Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dewasa ini banyak industri pekerjaan yang membutuhkan mobile robot atau robot beroda untuk meningkatkan efisiensi. Agar robot mampu berjalan otonom sesuai perintah, robot harus mengetahui terlebih dahulu peta dan posisi pada suatu lingkungan. Oleh karena itu muncul metode Simultaneous Localization and Mapping atau SLAM. SLAM bertujuan membuat peta dan mengetahui posisinya dalam waktu yang bersamaan. Salah satu wadah robot SLAM yang sedang dikembangkan adalah robot RaceCar dengan tujuan pembelajaran, prototipe mobil otonom, dan keperluan industri lainnya. Pada penelitian ini, sistem navigasi berbasis SLAM diimplementasikan pada robot RaceCar berdasarkan referensi kelompok riset HYPHAROS dengan platform Robot Operating System (ROS). Robot menggunakan Odroid-XU4 sebagai pengendali utama, algoritma GMapping dan sensor RPLidar-A1 untuk pemetaan, sensor IMU Gy-85 untuk lokalisasi, algoritma Dijkstra perencanaan jalur, Arduino Uno untuk menggerakkan motor, serta L1 Controller sebagai pengendalian kemudi. Robot akan diuji performanya dengan beberapa tipe pengujian seperti pengujian lingkungan (lingkungan statik dan dinamik), pengujian pemetaan, dan pengujian performa navigasi. Dari eksperimen tersebut, peneliti membuat program akuisisi data robot menggunakan bahasa C++ dengan bantuan ROS. Hasil persen galat performa ketepatan target navigasi dan pengendalian pada navigasi berbasis peta yang didapat adalah 10.4% untuk sumbu x, 34.6% untuk sumbu y. Sedangkan pada navigasi reaktif adalah 46.7% untuk sumbu x, 20% untuk sumbu y. ......Nowadays many job industries need mobile robots or wheeled robots to improve efficiency. In order for the robot to run autonomously as commanded, the robot must first know the map and position in an environment. Therefore, Simultaneous Localization and Mapping or SLAM method appears. SLAM aims to create a map and know its position at the same time. One of SLAM robot type that is being developed is a race car robot for the learning objectives, autonomous car prototypes, and other industrial needs. In this study, SLAM-based navigation system was implemented in robot race car based on reference of HYPHAROS research group with Robot Operating System (ROS) platform. The robot uses Odroid-XU4 as the main controller, GMapping algorithm and RPLidar-A1 sensor for mapping, Gy-85 IMU sensor for localization, DWA algorithm for track planning, Arduino Uno to drive motor, and L1 Controller as steering control. The robot will be tested for performance with several types of test such as environmental test (static and dynamic environments), mapping test, and navigation performance test. From these experiments, researchers created a robot data acquisition program using C++ language with the help of ROS. The result of percent performance error of navigation target accuracy and control on map-based navigation obtained was 10.4% for x axis, 34.6% for y axis. While in reactive navigation is 46.7% for x axis, 20% for y axis.

Abstrak :
Seni tari pada umumnya dilakukan oleh manusia dan diturunkan ke generasi muda sebagai bentuk pelestarian tarian tersebut. Sebagai bentuk lain dari pelestarian seni tari digunakanlah Robot Humanoid. Robot akan akan melakukan pembelajaran gerakan manusia (imitation learning) melalui kemera Microsoft Kinect, yang dapat menangkap gerakan manusia (motion capture). Gerakan tersebut juga dikompensasi untuk penyeimbangan robot dengan metode Zero Moment Point (ZMP). Sistem ini dilakukan dengan framework dari Robot Operating System (ROS) dan berhasil melakukan imitation learning dengan rate 5Hz pada pengiriman data ke joint robot serta waktu sampling sekitar 10Hz. ......The art of dance is generally performed by humans and handed down to the younger generation as a way to preserve the dance. As another form of preservation is used Humanoid Robot. The Robot will be imitation learning of human movement through the Microsoft Kinect camera, which can capture human motion (motion capture). The movement is also compensated for balancing robot with Zero Moment Point (ZMP) method. This system is done with the framework of the Robot Operating System (ROS) and managed to imitation learning with rate 5Hz for sending data and the sampling time 10Hz.

Abstrak :
Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya. ......Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter.

Abstrak :
Mobile robot dalam aplikasinya sering dimanfaatkan dalam membantu kehidupan manusia. Tetapi mobile robot yang bekerja sendiri tidak bisa diandalkan dalam mengerjakan pekerjaan yang lebih kompleks, maka diperlukan robot yang saling berkoordinasi satu sama lain. Dalam koordinasi robot ini diperlukan kendali formasi. Kendali formasi ini dapat direalisasikan dengan beberapa metode, salah satunya adalah dengan leader-follower. Namun sebelumnya, untuk memastikan multi-mobile robot dapat bekerja dengan baik perlu dipastikan setiap mobile robot dapat mengikuti trayektori yang diperintahkan. Untuk itu pertama kali dilakukan pengujian kemampuan mobile robot dalam mengikuti trayektori garis lurus, sinusoidal, dan triangular. Selanjutnya dilakukan perancangan sistem kendali dengan metode leader-follower untuk mempertahankan formasi berdasarkan kecepatan leader dan jarak relatif follower terhadap leader. Sistem lalu diuji dengan simulasi dan perangkat keras menggunakan ROS (Robot Operating System) dan Gazebo. Hasil eksperimen menunjukkan bahwa mobile robot dapat mengikuti skenario trayektori yang diperintahkan dengan kesalahan mutlak rata-rata maksimal adalah ±5.681 cm dan mampu mempertahankan formasi ketika leader mengikuti trayektori yang diinginkan dengan kesalahan mutlak rata-rata jarak antar-mobile robot adalah ±7.327 cm.

---

Mobile robots are often used to help human life. But mobile robots that work alone cannot be relied upon to do more complex work, so robots are needed to coordinate with each other. In coordination this robot requires formation control. This formation control can be realized by several methods, one of which is leader-follower. But beforehand, to ensure multi-mobile robots can work properly it is necessary to ensure that each mobile robot can follow the trajectory that is ordered. For the first, one mobile robot is tested to follow a straight line, sinusoidal, and triangular trajectory. Then the control system with leader-follower method is designed to maintain formation based on leader speed and relative distance of the follower to the leader. The system is then tested with simulations and hardware using ROS (Robot Operating System) and Gazebo. The experimental results show that the mobile robot can follow the desired trajectory with the maximum mean absolute error of ±5.681 cm and is able to maintain the formation as the leader follows the desired trajectory with mean absolute error of ±7.327 cm