan dengan mengidentifikasi objek dalam citra, memberikan bounding box serta mencatat jarak objek berdasarkan point cloud, menghasilkan 6848 data berlabel untuk pelatihan dan pengujian model. Proses pelatihan menunjukkan tren penurunan loss baik pada data latih maupun validasi, menandakan bahwa model mampu mempelajari hubungan fitur dari citra terhadap jarak objek. Evaluasi performa model menunjukkan galat RMS sebesar 0,608 meter dan galat relatif sebesar 4,66%. Pengujian langsung menunjukkan bahwa sistem ini dapat melakukan prediksi dengan kecepatan rata-rata sebesar 7,83 FPS. Dari hal tersebut dapat disimpulkan bahwa penelitian ini berhasil mengembangkan sistem estimasi jarak objek berbasis citra dan point cloud untuk kendaraan otonom.
====================================================================================================================================
Autonomous vehicles are transportation technology innovation that allows vehicles to operate without a driver or self-driving. One of the requirements for a vehicle to be classified as an autonomous vehicle is the ability to recognize and avoid objects in its environment. This requires sensors, some of which include cameras and lidars. A camera is used to provide colored visual information from the vehicle's environment; however, the object distance cannot be determined by camera alone. Meanwhile, the use of lidar in autonomous vehicles, although it can provide distance information, lidar has not yet been adopted due to increased production costs. This study aims to design an object distance estimation system from images in autonomous vehicles. This system will be trained using data that is automatically labeled from fusion of image and point cloud data. Data collection was carried out using a sensor system consisting of a camera and three lidars mounted on the test vehicle and at a speed of 35km/hour. Data in the form of RGB images and point clouds were recorded periodically every 5 seconds while the vehicle was running, resulting in 17281 data. The data was stored in JPEG and PCD formats, accompanied by metadata and timestamps. Furthermore, the data was processed and selected for labeling using a labeling system with object identification in the image, providing box boundaries and recording object distances based on the point cloud, resulting in 6848 labeled data for model training and testing. The training process showed a decreasing trend in loss in both training and validation data, indicating that the model was able to learn the relationship between image features and object distances. The model performance evaluation showed an RMS error of 0,608 meters and a relative error of 4,66%. Live prediction testing demonstrated that the system could perform predictions at an average speed of 7.83 FPS. This concludes that this research has successfully developed an object distance estimation system with image and point cloud data.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, estimasi jarak, fusion data citra dan point cloud, kendaraan otonom. autonomous vehicle, CNN, distance estimation, image and point cloud fusion data.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence 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 > 20201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Zain Irsyad Syakir
Date Deposited:	29 Jul 2025 02:38
Last Modified:	29 Jul 2025 02:38
URI:	http://repository.its.ac.id/id/eprint/122517

Actions (login required)

View Item