Pengembangan Sistem Pencarian Benda Rumah Tangga Pada Robot Otonom Berbasis Visi Komputer

Nugraha, Ditya Garda (2024) Pengembangan Sistem Pencarian Benda Rumah Tangga Pada Robot Otonom Berbasis Visi Komputer. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022201212-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Peningkatan teknologi di bidang robotika dan visi computer telah membawa perubahan signifikan dalam pengembangan robot otonom. Salah satu tantangan utama yang dihadapi oleh robot otonom adalah kemampuan untuk melokalisasi, mengidentifikasi, dan menemukan benda-benda rumah tangga dengan cepat dan efisien. Tujuan utama penelitian ini adalah mengembangkan sistem pencarian benda rumah tangga. Sistem yang diusulkan adalah dengan mengintegrasikan perencanaan rute menggunakan algoritma A* (A-Star) untuk menemukan jalur optimal dengan mempertimbangkan pengukuran jarak dari titik awal ke titik tujuan. Ini dilengkapi dengan algoritma Dynamic Window Approach (DWA) Planner untuk mengikuti jalur secara dinamis dan menghindari hambatan. Untuk pengenalan objek secara real-time, digunakan metode YOLOv3 Darknet, yang merupakan metode berbasis jaringan saraf konvolusi. Kinerja sistem dievaluasi melalui pengujian navigasi dan uji deteksi objek di berbagai ruangan, dengan menilai parameter seperti panjang rute, waktu pencarian, error, dan tingkat keberhasilan. Pengujian navigasi menunjukkan rata-rata error sebesar 0,33 meter antara titik tujuan robot dan titik target sebenarnya, dengan deviasi standar sebesar 0,1096 meter. Kinerja deteksi objek dengan YOLOv3 Darknet menunjukkan penurunan akurasi deteksi seiring bertambahnya jarak antara kamera dan target, dengan kecepatan deteksi rata-rata sebesar 5,7 frame per detik (FPS). Objek yang lebih besar dan lebih menonjol memiliki probabilitas deteksi yang lebih baik pada berbagai jarak dibandingkan dengan objek yang lebih kecil atau lebih tipis. Secara keseluruhan, integrasi navigasi robot dan deteksi objek mencapai tingkat keberhasilan rata-rata sebesar 60% untuk menemukan sepuluh benda rumah tangga. Integrasi algoritma A* dan DWA Planner dalam sistem navigasi memberikan performa yang baik dalam mencapai tujuan sambil menghindari hambatan. Namun, efektivitas YOLOv3 Darknet dalam deteksi objek menurun dengan bertambahnya jarak, menunjukkan perlunya optimasi algoritma deteksi untuk kinerja yang lebih baik pada jarak yang lebih jauh.
=====================================================================================================================================
Technological advancements in robotics and computer vision have brought significant changes to the development of autonomous robots. One of the main challenges faced by autonomous robots is the ability to localize, identify, and locate household objects quickly and efficiently. The primary objective of this research is to develop a household object search system. The proposed system integrates route planning using the A* (A-Star) algorithm to find the optimal path by considering distance measurements from the starting point to the destination. It is complemented by the Dynamic Window Approach (DWA) Planner algorithm for dynamic path following and obstacle avoidance. For real-time object recognition, the YOLOv3 Darknet method is used, which is based on convolutional neural network architecture. The system's performance is evaluated through navigation testing and object detection tests in various rooms, assessing parameters such as route length, search time, error, and success rate. Navigation tests show an average error of 0.33 meters between the robot's goal point and the actual target point, with a standard deviation of 0.1096 meters. Object detection performance with YOLOv3 Darknet shows a decrease in detection accuracy as the distance between the camera and the target increases, with an average detection speed of 5.7 frames per second (FPS). Larger and more prominent objects tend to have better detection probabilities at various distances compared to smaller or thinner objects. Overall, the integration of robot navigation and object detection achieved an average success rate of 60% for locating ten household objects. The integration of the A* and DWA Planner algorithms in the navigation system provides good performance in reaching goals while avoiding obstacles. However, the effectiveness of YOLOv3 Darknet in object detection decreases with increasing distance, highlighting the need for algorithm optimization for better performance at greater distances.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	a-star, dwa planner, robot otonom, yolo, autonomous robot
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ211 Robotics. T Technology > TJ Mechanical engineering and machinery > TJ211.4 Robot motion T Technology > TJ Mechanical engineering and machinery > TJ211.415 Mobile robots
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Nugraha Ditya Garda
Date Deposited:	30 Jul 2024 07:26
Last Modified:	30 Jul 2024 07:26
URI:	http://repository.its.ac.id/id/eprint/109836

Actions (login required)

View Item