Pelacakan objek menggunakan deep learning pada Robot Humanoid R-SCUAD berbasis robot operating system

Dandih, Ham (2024) Pelacakan objek menggunakan deep learning pada Robot Humanoid R-SCUAD berbasis robot operating system. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_2000018350_JUDUL__240429062645.pdf Download (4MB)
	Text (BAB I) T1_2000018350_BAB_I__240429062646.pdf Download (1MB)
	Text (BAB II) T1_2000018350_BAB_II__240429062646.pdf Restricted to Registered users only Download (9MB)
	Text (BAB III) T1_2000018350_BAB_III__240429062647.pdf Restricted to Registered users only Download (5MB)
	Text (BAB IV) T1_2000018350_BAB_IV__240429062647.pdf Restricted to Registered users only Download (6MB)
	Text (BAB V) T1_2000018350_BAB_V__240429062647.pdf Restricted to Registered users only Download (769kB)
	Text (Daftar Pustaka) T1_2000018350_DAFTAR_PUSTAKA__240429062647.pdf Download (1MB)

Abstract

Dalam pengembangan robot humanoid untuk bermain sepakbola, pelacakan bola dan posisi
gawang merupakan tantangan utama. Saat ini, robot R-SCUAD menggunakan pendekatan
berbasis warna HSV (Hue Saturation dan Value) untuk melacak bola, yang rentan terhadap
perubahan warna, terutama ketika bola berubah menjadi warna putih. Selain itu, pencahayaan
yang berbeda-beda di lokasi pertandingan juga menyebabkan kesulitan dalam menemukan nilai
warna yang konsisten. Untuk pelacakan posisi gawang, robot R-SCUAD mengandalkan gyro
compassing, namun sering mengalami masalah ketika nilai gyro compassing berubah secara
drastic setelah jatuh dan bangkit Kembali, menyebabkan kesulitan dalam mencetak goal. Dalam
permainan robot sepakbola humanoid juga terdapat berbagai macam penerapan strategi yang
sering digunakan dalam pertandingan salah satunya adalah melakukan pendeteksian robot satu
tim maupun lawan. Pendeteksian robot juga dapat berguna untuk menghindari adanya tabrakan
sesama robot tim dan untuk melakukan pengaturan posisi dari robot keeper ataupun robot
stiker.
Dalam mengatasi kendala tersebut, penggunaan Deep Learning dengan model YOLO (You
Only Look Once) telah diadopsi menggunakan YOLO versi 8. Metode ini melibatkan proses
labeling data, training model menggunakan GPU NVIDIA A100, dan deteksi objek secara realtime
dengan terimplementasikan pada platform ROS (Robot Operating System) dan Jetson Orin NX
sehingga dapat langsung digunakan. Penerapan YOLOv8-seg menghasilkan model dengan
stabilitas yang baik dalam deteksi objek, terutama dalam hal akurasi deteksi. Selain itu, metode
ini memingkinkan pelacakan objek secara efisien, dengan fokus pada bola, gawang, dan robot.
Setelah YOLO terimplemtasikan pada Jetson Orin NX dan ROS hasil pengujian menunjukan
bahwa model YOLOv8 untuk segmentasi semantik menunjukkan stabilitas yang sangat baik
dalam deteksi objek. Model YOLOv8x-seg memiliki nilai FPS yang relatif rendah, berkisar antara
4.5 hingga 5.5, namun memiliki nilai mAP50 yang sangat tinggi, mencapai 0.99464. Selain itu,
nilai Map50-90 sebesar 0.92578 dan nilai Average Loss yang rendah, hanya sebesar 0.19713. Hal
ini menunjukkan bahwa model ini mampu menghasilkan hasil deteksi yang sangat akurat bahkan
dengan data yang sangat terbatas. Sementara itu, model pretrain N memberikan nilai FPS yang
tinggi, berkisar antara 20.0 hingga 23.0. Namun, nilai mAP50 nya sedikit lebih rendah, sekitar
0.99454. Meskipun demikian, model ini memiliki nilai mAP50-90 yang tetap tinggi, yaitu sebesar
0.98646, dan nilai Average Loss sebesar 0.20691. Hal ini menunjukkan bahwa model pre-trained
ini membutuhkan sedikit lebih banyak data untuk mencapai tingkat akurasi yang setara dengan
model YOLOv8x-seg.

Item Type:	Thesis (S1)
Keyword:	deep learning, ROS, YOLOv8-seg, mAP, FPS, jetson orin MX
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T201 Patents. Trademarks T Technology > TS Manufactures
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	dian yunihasti
Date Deposited:	08 May 2024 02:39
Last Modified:	08 May 2024 02:39
URI:	http://eprints.uad.ac.id/id/eprint/62992

Actions (login required)

View Item