Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book covers the start-of-the-art research and development for the emerging area of autonomous and intelligent systems. In particular, the authors emphasize design and validation methodologies to address the grand challenges related to safety. This book offers a holistic view of a broad range of technical aspects (including perception, localization and navigation, motion control, etc.) and application domains (including automobile, aerospace, etc.), presents major challenges and discusses possible solutions. - Provides a single-source guide to the practical challenges in designing autonomous and intelligent systems;- Discusses the major challenges related to safety of next-generation autonomous and intelligent systems, given growing complexity and new applications;- Describes new design and validation methodologies to address safety issues;- Includes technical background to facilitate further research and development."

"ABSTRACTThe purpose of this journal report is to understand the current development of the Autonomous Vehicle Technology, Drawback that could disadvantageous to the community and what Solutions that can be beneficial to both parties. This project is taking the Brisbane city condition as the parameter. The project started by reviewing the current stage of the autonomous technology that scientist and engineer has achieve. Analyzing the drawback of the technology and current situation of the commuting system around the city will be the next step before assigning the objectives and goals that create a concept idea by implementing the autonomous technology to the transport system, exclusively in Brisbane City.

---

ABSTRAKTujuan dari penulisan jurnal ini adalah untuk mengerti tahap dari pengembangan teknology kendaraan otonom, kekurangan yang dapat merugikan masyarakat dan solusi apa yang dapat dihasilkan dengan menguntungkan kedua belah pihak. Parameter kondisi dari proyek in berlokasi di kota Brisbane. Penulisan dimulai dengan meninjau tahap dari teknologi otonom yang telah berhasil di capai oleh peniliti dan insinyur. Kemudian di lanjut dengan menganalisa kekurangan dari teknologi dan cara masyarakat melakukan komuter mereka di kota. Langkah terakhir menetapkan tujuan dan sasaran dari Analisa yang dilakukan untuk membuat sebuah ide konsep yang dimana menerapkan teknologi otonom ke sistem transport khususnya di kota Brisbane."

"Adanya kegiatan pengembangan Molina yang diselenggarakan FTUI mendorong penelitian terkait otomotif termasuk fitur autonomous, sebagai salah satu langkah untuk mencapai target fully autonomous yang merupakan level 6 berdasarkan skala kendaraan otonomus diperlukan beragam fungsi yang diharuskan valid terlebih dahulu untuk bisa lanjut ke level berikutnya. Salah satu fungsi tersebut adalah Obstacle Avoidance. Penelitian terkait deteksi objek sendiri bisa dijadikan pijakan awal untuk menghasilkan fungsi obstacle avoidence. Dimana penelitian yang terdahulu telah menghasilkan presisi yang cukup baik 63.6% dengan waktu komputasi 119.1 ms/framenya pada kondisi yang ideal.Untuk memvalidasi sistem tersebut dilakukan pengujian ulang pada beberapa dataset untuk menemukan kelemahan dan mengatasinya. Pada penelitian ini didapati 2 pendekatan yang bisa dilakukan untuk pengangannya yaitu optimasi tanpa mengubah model(teknik post processing) dan optimasi dengan mengubah model lewat variasi paramater pelatihan, augmentasi dataset ataupun variasi pemilihan model(teknik Training).Percobaan model baru juga dilaksanakan untuk memastikan model terbaiklah yang dipilih pada teknik Training. Mengingat sistem ditujukan untuk sistem embedded yang terbatas komputasinya, maka aspek kecepatan tetap menjadi prioritas dan dasar utama diterima atau ditolaknya model. Untuk mempermudah perbandingan, model yang dipilih berasal dari library tensorflow object detection model zoo baik versi TF1 dan TF2nya. Dimana model dari kedua sumber ini telah dilengkapi informasi benchmark mAP (presisi) dan speed (ms) dalam GPU maupun CPU yang bisa dijadikan kriteria seleksi awal sebelum mencoba model pada sistem yang dimiliki. Alasan lainnya karena alur pipeline yang jelas sampai tahap produksi ke sistem embedded. Model CNN merupakan black box jadi cara terbaik untuk mengevaluasinya dengan mengujinya pada dataset. Dimana untuk mendapatkan hasil evaluasi secara kuantitatif diperlukan alat ukur berupa evaluator yang handal. Sementara untuk memastikan hasil teknik Training yang terbaik adalah pemenang yang paling handal, evaluasi dilakukan pada 8 data uji video yang dilakukan secara offline dengan input semua framenya dan output komparasi berupa jumlah True positivenya(TP). Dimana model dengan jumlah deteksi(TP) terbanyaklah pemenangnya. Dalam merealisasikan sistem evaluasi diperlukan validitas TP bukanlah objek palsu/ False Positive(FP), maka diperlukan mekanisme yang mampu memfilter False Positive(FP) yang pada penelitian ini mekanisme tersebut juga berperan sebagai pendeteksi kegagalan sistem dengan menggabungkan konsep tracking pada SORT, karakteristik temporal video, dan pembobotan.

