Hasil Pencarian  ::  Simpan CSV :: Kembali

"Adanya kegiatan pengembangan Molina yang diselenggarakan FTUI mendorong penelitian terkait otomotif termasuk fitur autonomous, sebagai salah satu langkah untuk mencapai target fully autonomous yang merupakan level 6 berdasarkan skala kendaraan otonomus diperlukan beragam fungsi yang diharuskan valid terlebih dahulu untuk bisa lanjut ke level berikutnya. Salah satu fungsi tersebut adalah Obstacle Avoidance. Penelitian terkait deteksi objek sendiri bisa dijadikan pijakan awal untuk menghasilkan fungsi obstacle avoidence. Dimana penelitian yang terdahulu telah menghasilkan presisi yang cukup baik 63.6% dengan waktu komputasi 119.1 ms/framenya pada kondisi yang ideal.Untuk memvalidasi sistem tersebut dilakukan pengujian ulang pada beberapa dataset untuk menemukan kelemahan dan mengatasinya. Pada penelitian ini didapati 2 pendekatan yang bisa dilakukan untuk pengangannya yaitu optimasi tanpa mengubah model(teknik post processing) dan optimasi dengan mengubah model lewat variasi paramater pelatihan, augmentasi dataset ataupun variasi pemilihan model(teknik Training).Percobaan model baru juga dilaksanakan untuk memastikan model terbaiklah yang dipilih pada teknik Training. Mengingat sistem ditujukan untuk sistem embedded yang terbatas komputasinya, maka aspek kecepatan tetap menjadi prioritas dan dasar utama diterima atau ditolaknya model. Untuk mempermudah perbandingan, model yang dipilih berasal dari library tensorflow object detection model zoo baik versi TF1 dan TF2nya. Dimana model dari kedua sumber ini telah dilengkapi informasi benchmark mAP (presisi) dan speed (ms) dalam GPU maupun CPU yang bisa dijadikan kriteria seleksi awal sebelum mencoba model pada sistem yang dimiliki. Alasan lainnya karena alur pipeline yang jelas sampai tahap produksi ke sistem embedded. Model CNN merupakan black box jadi cara terbaik untuk mengevaluasinya dengan mengujinya pada dataset. Dimana untuk mendapatkan hasil evaluasi secara kuantitatif diperlukan alat ukur berupa evaluator yang handal. Sementara untuk memastikan hasil teknik Training yang terbaik adalah pemenang yang paling handal, evaluasi dilakukan pada 8 data uji video yang dilakukan secara offline dengan input semua framenya dan output komparasi berupa jumlah True positivenya(TP). Dimana model dengan jumlah deteksi(TP) terbanyaklah pemenangnya. Dalam merealisasikan sistem evaluasi diperlukan validitas TP bukanlah objek palsu/ False Positive(FP), maka diperlukan mekanisme yang mampu memfilter False Positive(FP) yang pada penelitian ini mekanisme tersebut juga berperan sebagai pendeteksi kegagalan sistem dengan menggabungkan konsep tracking pada SORT, karakteristik temporal video, dan pembobotan.

---

The existence of Molina development activities organized by FTUI encourages research related to automotive including autonomous features, as one of the steps to achieve the fully autonomous target which is level 6 based on the scale of autonomous vehicles, various functions are required to be valid to proceed to the next level. One such function is Obstacle Avoidance. Research related to object detection itself can be used as a starting point for generating obstacle avoidance functions. Where previous research has produced a fairly good precision of 63.6% with a computation time of 119.1 ms/frame under ideal conditions.

To validate the system, retesting was carried out on several datasets to find weaknesses and overcome them. In this study, it was found that two approaches can be used to handle them, namely optimization without changing the model (post-processing technique) and optimization by changing the model through variations in training parameters, dataset augmentation, or variations in model selection (Training technique). the best is chosen in the training technique. Considering that the system is intended for embedded systems with limited computing, the speed aspect remains a priority and the main basis for accepting or rejecting the model. To facilitate comparison, the selected model comes from the TensorFlow object detection model zoo library in both the TF1 and TF2 versions. Where the models from these two sources have been equipped with mAP (precision) and speed (ms) benchmark information on the GPU and CPU which can be used as initial selection criteria before trying the model on our system. Another reason because of the clear pipeline to the production stage into embedded system. The CNN model is a black box so the best way to evaluate it is by testing it on a dataset. Where to get the results of a quantitative evaluation required a measuring instrument in the form of a reliable evaluator. Meanwhile, to ensure that the best training technique results are the global winners, evaluations are carried out on 8 video test data that were carried out offline with all frames as input and comparative output in the form of the number of true positives (TP). Where the model with the highest number of detections TP wins. For realizing the evaluation system, the validity of the TP must not be a fake object / False Positive (FP), so a mechanism is needed that can filter False Positive (FP) which in this study also acts as a system fault detection by combining the tracking concept on SORT, video temporal characteristics, and weighting."

