SISTEM LOKALISASI DAN NAVIGASI AUTONOMOUS MOBILE

ROBOT

NAMA PENYUSUN :
ACHMAD AKHMAL FIKRI (17050874044)

S1 TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI SURABAYA
2020
 BAB I
PENDAHULUAN

A. Latar Belakang
Pada masa sekarang peranan robot sangan penting bagi manusia dalam berbagai
bidang baik dalam industri, kesahatan, militer, dan lain sebagainya, dengan kemampuang
yang berbeda beda. Mobile robot merupakan salah satu jenis robot dimana mobile robot
adalah adalah konstruksi robot yang ciri khasnya mempunyai aktuator berupa roda untuk
menggerakkan keseluruhan badan robot tersebut, sehingga robot tersebut dapat melakukan
perpindahan posisi dari satu titik ke titik yang lain. Mobile robot ini dapat menggunakan
sistem manual dimana robot bergerak dikendalikan manusia secara langsung atau secara
wireless dan autonomous dimana robot dapat bergerak secara otomatis. Pada sistem
autonomous, mobile robot harus bisa melokalkan atau dapat menentukan estimasi posisi
robot dan bernavigasi secara mandiri dengan bantuan sensor dan beberapa metode.
Pada lokalisasi robot, robot memerlukan informasi peta untuk menentukan estimasi
posisi robot pada peta. Untuk itu robot harus membuat peta global terlebih dahulu dengan
bergerak secara random atau terarah untuk membuat perta global. Dari peta global tersebut
robot memperkirakan posisi robot dengan membandingkan data pembacaan sensor dengan
peta dan setelah itu robot bisa bernavigasi secara otonom dengan bantuan pembacaan
sensor dan perbandingan peta yang didapat dari hasil lokalisasi.
Dalam penelitian ini, peneliti merancang sebuah sistem lokalisasi dan navigasi
autonomous mobile robot dimana robot dapat membuat peta global sebagai acuan robot
dalam lokalisasi dan bernavigasi, menggunakan metode Simultaneous Localization And
Mapping dalam pembuatan peta global awal dan Adaptive Monte Carlo Localization
dalam bernavigasi.
B. Rumusan Masalah
Berdasarkan uraian pada latar belakang masalah, maka penyusun dapat
merumuskan masalah yang dihadapi yaitu,
1. Bagaimana cara membuat peta global untuk lokalisasi robot?
2. Bagaimana cara menentukan lokalisasi robot pada peta global?
3. Bagaimana cara navigasi robot secara otonom?

C. Batasan Masalah
Dalam penelitian ini penyusun membatasi masalah yang akan dihadapi yaitu,
1. Penelitian dilakukan hanya dilakukan pada simulasi menggunakan Gazebo dan RVIZ
dengan platform ROS (Robot Operating System)
2. Ruang yang digunakan pada simulasi adalah ruangan tertutup (indoor)

D. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini yaitu,
 1. Robot dapat membuat peta global untuk lokalisasi robot.
2. Robot dapat menentukan lokalisasi robot pada peta global.
3. Robot dapat bernavigasi secara otonom.

E. Manfaat Penelitian
Hasil dari penelitian ini diharapkan mampu meningkatkan performa mobile robot
otonom dalam lokalisasi dan navigasi secara autonomus.
 BAB II
LANDASAN TEORI