---

The existence of Molina development activities organized by FTUI encourages research related to automotive including autonomous features, as one of the steps to achieve the fully autonomous target which is level 6 based on the scale of autonomous vehicles, various functions are required to be valid to proceed to the next level. One such function is Obstacle Avoidance. Research related to object detection itself can be used as a starting point for generating obstacle avoidance functions. Where previous research has produced a fairly good precision of 63.6% with a computation time of 119.1 ms/frame under ideal conditions.

To validate the system, retesting was carried out on several datasets to find weaknesses and overcome them. In this study, it was found that two approaches can be used to handle them, namely optimization without changing the model (post-processing technique) and optimization by changing the model through variations in training parameters, dataset augmentation, or variations in model selection (Training technique). the best is chosen in the training technique. Considering that the system is intended for embedded systems with limited computing, the speed aspect remains a priority and the main basis for accepting or rejecting the model. To facilitate comparison, the selected model comes from the TensorFlow object detection model zoo library in both the TF1 and TF2 versions. Where the models from these two sources have been equipped with mAP (precision) and speed (ms) benchmark information on the GPU and CPU which can be used as initial selection criteria before trying the model on our system. Another reason because of the clear pipeline to the production stage into embedded system. The CNN model is a black box so the best way to evaluate it is by testing it on a dataset. Where to get the results of a quantitative evaluation required a measuring instrument in the form of a reliable evaluator. Meanwhile, to ensure that the best training technique results are the global winners, evaluations are carried out on 8 video test data that were carried out offline with all frames as input and comparative output in the form of the number of true positives (TP). Where the model with the highest number of detections TP wins. For realizing the evaluation system, the validity of the TP must not be a fake object / False Positive (FP), so a mechanism is needed that can filter False Positive (FP) which in this study also acts as a system fault detection by combining the tracking concept on SORT, video temporal characteristics, and weighting."

"Perkembangan teknologi mempengaruhi berbagai bidang usaha untuk menerapkan sistem otomasi. Salah satunya adalah industri transportasi yang marak mengembangkan kendaraan otonom atau Autonomous Vehicle (AV). Seiring dengan perkembangan tersebut, penyelenggaraan AV tentu membutuhkan regulasi yang mendukung. Tulisan ini bertujuan untuk mengetahui pelindungan konsumen terhadap pengguna jasa transportasi AV di Indonesia dan bagaimana pertanggungjawaban pelaku usaha terhadap potensi kerugian yang dialami oleh konsumen ketika menggunakan jasa layanan transportasi AV. Tulisan ini menggunakan metodologi hukum Doktrinal, dengan menelaah suatu norma dan penerapan asas hukum, serta pelaksanaan Undang-Undang Nomor 8 Tahun 1999 tentang Perlindungan Konsumen, Undang-Undang Nomor 23 Tahun 2007 tentang Perkeretaapian, Undang-Undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan, Undang-Undang Nomor 11 Tahun 2008 tentang Informasi dan Transaksi Elektronik sebagaimana terakhir kali diubah dengan Undang-Undang Nomor 1 Tahun 2024, serta peraturan terkait lainnya. Walaupun ketentuan mengenai penyelenggaraan, pelindungan hukum, hingga pertanggungjawaban atas kerugian konsumen sebagai pengguna jasa transportasi AV belum diatur secara khusus dalam perundang-undangan di Indonesia, namun adanya sistem otomasi dalam operasional kendaraan sudah disinggung dalam Peraturan Menteri Perhubungan Nomor 18 Tahun 2023 tentang Sertifikasi Kecakapan Awak Sarana Perkeretaapian dan Peraturan Menteri Perhubungan Nomor 76 Tahun 2021 tentang Sistem Manajemen Transportasi Cerdas di Bidang Lalu Lintas dan Angkutan Jalan.

