Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Pengaruh Konfigurasi Sensor dan Metode Reinforcement Learning Terhadap Jarak Tempuh Simulasi Kendaraan Autonomous Roda Empat
Rizal Abdurrahman Firdaus (2018) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Mobil otonom merupakan kendaraan yang dapat bermanuver sendiri tanpa kendali manusia. Umumnya kendaraan ini terdiri dari 5 komponen penting, diantaranya perception dan planning. Pada komponen perception mobil otonom, konfigurasi sensor yang meliputi jumlah dan posisi akan memengaruhi keputusan manuver yang diambil oleh mobil. Dalam pencarian optimal policy markov decision process pada komponen planning dapat menggunakan Q-Learning dan Artificial Neural Network (ANN) sebagai metode learning. Penelitian ini dilakukan untuk mengamati kinerja mobil otonom dari segi jarak yang ditempuh, dengan menerapkan konfigurasi sensor dan metode learning pada mobil. Pada penelitian ini dikembangkan aplikasi simulasi kendaraan autonomous roda empat yang dapat mensimulasikan agen mobil menerapkan konfigurasi sensor dan metode learning. Berdasarkan hasil eksperimen diperoleh agen yang menerapkan metode Q-Learning memiliki rata-rata jarak tempuh sebesar 125,6591 m, dimana jarak ini lebih jauh dari hasil eksperimen yang menggunakan metode ANN, yakni sebesar 33,9582 m. Rata-rata jarak tempuh yang paling jauh adalah 184,975049 m yang diperoleh dari agen dengan posisi sensor pada bagian depan samping kanan dan kiri. Kata Kunci: Mobil Otonom, Konfigurasi Sensor, Reinforcement Learning, Learning, Q-Learning, Artificial Neural Network, ANN, Markov Decision Process.
Ringkasan Alternatif
Autonomous car is a vehicle that can maneuver itself without human conduction. Generally, the vehicle consists of 5 important components including perception and planning. In perception component, sensor configuration including the number and position affect the maneuvering decision taken by the car. In search of the optimal policy markov decision process on component planning can use Q-Learning and Artificial Neural Network (ANN) as a method of learning. This research conducts to observe the performance of autonomous cars in terms of distance traveled by applying sensor configurations and learning methods. In this study, there is a development of four-wheel autonomous vehicle simulation application that can simulate car agents that apply sensor configurations and learning methods. Based on the experimental results, the agent applies Q-Learning method, has an average distance 125.65191 m, where this distance is further than the experimental results using the Artificial Neural Network method, which is 33.99582 m. The average distance traveled furthest is 184.975049 m, obtained from agent that applies the sensor configuration on the front of the right and left side. Keywords: Autonomous Car, Sensor Configuration, Reinforcement Learning, Learning, Q-Learning, Artificial Neural Network, ANN, Markov Decision Process.