Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kecelakaan berkendara menyebabkan sekitar 1.3 juta orang meninggal dan sekitar 20-50 juta orang mengalami cedera non-fatal setiap tahun nya, salah satu factor utama penyebabnya adalah human error. Komunikasi V2X merupakan salah satu teknologi yang dikembangkan dengan harapan dapat mengurangi kecelakaan akibat human error dan juga diharapkan akan dapat diaplikasikan dalam autonomous driving. Akan tetapi antena untuk komunikasi V2X masih perlu banyak perkembangan dan masih belum banyak dipakai di kendaraan yang sudah beredar di pasar, karena itu penelitian ini diharapkan dapat berkontribusi pada bidang ini. Untuk mendapatkan performa sistem yang baik diperlukan antena yang mempunyai kemampuan beamsteering. Pada penelitian ini dibuat antena susun microstrip yang bekerja pada frekuensi 5,9 GHz dan memiliki kemampuan beamsteering yang dapat meningkatkan keandalan dari antena V2X. Berdasarkan hasil yang sudah disimulasikan, antena sudah berhasil bekerja di 5,9 GHz dan memiliki gain yang cukup tinggi di kisaran 8-11 dBi tergantung konfigurasi yang sedang digunakan, simulasi menunjukan kapabilitas beamsteering telah terdapat pada rancangan dan sudah berhasil melakukan pembelokan beam sebanyak 10, 25, dan 40 derajat. ......Road accidents result in approximately 1.3 million fatalities and around 20-50 million non-fatal injuries each year, with human error being a major contributing factor. V2X communication is a technology being developed with the hope of reducing accidents caused by human error and is also expected to be implemented in autonomous driving. However, the development of V2X communication antennas still requires significant advancements, and they are not yet widely used in vehicles currently available in the market. Therefore, this research aims to contribute to this field. To achieve a good system performance, antennas with beamsteering capability are needed. In this study, a microstrip array antenna operating at 5.9 GHz frequency was designed, which possesses beamsteering capability to enhance the reliability of V2X communication. Based on the simulated results, the antenna successfully operated at 5.9 GHz and exhibited a high gain ranging from 8-11 dBi, depending on the configuration used. The simulations demonstrated that the designed antenna has beamsteering capabilities, successfully steering the beam at angles of 10, 25, and 40 degrees.

Abstrak :
Skripsi ini mengatasi tantangan pelatihan agen Deep Reinforcement Learning (DRL) untuk mengemudi otonom dengan mengembangkan filter keselamatan prediktif berbasis model untuk mencapai pelatihan yang aman. Efektivitas pendekatan ini dievaluasi melalui analisis komparatif dari masalah mengemudi otonom yang diselesaikan menggunakan tiga skenario implementasi yang berbeda: pengendali berbasis pembelajaran konvensional, pengendali berbasis pembelajaran dengan filter keselamatan prediktif, dan pengendali prediktif berbasis model. Tujuan utama dari masalah mengemudi optimal dalam penelitian ini adalah meminimalkan waktu putaran pada lintasan tertutup, di mana agen tidak dibatasi oleh lintasan yang telah ditentukan tetapi dibatasi oleh batas lintasan. Oleh karena itu, filter keselamatan prediktif bertujuan untuk mempertahankan posisi agen dalam batas lintasan selama pelatihan, dengan intervensi minimal. Penelitian ini menyediakan desain dan implementasi dari pengendali prediktif berbasis model, pengendali berbasis pembelajaran konvensional, dan pengendali berbasis pembelajaran dengan filter keselamatan prediktif untuk masalah mengemudi optimal. Ditemukan bahwa filter keselamatan secara efektif mengurangi potensi kerusakan perangkat keras akibat tabrakan selama pelatihan dan meningkatkan efisiensi sampel. Dari segi kinerja, pengendali dengan filter keselamatan mencapai waktu putaran yang lebih cepat dibandingkan pengendali prediktif berbasis model, tetapi sedikit lebih lambat dibandingkan pengendali berbasis pembelajaran konvensional, terutama karena pendekatannya yang konservatif terhadap tikungan akibat penggunaan filter keselamatan prediktif berbasis model. ......This thesis addresses the challenge of training Deep Reinforcement Learning (DRL) agents for autonomous driving with an emphasis on optimal performance and safety. The primary objective is to develop a model-based predictive safety filter to achieve safe training. The effectiveness of this approach is evaluated through a comparative analysis of an autonomous driving problem solved using three distinct implementation scenarios: a conventional learning-based controller, a learning-based controller with a predictive safety filter, and a model predictive controller. The core goal of the optimal driving problem in this research is to minimize lap times on a closed-loop track, where the agent is not restricted to predefined trajectories but is constrained by track boundaries. Consequently, the predictive safety filter aims to maintain the agent’s position within track boundaries throughout training, with minimal intervention This research provides implementation of a model predictive controller, a conventional learning-based controller, and a learning-based controller with a predictive safety filter for optimal driving problems. The findings reveal that the safety filter effectively reduces potential hardware damage from crashes during training and increases sample efficiency. Performance-wise, the safety filter-equipped controller achieves faster lap times than the traditional model predictive controller but is marginally slower than the conventional learning-based controller, primarily due to its conservative approach to turns because of using the model-based predictive safety filter.