---

Technological developments have influenced various business fields to implement automation systems. One of them is the transportation industry which is rampant in developing Autonomous Vehicles (AV). Along with these developments, the implementation of AV requires supportive regulations. This paper aims to find out consumer protection for AV transportation service users in Indonesia and how business actors are accountable for potential losses experienced by consumers when using AV transportation services. This paper uses a doctrinal legal methodology, by examining a norm and the application of legal principles, as well as the implementation of Law Number 8 of 1999 concerning Consumer Protection, Law Number 23 of 2007 concerning Railways, Law Number 22 of 2009 concerning Road Traffic and Transportation, Law Number 11 of 2008 concerning Information and Electronic Transactions as last amended by Law Number 1 of 2024, and other related regulations. Although provisions regarding the implementation, legal protection, and liability for consumer losses as users of AV transportation services have not been specifically regulated in legislation in Indonesia, the existence of an automation system in vehicle operations has been mentioned in the Regulation of the Minister of Transportation Number 18 of 2023 concerning Certification of Railway Crew Proficiency and Regulation of the Minister of Transportation Number 76 of 2021 concerning Transportation Management Systems Smart in the Field of Traffic and Road Transportation."

"Kendaraan berat seperti truk dan bus menggunakan jenis rem udara untuk mengurangi kecepatan sebagai bagian penting untuk keselamatan. Udara dialirkan ke silinder yang berfungsi sebagai penggerak untuk mendorong poros rem saat terjadi pengereman. Dorongan tersebut berakibat mengembangnya memperluas sepatu rem (brake-shoe) di dalam drum rem (drum-brake) untuk menciptakan aksi pengereman. Namun, kendaraan Listrik (EV) memiliki prioritas utama untuk menghemat energi yang tersimpan dalam baterai. Sistem pengereman memiliki karakteristik waktu reaksi yang terdiri dari reaksi sistem rem dan reaksi pengemudi. Reaksi sistem rem untuk kendaraan besar terutama yang menggunakan pneumatik tergolong lambat sementara reaksi pengemudi, selama dioperasikan oleh manusia akan selalu memiliki waktu yang tetap. Karenanya penelitian ini bertujuan untuk meningkatkan kinerja sistem pengereman terutama Bis listrik secara optimal. Strategi yang dilakukan adalah dengan membuat penyederhanaan sistem menjadi lebih ringkas, lebih ringan, menerapkan kendali yang tepat, menyematkan teknologi cerdas untuk melihat potensi penerapan sistem baru di masa mendatang. Karakteristik sistem pengereman udara (konvensional) dan sistem elektrik yang berbeda memerlukan manipulasi kendali dengan Pulse Width Modulation (PWM) untuk membuat pengereman sesuai standard. Hasilnya mengurangi waktu reaksi sistem rem yang disebabkan oleh hambatan transmisi sistem udara sampai 30%. Penelitian ini menambahkan metode cerdas yang disebut kontrol fuzzy untuk mendapatkan karakteristik sistem baru yang lebih halus dari sisi dinamiknya dibandingkan dengan sistem konvensional. Selanjutnya, metode smart menggunakan kecerdasan buatan (AI) Convolutional Neural Network (CNN) disematkan dengan memanfaatkan sebuah kamera stereo untuk membantu deteksi obyek didepan pengemudi dan memberikan respon yang lebih cepat dalam sinyal pengereman. Penerapan metode tersebut dapat mengurangi waktu reaksi pengemudi saat pengereman sampai dengan 80%. Sebagai tambahan, sistem ini mengurangi tahapan dalam proses pengereman konvensional yang berakibat pada pengurangan berat sistem hingga 90% dari sebelumnya serta penurunan konsumsi energi listriknya mencapai 40%.

