Pengembangan Event Triggered Algorithm Dengan Reinforcement Learning Dalam Sistem Manuver Mendahului Mobil Otonom

Hutauruk, Jonathan Parulian Tua (2026) Pengembangan Event Triggered Algorithm Dengan Reinforcement Learning Dalam Sistem Manuver Mendahului Mobil Otonom. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022211180-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Perkembangan mobil otonom mengutamakan konsep keamanan dan kecepatan kendaraan yang membutuhkan suatu sistem supaya aksi mendahului bisa dilakukan. Salah satunya adalah sistem pengambilan keputusan yang berperan sebagai algoritma dari mobil otonom untuk menentukan aksi mendahului yang nantinya akan diaktualisasi oleh aksi kontrol. Tugas akhir ini akan menggunakan metode Event Triggered Algorithm (ETA) sebagai model sistem untuk menentukan aksi overtaking atau mendahului dengan penambahan Reinforcement Learning (RL) supaya bekerja secara dinamis dan sesuai dengan rintangan yang ada di jalan. RL yang digunakan, yakni Deep Q – Network (DQN), dibandingkan dengan Deep Deterministic Policy Gradient (DDPG) melalui berbagai skenario dan iterasi. Hasil simulasi menunjukkan algoritma ETA – RL memiliki keunggulan dibandingkan DDPG dengan lebih cepat dalam proses training data dengan hasil terbaik untuk skenario sederhana didapatkan pada iterasi 1500 baik nilai overtaking rate sebesar 90% maupun waktu mendahului 1,33 sekon pada skenario satu kendaraan depan. Di sisi lain, DDPG membutuhkan iterasi yang lebih besar dengan bukti hasil terbaik selalu berada di iterasi 2000 untuk skenario yang lebih kompleks dengan nilai overtaking rate sebesar 40% pada skenario satu kendaraan depan dan waktu mendahului 1,25 sekon untuk skenario dua jalur. Hal ini disebabkan oleh kemampuan algoritma DDPG yang lambat sehingga membutuhkan iterasi besar untuk mendapatkan hasil yang terbaik. Selain itu, hasil dari skenario yang lebih kompleks, seperti skenario tiga lajur dan dua jalur, baik dalam algoritma ETA – RL dan DDPG mengalami penurunan dalam overtaking rate yang disebabkan oleh algoritma mulai mempertimbangkan apakah kondisi aman saat mendahului. Hasil jerk ego juga menunjukkan kelayakan nilai overtaking rate dan waktu mendahului untuk semua skenario kecuali skenario tiga lajur.
=======================================================================================================================================
The development of autonomous cars prioritizes the concept of vehicle safety and speed, a system is needed so that this action can be carried out. One of these systems is a decision-making system that acts as an algorithm for autonomous cars to determine overtaking actions which will later be actualized by control actions. This final project will use the Event Triggered Algorithm (ETA) method as a system model to determine overtaking actions with the addition of Reinforcement Learning (RL) so that it works dynamically and in accordance with obstacles on the road. The RL used, namely Deep Q - Network (DQN), is compared with Deep Deterministic Policy Gradient (DDPG) through various scenarios and iterations. The simulation results show that the ETA – RL algorithm has an advantage over DDPG by being faster in the data training process with the best results for simple scenarios obtained at 1500 iterations both the overtaking rate value of 90% and the overtaking time of 1.33 seconds in the one-vehicle-in-front scenario. Meanwhile, DDPG requires larger iterations with evidence that the best results are always at 2000 iterations for more complex scenarios with an overtaking rate value of 40% in the one-vehicle-in-front scenario and an overtaking time of 1.25 seconds for the two-lane scenario. This is due to the slow capability of the DDPG algorithm so that it requires large iterations to get the best results. In addition, the results of more complex scenarios, such as three-lane and two-lane scenarios, both in the ETA – RL and DDPG algorithms experience a decrease caused by the algorithm starting to consider whether conditions are safe when overtaking. The jerk ego results also show the feasibility of overtaking rate and overtaking time values for all scenarios except the three-lane scenario.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Event Triggered Algorithm, Reinforcement Learning, Pengambilan Keputusan, Overtaking, Event Triggered Algorithm, Reinforcement Learning, Decision Making, Overtaking
Subjects:	T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Jonathan Parulian Tua Hutauruk
Date Deposited:	27 Jul 2026 06:28
Last Modified:	27 Jul 2026 06:28
URI:	http://repository.its.ac.id/id/eprint/138128

Actions (login required)

View Item