A. Autonomous Robot
Autonomous Robot atau Robot otonom, seperti halnya manusia, juga memiliki
kemampuan untuk membuat keputusan sendiri dan kemudian melakukan tindakan yang
sesuai. Robot yang benar-benar otonom adalah robot yang dapat melihat lingkungannya,
membuat keputusan berdasarkan apa yang dirasakan dan / atau telah diprogram untuk
mengenali dan kemudian menjalankan gerakan atau manipulasi dalam lingkungan itu.
Berkenaan dengan mobilitas, misalnya, tindakan berbasis keputusan ini termasuk tetapi
tidak terbatas pada dasar-dasar berikut: memulai, berhenti, dan bermanuver di sekitar
rintangan yang menghalangi jalan mereka.
Komponen kunci dari tindakan otonom yang disebutkan di atas mencakup tiga
konsep utama ini: persepsi, keputusan, dan aktuasi.
1. Persepsi:
Bagi orang-orang, ini sebagian besar adalah panca indera kita. Mata, telinga,
kulit, rambut, dan banyak mekanisme biologis lainnya digunakan untuk memahami
dunia. Bagi robot, persepsi berarti sensor. Pemindai laser, kamera penglihatan stereo
(mata), sensor benturan (kulit dan rambut), sensor torsi gaya (ketegangan otot), dan
bahkan spektrometer (bau) digunakan sebagai perangkat input untuk robot. Dan baik
dengan manusia maupun robot, kita sekarang dapat memikirkan jenis masukan informasi
lainnya, seperti pasokan data yang tak ada habisnya dari internet; sebenarnya orang
mungkin berpikir tentang internet sebagai lautan sensor yang tak ada habisnya dengan
kabel yang sangat panjang sampai ke robot yang mungkin menggunakannya.
2. Keputusan:
Bagi manusia, otak kitalah yang membuat sebagian besar keputusan; atau dalam
beberapa kasus "usus" kita atau bahkan sistem saraf kita. Otak kita membuat keputusan
tingkat tinggi, tentang kemana kita ingin berjalan misalnya. Tetapi terkadang biologi kita
menggantikan otak kita dan tubuh kita bereaksi terhadap hal-hal bahkan sebelum otak
kita mengetahui apa yang sedang terjadi. Perilaku refleksif tersebut, seperti kelopak mata
menutup lebih cepat daripada serpihan yang beterbangan, bekerja lebih cepat dan tanpa
izin otak kita untuk tujuan menjaga kita tetap aman. Robot otonom memiliki struktur
pengambilan keputusan yang serupa. "Otak" robot biasanya adalah komputer, dan ia
membuat keputusan berdasarkan apa misinya, dan informasi apa yang diterimanya
sepanjang jalan. Namun robot juga memiliki kemampuan yang mirip dengan sistem saraf
pada manusia, di mana sistem keamanannya beroperasi lebih cepat dan tanpa izin otak;
sebenarnya dalam robot, otak beroperasi dengan izin dari sistem keamanan. Dalam robot
otonom, kami menyebut sistem "neurologis" itu sebagai sistem yang tertanam; itu
beroperasi lebih cepat dan dengan otoritas yang lebih tinggi daripada komputer yang
menjalankan rencana misi dan parsing data. Ini adalah bagaimana robot dapat
 memutuskan untuk berhenti jika ia melihat hambatan di jalannya, jika ia mendeteksi
masalah dengan sendirinya, atau jika tombol berhenti daruratnya ditekan.
3. Aktuasi:
Orang memiliki aktuator yang disebut otot. Mereka mengambil segala macam
bentuk dan melakukan berbagai fungsi, mulai dari meraih secangkir kopi hingga
memompa jantung dan darah. Robot juga dapat memiliki semua jenis aktuator, dan
sejenis motor biasanya berada di jantung aktuator. Baik itu roda, aktuator linier, atau ram
hidrolik, selalu ada motor yang mengubah energi menjadi gerakan. Permutasi aktuator
yang tak ada habisnya memberikan kegembiraan dan daya tarik seumur hidup bagi
orang-orang yang membuat dan bekerja dengan mereka.
B. Simultaneous Localization And Mapping (SLAM)
Dalam geometri komputasi dan robotika, simultaneous localization and mapping
atau pelokalan dan pemetaan simultan (SLAM) adalah masalah komputasi dalam
membangun atau memperbarui peta lingkungan yang tidak diketahui sekaligus melacak
lokasi agen di dalamnya. Meskipun ini awalnya tampak seperti masalah ayam-dan-telur,
ada beberapa algoritme yang dikenal untuk menyelesaikannya, setidaknya kira-kira,
dalam waktu yang tepat untuk lingkungan tertentu. Metode solusi perkiraan yang populer
termasuk filter partikel, filter Kalman yang diperluas, persimpangan kovarian, dan
GraphSLAM. Algoritme SLAM digunakan dalam navigasi, pemetaan robotik, dan
