Implementasi Algoritma Simultanaous Localization And Mapping Berbasis Computer Vision Untuk Pemetaan Jalur Pada Kendaraan Otonom
Abstrak
Kendaraan otonom merupakan sistem transportasi cerdas yang mampu bergerak tanpa kendali langsung manusia. Salah satu tantangan utama dalam pengembangan kendaaraan ini adalah bagaimana membangun peta lingkungan serta menentukan posisinya secara bersamaan. Untuk menjawab tantangan ini, algoritma Simultaneous Localization and Mapping (SLAM) berbasis visual, khususnya ORB-SLAM2, diimplementasikan pada modul JetRacer AI Kit dengan bantuan kamera monokular IMX 219-160. Metode yang digunakan mencakup studi literatur, perancangan perangkat keras dan lunak, implementasi algoritma, serta pengujian sistem. Algoritma ORB-SLAM2 dijalankan pada sistem Jetson Nano untuk memproses citra dari kamera dan menghasilkan pemetaan 3D serta estimasi lintasan kamera. Pengujian dilakukan dalam dua kondisi pencahayaan (terang dan redup) dengan variasi parameter nFeatures untuk menganalisis performa deteksi fitur, waktu inisialisasi, serta jumlah map points yang dihasilkan. Hasil penelitian menunjukkan bahwa algoritma ORB-SLAM2 mampu untuk membentuk lingkungan secara real – time dengan tingkat akurasi dan efesiensi yang tinggi. Pada kondisi terang, performa optimal tercapai pada nFeatures 700-800 dengan map points tertinggi sebanyak 1734 dan waktu inisialisasi 50 ms. Sedangkan pada kondisi redup, performa terbaik tercapai pada nFeatures 900 dengan 2543 map points dan efesiensi deteksi mencapai 99,89 %.
Kata Kunci : Computer Vision, JetRacer AI Kit, Kendaraan Otonom, ORB Feature Detection, ORB-SLAM2, Visual SLAM
Referensi
M. Aria, “Algoritma Perencanaan Jalur Kendaraan Otonom di Lingkungan Perkotaan dari Sudut Pandang Filosofi Kuhn dan Filosofi Popper,” Telekontran : Jurnal Ilmiah Telekomunikasi, Kendali dan Elektronika Terapan, vol. 7, no. 2, 2020, doi: 10.34010/telekontran.v7i2.2627.
A. A. Fikri and L. Anifah, “Mapping And Localization System Pada Mobile Robot Menggunakan Metode SLAM Berbasis LiDAR,” Journal of Information Engineering and Educational Technology, vol. 5, no. 1, 2021, doi: 10.26740/jieet.v5n1.p27-33.
S. Kusmiawati, E. Setiawan, and E. R. Widasari, “Simulasi Algoritme Hector SLAM untuk Pemetaan 2D pada Quadcopter berbasis ROS,” 2022.
A. Rahman, “Penerapan SLAM Gmapping dengan Robot Operating System Menggunakan Laser Scanner pada Turtlebot,” Jurnal Rekayasa Elektrika, vol. 16, no. 2, 2020, doi: 10.17529/jre.v16i2.16491.
R. Mur-Artal, J. M. M. Montiel, and J. D. Tardos, “ORB-SLAM: A Versatile and Accurate Monocular SLAM System,” IEEE Transactions on Robotics, vol. 31, no. 5, 2015, doi: 10.1109/TRO.2015.2463671.
L. Li, L. Schulze, and K. Kalavadia, “Promising SLAM Methods for Automated Guided Vehicles and Autonomous Mobile Robots,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 2867– 2874. doi: 10.1016/j.procs.2024.02.103.
X. Feng, Y. Jiang, X. Yang, M. Du, and X. Li, “Computer vision algorithms and hardware implementations: A survey,” Integration, vol. 69. Elsevier B.V., pp. 309–320, Nov. 01, 2019. doi: 10.1016/j.vlsi.2019.07.005.
A. Macario Barros, M. Michel, Y. Moline, G. Corre, and F. Carrel, “A Comprehensive Survey of Visual SLAM Algorithms,” Robotics, vol. 11, no. 1. MDPI, Feb. 01, 2022. doi: 10.3390/robotics11010024.
T. Taketomi, H. Uchiyama, and S. Ikeda, “Visual SLAM algorithms: A survey from 2010 to 2016,” IPSJ Transactions on Computer Vision and Applications, vol. 9. Springer, 2017. doi: 10.1186/s41074-017-0027-2.
