Deteksi Ruang Kosong Pada Jalan Menggunakan Semantic Segmentation Pada Mobil Otonom

Pratama, Agil Bintang (2022) Deteksi Ruang Kosong Pada Jalan Menggunakan Semantic Segmentation Pada Mobil Otonom. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 07111840000006 - Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (3MB) | Request a copy

Abstract

Perkembangan mobil otonom tentunya tidak terlepas dari masalah navigasi, dimana navigasi untuk menentukan apakah jalan di depanya aman dan bebas dari halangan. Beberapa masalah pada mobil otonom yang diteliti belakangan ini seperti deteksi halangan dan deteksi garis jalan hanya melakukan pendeteksian dan pengenalan objek namun tidak memberikan informasi mengenai jalan yang dapat dilewati. Oleh karena itu, diperlukan deteksi ruang kosong pada jalan yang aman dari halangan agar tidak terjadi tabrakan. Pada umumnya deteksi ruang kosong jalan yang ada masih menggunakan sensor kamera saja, sehingga hasil yang didapat kurang baik. Pada tugas akhir ini, metode Semantic Segmentation dengan menggunakan data fusion antara sensor LiDAR dan kamera diterapkan untuk menghasilkan suatu sistem yang dapat mendeteksi ruang kosong jalan. Algoritma yang digunakan pada sistem ini adalah SNE-RoadSeg. Deteksi ruang kosong yang dihasilkan adalah berupa segmentasi pada jalan untuk memberikan infomasi pengenalan dan klasifikasi jalan di tingkat piksel. Performa sistem kemudian diuji menggunakan dataset jalan yang berasal dari KITTI pada kelima jenis backbone yaitu, ResNet-18, ResNet-34, ResNet-50, ResNet-101, dan ResNet-152. Algoritma sistem dapat menghasilkan skor F1 score terkecil dengan nilai 0.9548 pada ResNet-18 dan skor F1 score terbesar dengan nilai 0.9675 untuk ResNet-101. Skor precision ResNet-152 dengan nilai 0.9686 lebih tinggi 0.0024 dibandingkan dengan ResNet-101. Sistem yang diajukan memiliki rata-rata kecepatan deteksi pada tiap jenis ResNet sekitar 0.343 detik.
================================================================================================
The development of autonomous cars is certainly inseparable from navigation problems, where navigation is to determine whether the road ahead is safe and free from obstacle. Several problems with autonomous cars that have been studied recently, such as obstacle detection and road line detection, only detect and recognize objects but do not provide information about traversable roads. In general, the detection of free spaces still uses the camera sensor, so the results obtained are not clear enough. In this final project, the Semantic Segmentation method using data fusion between the LiDAR sensor and camera is applied to produce a system that can detect road free space. The algorithm used in this system is SNE-RoadSeg. The result of free space detection is segmentation on the road to provide road identification and classification information at the pixel level. The system performance was then tested using a road dataset from KITTI on the five types of ResNet backbones, such as ResNet-18, ResNet-34, ResNet-50, ResNet-101, and ResNet-152. The system algorithm can produce the smallest F1 score with a value of 0.9548 for ResNet-18 and the biggest F1 score with a value of 0.9675 for ResNet-101. The precision score of ResNet-152 with a value of 0.9686 is 0.0024 higher than ResNet-101. The proposed system has an average detection speed of 0.343 seconds for each type of ResNet.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Mobil Otonom, ResNet, Ruang kosong, Semantic Segmentation, SNE-RoadSeg, Autonomous Car, Free space
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7871.674 Detectors. Sensors
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Agil Bintang Pratama
Date Deposited:	24 Jan 2022 17:20
Last Modified:	24 Jan 2022 17:20
URI:	http://repository.its.ac.id/id/eprint/92491

Actions (login required)

View Item