"This book covers the start-of-the-art research and development for the emerging area of autonomous and intelligent systems. In particular, the authors emphasize design and validation methodologies to address the grand challenges related to safety. This book offers a holistic view of a broad range of technical aspects (including perception, localization and navigation, motion control, etc.) and application domains (including automobile, aerospace, etc.), presents major challenges and discusses possible solutions. - Provides a single-source guide to the practical challenges in designing autonomous and intelligent systems;- Discusses the major challenges related to safety of next-generation autonomous and intelligent systems, given growing complexity and new applications;- Describes new design and validation methodologies to address safety issues;- Includes technical background to facilitate further research and development."

"Dengan perkembangan zaman masa kini, penggunaan Automated Vehicles (AV) akan menjadi hal yang umum di publik. Namun, dalam sistem pengukuran performa lalu lintas sekarang seperti travel time reliability, sistem pengukuran sekarang tidak mancakupi penggunaan kendaraan Automated Vehicles (AV). Sehingga dalam studi ini dilakukan studi literatur untuk mencari pengaruh-pengaruh dari penggunaan Automated Vehicles (AV) terhadap penggunaan sistem pengukuran performa lalu lintas yang saat ini masih digunakan. Selain itu, studi ini juga mencari tahu hal apa saja yang perlu dibenahi agar sistem pengukuran performa lalu lintas saat ini bisa mencakupi penggunaan Automated Vehicles (AV). Dalam literatur studi ini ditemukan bahwa penggunaan kendaraan berautomasi dapat memperbaiki hasil dari sistem pengukuran performa lalu lintas khususnya dalam pengukuran travel time reliability. Namun, di sisi lain, ada beberapa isu yang perlu diperhatikan jika kendaraan AV di dalam jaringan jalan yang ada. Dan dalam temuan-temuan di dalam studi ini, ditemukan bahwa bisa saja sistem pengukuran performa lalu lintas di masa mendatang tidak sepenting sekarang. Hal ini bisa terjadi karena dengan teknologi automasi beserta teknologi pendukung penggunaan automasi, performa lalu lintas dapat dikelola secara langsung. Namun, kemungkinan ini hanya bisa terjadi jika infrastruktur digital sudah bisa mendukung penuh penggunaan Automated Vehicles (AV).

---

With the current trends, Automated Vehicles (AV) will be commonly used in public. However, the current traffic performance measurement practice including travel time reliability, it does not include the application of AV vehicles. Hence, it is needed to be find out what impacts that AV vehicles can bring to the current performance measurement practice. And it is also needed to be find out regarding what are the things that current performance measurement needed to be improved in the current practice. It is found out that AV can enhance the results of traffic performance measurement especially the travel time reliability measures. However, there are issues that needs to be taken care of while implementing AV vehicles on the road networks. And based on these findings, it is possible that in the near future, traffic performance measurement may not be needed since with automation technology along with its supporting technology of automation, travel time reliability can be directly managed by transport agency. However, this possibility can only be achieved when the digital infrastructures are able to fully support the application of AV vehicles."

"Kendaraan berat seperti truk dan bus menggunakan jenis rem udara untuk mengurangi kecepatan sebagai bagian penting untuk keselamatan. Udara dialirkan ke silinder yang berfungsi sebagai penggerak untuk mendorong poros rem saat terjadi pengereman. Dorongan tersebut berakibat mengembangnya memperluas sepatu rem (brake-shoe) di dalam drum rem (drum-brake) untuk menciptakan aksi pengereman. Namun, kendaraan Listrik (EV) memiliki prioritas utama untuk menghemat energi yang tersimpan dalam baterai. Sistem pengereman memiliki karakteristik waktu reaksi yang terdiri dari reaksi sistem rem dan reaksi pengemudi. Reaksi sistem rem untuk kendaraan besar terutama yang menggunakan pneumatik tergolong lambat sementara reaksi pengemudi, selama dioperasikan oleh manusia akan selalu memiliki waktu yang tetap. Karenanya penelitian ini bertujuan untuk meningkatkan kinerja sistem pengereman terutama Bis listrik secara optimal. Strategi yang dilakukan adalah dengan membuat penyederhanaan sistem menjadi lebih ringkas, lebih ringan, menerapkan kendali yang tepat, menyematkan teknologi cerdas untuk melihat potensi penerapan sistem baru di masa mendatang. Karakteristik sistem pengereman udara (konvensional) dan sistem elektrik yang berbeda memerlukan manipulasi kendali dengan Pulse Width Modulation (PWM) untuk membuat pengereman sesuai standard. Hasilnya mengurangi waktu reaksi sistem rem yang disebabkan oleh hambatan transmisi sistem udara sampai 30%. Penelitian ini menambahkan metode cerdas yang disebut kontrol fuzzy untuk mendapatkan karakteristik sistem baru yang lebih halus dari sisi dinamiknya dibandingkan dengan sistem konvensional. Selanjutnya, metode smart menggunakan kecerdasan buatan (AI) Convolutional Neural Network (CNN) disematkan dengan memanfaatkan sebuah kamera stereo untuk membantu deteksi obyek didepan pengemudi dan memberikan respon yang lebih cepat dalam sinyal pengereman. Penerapan metode tersebut dapat mengurangi waktu reaksi pengemudi saat pengereman sampai dengan 80%. Sebagai tambahan, sistem ini mengurangi tahapan dalam proses pengereman konvensional yang berakibat pada pengurangan berat sistem hingga 90% dari sebelumnya serta penurunan konsumsi energi listriknya mencapai 40%.

