Deteksi dan Tracking Rintangan Menggunakan Probabilistic Data Association Filter pada Lingkungan Indoor Mobile Robot

Rizqifadhiilah, Muhammad Azriel (2023) Deteksi dan Tracking Rintangan Menggunakan Probabilistic Data Association Filter pada Lingkungan Indoor Mobile Robot. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022221047-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (6MB) | Request a copy

Abstract

Penelitian ini menyoroti pengembangan dan penerapan teknologi robotika canggih pada differential drive mobile robot, sebuah jenis mobil robot yang saat ini menjadi subjek banyak penelitian karena berbagai aplikasinya dalam memfasilitasi kegiatan manusia. Kunci teknologi yang dikaji adalah Simultaneous Localization and Mapping (SLAM), yang merupakan aspek esensial dalam robotika yang memungkinkan robot untuk menginterpretasi dan menavigasi lingkungannya. Metode Euclidean Clustering, yang terbukti efektif dalam menangani data berdimensi tinggi yang dihasilkan oleh sensor LIDAR, juga digunakan dalam penelitian ini. Selanjutnya, penelitian ini mengeksplorasi kombinasi Probabilistic Data Association Filter (PDAF) dan Ensemble Kalman Filter (EnKF) untuk melacak dan memprediksi trajektori penghalang. Hasil penelitian menunjukkan bahwa metode SLAM berhasil dalam mapping lingkungan, sedangkan Euclidean Clustering berhasil mendeteksi dan mengcluster objek seperti lingkaran, persegi, dan dinding dengan menghitung kesalahan menggunakan metrik Mean Absolute Error (MAE) dalam tiga skenario berbeda. Untuk skenario rintangan bergerak, MAE lingkaran adalah 0.17, MAE persegi adalah 26.04. Sementara itu, pada skenario rintangan multiobjek, MAE lingkaran adalah 0.19, MAE persegi adalah 38.44. Akhirnya, untuk skenario rintangan hybrid, MAE lingkaran adalah 0.19, MAE persegi adalah 31.10. Modifikasi PDAF dengan EnKF berhasil mengurangi kesalahan dalam pelacakan, dengan rata-rata Root Mean Square Relative Error (RMRSE) 0.03 untuk skenario rintangan bergerak, 0.04 untuk skenario multi objek bergerak, dan 0.04 untuk skenario rintangan hybrid. Hasil ini menunjukkan potensi signifikan teknologi ini dalam mengembangkan robotika diferensial drive yang lebih efisien dan efektif.
===================================================================================================================================
This research emphasizes the development and application of advanced robotics technology in differential drive mobile robots, a type of robotic vehicle currently undergoing extensive investigation due to its diverse applications in facilitating human activities. The central technology under examination is Simultaneous Localization and Mapping (SLAM), an essential aspect in robotics that allows robots to interpret and navigate their surroundings. The Euclidean Clustering method, proven effective in managing high dimensional data produced by LIDAR sensors, is also utilized in this study. Furthermore, this research explores the combination of the Probabilistic Data Association Filter (PDAF) and Ensemble Kalman Filter (EnKF) for tracking and predicting the trajectory of obstacles. The research outcomes indicate that the SLAM method successfully maps the environment, whereas Euclidean Clustering succeeds in detecting and Clustering objects such as circles, squares, and walls by calculating errors using Mean Absolute Error (MAE) metrics across three different scenarios. For the moving obstacle scenario, the MAE of the circle is 0.17, the square is 26.04. Meanwhile, in the multi-object obstacle scenario, the MAE of the circle is 0.19, the square is 38.44. Finally, for the hybrid obstacle scenario, the MAE of the circle is 0.19, the square is 31.10. The modification of the PDAF with EnKF successfully reduced tracking errors, with an average Root Mean Square Relative Error (RMRSE) of 0.03 for the moving obstacle scenario, 0.04 for the multi-object moving scenario, and 0.04 for the hybrid obstacle scenario. These results demonstrate the significant potential of these technologies in developing more efficient and effective differential drive robotics.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Differential drive mobile robot, SLAM, Euclidean Clustering, PDAF, Deteksi objek, EnKF, Differential drive Mobile robot, SLAM, Euclidean Clustering, PDAF,Obstacle detection, EnKF.
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis Q Science > QA Mathematics > QA402.3 Kalman filtering. T Technology > TJ Mechanical engineering and machinery > TJ211.415 Mobile robots T Technology > TJ Mechanical engineering and machinery > TJ217 Adaptive control systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Muhammad Azriel Rizqifadhiilah
Date Deposited:	21 Jul 2023 02:23
Last Modified:	11 Sep 2023 05:22
URI:	http://repository.its.ac.id/id/eprint/98759

Actions (login required)

View Item