---

Heavy vehicles such as trucks and buses use this type of air brake to reduce speed as an important part of safety. Air is flowed to the cylinder which functions as a driving force to push the brake shaft during braking. This impulse results in expanding the brake-shoe in the drum-brake to create the braking action. However, Electric vehicles (EV) have top priority to save energy stored in batteries. The braking system has a characteristic reaction time consisting of the brake system reaction and the driver's reaction. The reaction of the brake system for large vehicles, especially those using pneumatics, is relatively slow, while the reaction of the driver, as long as it is operated by humans, will always have a fixed time. Therefore, this study aims to improve the performance of the braking system, especially electric buses, optimally. The strategy taken is to make system simplification more concise, lighter, apply precise control, embed smart technology to see the potential for implementing new systems in the future. The different characteristics of the air braking system (conventional) and the electrical system require manipulation of the control with Pulse Width Modulation (PWM) to make braking system fit to the standard. The result is to reduce brake system reaction time caused by air system transmission resistance by up to 30%. This research adds an intelligent method called fuzzy control to obtain the characteristics of the new system which is smoother in terms of dynamics compared to conventional systems. Furthermore, the smart method using artificial intelligence (AI) Convolutional Neural Network (CNN) is embedded by utilizing a stereo camera to help detect objects in front of the driver and provide faster response in braking signals. The application of this method can reduce the driver's reaction time during braking by up to 80%. In addition, this system reduces the steps in the conventional braking process which results in a reduction in system weight by up to 90% from the previous one and a reduction in electrical energy consumption by up to 40%."

"Autonomous Underwater Vehicle (AUV) adalah kapal selam tanpa awak yang beroperasi di bawah permukaan air dengan ukuran mini. AUV sangat penting kegunaannya terutama di negara Indonesia yang merupakan negara kepulauan. Selain untuk kepentingan militer juga dibutuhkan untuk keperluan sipil. Untuk itu, pengembangan teknologi AUV sangat diperlukan dan bernilai strategis. Salah satu yang harus dikembangkan adalah teknologi kendali dinamik AUV. Pada tesis ini telah didesain model kendali AUV dengan pengendali Linear Quadratic Regulator (LQR), Proporsional Integral Derivatif (PID) dan Fractional Order PID (FOPID). Langkah pertama yang dilakukan adalah menurunkan model matematika AUV menjadi dua model yaitu depth model dan steering model. Langkah selanjutnya merancang pengendali stabilisasi sistem dengan metode pole placement dikarenakan model AUV tidak stabil. Kemudian mendesain model kendali LQR, PID dan FOPID. Untuk melakukan evaluasi perancangan ketiga pengendali tersebut dilakukan simulasi menggunakan MATLAB. Hasil dari simulasi ketiga pengendali telah berhasil didesain untuk mengendalikan stabilitas dan performansi keluaran model dengan baik. Pada depth model dapat dilihat dari steady state error-nya, dimana pengendali LQR sebesar 0.000067, pengendali PID sebesar 0.0039 dan FOPID sebesar 0.0079. Sedangkan pada steering model steady state error pengendali LQR sebesar 0.0011, pengendali PID sebesar 0.0019 dan FOPID sebesar 0.0085. Jika dibandingkan dari ketiga pengendali tersebut, pengendali LQR yang memberikan stabilitas dan performansi paling baik dalam menstabilkan sistem.

---

Autonomous Underwater Vehicle (AUV) is an unmanned submarine with a mini size which is very important, especially in Indonesia as an archipelagic country. Apart from military aims, it is also needed for civilian purposes. For this reason, the development of AUV technology is necessary and has a strategic value. One that should be developed is an AUV dynamic control technology. In this paper, an AUV control model has been designed with linear quadratic regulator (LQR), proportional integral derivative (PID), and Fractional Order PID (FOPID) controllers. The first step is to reduce the AUV mathematical model into two models, the depth model and the steering model. The next step is to design a system stabilization controller using the pole placement method because the AUV model is not stable. And then design the LQR, PID and FOPID control models. To evaluate the design of the three controllers a simulation has been done using MATLAB. The three controllers have been designed and the results are in accordance with the desired specifications. In the depth model, the steady state error for the LQR controller is 0.000067, the PID controller is 0.0039 and the FOPID is 0.0079. While in the steering model steady state error LQR controller is 0.0011, PID controller is 0.0019 and FOPID is 0.0085. LQR controller provides the best stability and performance in stabilizing the system compared to PID and FOPID."

"This book provides cutting-edge insights into autonomous vehicles and road terrain classification, and introduces a more rational and practical method for identifying road terrain. It presents the MRF algorithm, which combines the various sensors classification results to improve the forward LRF for predicting upcoming road terrain types. The comparison between the predicting LRF and its corresponding MRF show that the MRF multiple-sensor fusion method is extremely robust and effective in terms of classifying road terrain. The book also demonstrates numerous applications of road terrain classification for various environments and types of autonomous vehicle, and includes abundant illustrations and models to make the comparison tables and figures more accessible. "