---

Heavy vehicles such as trucks and buses use this type of air brake to reduce speed as an important part of safety. Air is flowed to the cylinder which functions as a driving force to push the brake shaft during braking. This impulse results in expanding the brake-shoe in the drum-brake to create the braking action. However, Electric vehicles (EV) have top priority to save energy stored in batteries. The braking system has a characteristic reaction time consisting of the brake system reaction and the driver's reaction. The reaction of the brake system for large vehicles, especially those using pneumatics, is relatively slow, while the reaction of the driver, as long as it is operated by humans, will always have a fixed time. Therefore, this study aims to improve the performance of the braking system, especially electric buses, optimally. The strategy taken is to make system simplification more concise, lighter, apply precise control, embed smart technology to see the potential for implementing new systems in the future. The different characteristics of the air braking system (conventional) and the electrical system require manipulation of the control with Pulse Width Modulation (PWM) to make braking system fit to the standard. The result is to reduce brake system reaction time caused by air system transmission resistance by up to 30%. This research adds an intelligent method called fuzzy control to obtain the characteristics of the new system which is smoother in terms of dynamics compared to conventional systems. Furthermore, the smart method using artificial intelligence (AI) Convolutional Neural Network (CNN) is embedded by utilizing a stereo camera to help detect objects in front of the driver and provide faster response in braking signals. The application of this method can reduce the driver's reaction time during braking by up to 80%. In addition, this system reduces the steps in the conventional braking process which results in a reduction in system weight by up to 90% from the previous one and a reduction in electrical energy consumption by up to 40%."

"This book provides cutting-edge insights into autonomous vehicles and road terrain classification, and introduces a more rational and practical method for identifying road terrain. It presents the MRF algorithm, which combines the various sensors classification results to improve the forward LRF for predicting upcoming road terrain types. The comparison between the predicting LRF and its corresponding MRF show that the MRF multiple-sensor fusion method is extremely robust and effective in terms of classifying road terrain. The book also demonstrates numerous applications of road terrain classification for various environments and types of autonomous vehicle, and includes abundant illustrations and models to make the comparison tables and figures more accessible. "

"ABSTRAKTingkat polusi udara di Indonesia dinilai cukup tinggi. Tingginya tingkat poiusi udara ini diakibatkan oleh polutan yang dihasilkan dari aktivitas yang dilakukan manusia. Sebagian besar adalah aktivitas pembakaran.Kendaraan bermotor merupakan penyumbang polusi udara terbesar. Hal ini disebabkan oleh pembakaran yang kurang sempurna dari mesin kendaraan bermotor dan penyetelan mekanisme pembakaran yang salah. Dalam mengurangi polusi udara akibat emisi gas buang kendaraan bermotor, maka cara yang paling efektif dan ekonomis adalah dengan menggunakan peralatan yang dapat menurunkan kadar emisi gas buang kendaraan bermotor. Peralatan yang sering dipakai adalah Catalytic Converter {Katalis pengkonversi). Penelitian ini dilakukan untuk mengetahui pengaruh penggunaan peralatan tambahan Catalytic Converter, dengan desain bentuk laluan yang optimum, terhadap keefektifan peralatan tambahan Catalytic Converter terhadap efisiensi konversi emisi gas buang. Untuk mendapatkan desain bentuk laluan yang optimum, maka penulis melakukan proses desain dengan bantuan CFD. Adapun tujuan dari pemakaian CFD ini adalah untuk menghemat biaya penelitian dalam membuat model bentuk laluan. Pengujian efisiensi konversi catalytic converter dilakukan pada mesin Otto, di laboratorium Pembakaran dan Energi Jurusan Mesin FTUI. Dari pengujian tersebut didapat efisiensi konversi yang baik dari catalytic converter, dengan bentuk laluan yang didesain optimum, dalam mengkonversi emisi gas buang kendaraan bermotor."

