Peningkatan Akurasi Adaptive Monte Carlo Localization Menggunakan Convolutional Neural Network

Makalah ini menjelaskan peningkatan akurasi sistem lokalisasi adaptive Monte Carlo localization (AMCL) pada robot menggunakan convolutional neural network (CNN). Sistem lokalisasi pada sebuah robot merupakan proses pengenalan posisi suatu robot dalam lingkungan kerjanya. Sistem ini penting karena memungkinkan robot untuk melakukan navigasi dan pemetaan (mapping) secara efisien dan akurat. Tanpa lokalisasi yang tepat, robot tidak dapat beroperasi dengan efektif dan dapat mengalami masalah, seperti kehilangan arah atau menabrak objek. AMCL merupakan sistem lokalisasi yang populer dan banyak digunakan dalam robot. Metode ini menggunakan perubahan posisi robot dan perubahan pembacaan sensor light detection and ranging (LiDAR) sebagai masukannya. Pembacaan perubahan posisi robot rentan terhadap kesalahan akibat slip maupun deformasi roda. Ketidaktepatan pembacaan perubahan posisi robot menyebabkan prediksi posisi robot oleh AMCL menjadi kurang tepat, sehingga diperlukan sebuah perbaikan. Pada makalah ini, kebaruan yang diangkat adalah memberikan nilai kompensasi dari hasil AMCL, sehingga error-nya menjadi kecil. Nilai kompensasi tersebut didapatkan dari hasil pelatihan CNN, sehingga metode yang diusulkan tersebut dapat disebut AMCL+CNN. Masukan yang diberikan pada CNN adalah perubahan nilai odometry roda dan perubahan pembacaan jarak oleh sensor LiDAR. Keluaran CNN tersebut dibandingkan dengan data target berupa posisi aktual robot dari hasil pengamatan. Pelatihan jaringan dilakukan sebanyak 200 epoch untuk mendapatkan validation loss terkecil. Pengujian dilakukan pada sebuah robot yang telah dilengkapi dengan robot operating system (ROS). Dataset pelatihan dan pengujian yang diujikan berasal dari data rosbag saat robot berjalan di area pengujian. Hasil yang didapatkan algoritma AMCL+CNN memiliki error yang lebih kecil dibandingkan AMCL dan Monte Carlo localization (MCL) reguler pada skenario lurus dan belok. Hasil yang diperoleh juga lebih baik pada metrik error posisi saat dibandingkan dengan beberapa metode pembanding lain.