"Kemajuan teknologi yang pesat di bidang teknologi informasi melahirkan produk-produk baru yang makin memanjakan pengguna, seperti teleconference, professional image communications, voice mail, dan sebagainya. Teknologi ATM sebagai teknologi pengguna yang dipakai dalam lntegrated Broadband Commmication Network (ISDN) terus dikembangkan untuk meningkatkan fasilitas layanan. Satu hal yang pasti akan terjadi adalah terjadinya kongesti pada jaringan ATM sehingga untuk mengoptimalkan hasil yang didapat, pengaturan kongesti adalah suatu yang sangat. Tidak adanya standarisasi tentang skema mana yang harus digunakan memungkinkan adanya pemakaian beberapa skema kontrol pada suatu jaringan ATM beberapa skema tersebut dapat saling bekerjasama dan saling menunjang atau sebaliknya saling meniadakan fungsinya masing-masing.Hasil simulasi mengenai interoperabilitas skema kontrol kongesti rate-based EPRCA dan ERICA pada layanan ABR menunjukkan bahwa dalam waktu simulasi antara 0 sampai 100 msec dengan menggunakan NIST simulator, kedua skema ini dapat saling menunjang dan bekerjasama dengan formasi terbaik EPRCA-ERICA-ERICA. Fairness index yang merupakan konstanta keadilan jaringan didapat F1 terbesar = 0, 999977 dan F1 terkecil = 0, 9984796. Didapatkan pula nilai jaringan terkecil adalah 84,545 % dan terbesarnya = 91,537 %. Antara sel maksimal nada switching menandakan besarnya yang dibutuhkan agar tidak terjadi sel yang hilang (cell loss)."

"Autonomous Underwater Vehicle (AUV) adalah kapal selam tanpa awak yang beroperasi di bawah permukaan air dengan ukuran mini. AUV sangat penting kegunaannya terutama di negara Indonesia yang merupakan negara kepulauan. Selain untuk kepentingan militer juga dibutuhkan untuk keperluan sipil. Untuk itu, pengembangan teknologi AUV sangat diperlukan dan bernilai strategis. Salah satu yang harus dikembangkan adalah teknologi kendali dinamik AUV. Pada tesis ini telah didesain model kendali AUV dengan pengendali Linear Quadratic Regulator (LQR), Proporsional Integral Derivatif (PID) dan Fractional Order PID (FOPID). Langkah pertama yang dilakukan adalah menurunkan model matematika AUV menjadi dua model yaitu depth model dan steering model. Langkah selanjutnya merancang pengendali stabilisasi sistem dengan metode pole placement dikarenakan model AUV tidak stabil. Kemudian mendesain model kendali LQR, PID dan FOPID. Untuk melakukan evaluasi perancangan ketiga pengendali tersebut dilakukan simulasi menggunakan MATLAB. Hasil dari simulasi ketiga pengendali telah berhasil didesain untuk mengendalikan stabilitas dan performansi keluaran model dengan baik. Pada depth model dapat dilihat dari steady state error-nya, dimana pengendali LQR sebesar 0.000067, pengendali PID sebesar 0.0039 dan FOPID sebesar 0.0079. Sedangkan pada steering model steady state error pengendali LQR sebesar 0.0011, pengendali PID sebesar 0.0019 dan FOPID sebesar 0.0085. Jika dibandingkan dari ketiga pengendali tersebut, pengendali LQR yang memberikan stabilitas dan performansi paling baik dalam menstabilkan sistem.

---

Autonomous Underwater Vehicle (AUV) is an unmanned submarine with a mini size which is very important, especially in Indonesia as an archipelagic country. Apart from military aims, it is also needed for civilian purposes. For this reason, the development of AUV technology is necessary and has a strategic value. One that should be developed is an AUV dynamic control technology. In this paper, an AUV control model has been designed with linear quadratic regulator (LQR), proportional integral derivative (PID), and Fractional Order PID (FOPID) controllers. The first step is to reduce the AUV mathematical model into two models, the depth model and the steering model. The next step is to design a system stabilization controller using the pole placement method because the AUV model is not stable. And then design the LQR, PID and FOPID control models. To evaluate the design of the three controllers a simulation has been done using MATLAB. The three controllers have been designed and the results are in accordance with the desired specifications. In the depth model, the steady state error for the LQR controller is 0.000067, the PID controller is 0.0039 and the FOPID is 0.0079. While in the steering model steady state error LQR controller is 0.0011, PID controller is 0.0019 and FOPID is 0.0085. LQR controller provides the best stability and performance in stabilizing the system compared to PID and FOPID."