odometri untuk realitas virtual atau realitas tertambah.
SLAM jika ditilik dari kalimatnya, adalah sebuah metode yang digunakan untuk
pemetaan dengan menggunakan beberapa perangkat pengindraan secara sekaligus. Akan
tetapi SLAM bukanlah sebuah algoritma yang khusus atau software yang spesifik, akan
tetapi SLAM adalah sebuah konsep menggabungkan beberapa perangkat keras secara
sekaligus untuk pemetaan lingkungan. Hal ini dapat terjadi dengan bantuan berbagai
macam perangkat keras sebagai alat pengindraan yang diolah menggunakan berbagai
algoritma dengan hasil ahkir berupa pemetaan keadaan sekitar.
SLAM banyak digunakan pada pengembangan robot beroda untuk kasus
pembacaan lingkungan dengan kondisi ideal, dimana pembacaan dilakukan pada bidang
yang rata. Robot tersebut dilengkapi dengan berbagai sensor sebagai indra pembaca,
LIDAR atau SONAR sering kali digunakan untuk keperluan tersebut. Jika kita lihat trend
penelitian, beberapa peneliti menggunakan kamera sebagai alat pembaca keadaan sekitar.
Pada teknologi SLAM yang modern, pengolahan menggunakan penggabungan
beberapa titik yang terbaca, dan menghitung titik titik tersebut dengan teknik trianggulasi
untuk menciptakan data 3D secara. Dan secara simultan memperhitungan data dari sudut
yang lain, pengolahan dari data tersebut akan menghasilkan citra keadaan sekitar dalam
bentuk 2 dimensi atau 3 dimensi.
Algoritma SLAM disesuaikan dengan sumber daya yang tersedia, karenanya
tidak ditujukan untuk kesempurnaan, tetapi untuk kepatuhan operasional. Pendekatan
yang dipublikasikan digunakan dalam mobil tanpa awak, kendaraan udara tak berawak,
kendaraan bawah air otonom, penjelajah planet, robot domestik yang lebih baru, dan
bahkan di dalam tubuh manusia.
 Penggunaan SLAM pada penelitian ini adalah untuk membuat peta global sebagai
acuan robot dalam lokalisasi dan bernavigasi, dimana robot bergerak secara otonom
ataupun manual sambil mengscan area sekitarnya menggunakan sensor sehingga
mendapatkan data objek sekitar, dari data yang diperoleh tersebut peta akan tergambar
pada sebuah platform yang nantinya digunakan sebagai acuan robot otonom.
C. Adaptive Monte Carlo Localization (AMCL)
Adaptive Monte Carlo Localization (AMCL), juga dikenal sebagai lokalisasi
filter partikel, adalah algoritme bagi robot untuk melokalkan menggunakan filter partikel.
Dengan adanya peta lingkungan, algoritme memperkirakan posisi dan orientasi robot
saat bergerak dan merasakan lingkungan. Algoritme menggunakan filter partikel untuk
merepresentasikan distribusi status yang mungkin, dengan setiap partikel mewakili status
yang mungkin, yaitu hipotesis di mana robot berada. Algoritme ini biasanya dimulai
dengan distribusi acak partikel yang seragam di seluruh ruang konfigurasi, yang berarti
robot tidak memiliki informasi tentang di mana ia berada dan mengasumsikan
kemungkinannya sama untuk berada di titik mana pun di ruang angkasa. Setiap kali robot
bergerak, ia menggeser partikel untuk memprediksi keadaan barunya setelah gerakan.
Setiap kali robot merasakan sesuatu, partikel tersebut diambil sampelnya kembali
berdasarkan estimasi Bayesian rekursif, yaitu, seberapa baik data penginderaan aktual
berkorelasi dengan keadaan yang diprediksi. Pada akhirnya, partikel-partikel tersebut
harus berkumpul menuju posisi robot yang sebenarnya.
Pertimbangkan robot dengan peta internal lingkungannya. Saat robot bergerak, ia
perlu mengetahui lokasinya di dalam peta ini. Menentukan lokasi dan rotasinya (lebih
umum, pose) dengan menggunakan pengamatan sensornya dikenal sebagai lokalisasi
robot.
Karena robot mungkin tidak selalu berperilaku dengan cara yang dapat diprediksi
dengan sempurna, robot menghasilkan banyak tebakan acak tentang di mana ia akan
berada selanjutnya. Tebakan ini dikenal sebagai partikel. Setiap partikel berisi deskripsi
lengkap tentang kemungkinan keadaan di masa depan. Ketika robot mengamati
lingkungan, ia membuang partikel yang tidak konsisten dengan pengamatan ini, dan
menghasilkan lebih banyak partikel yang mendekati yang tampak konsisten. Pada
akhirnya, semoga sebagian besar partikel menyatu ke tempat robot sebenarnya berada.
Pada penelitian ini algoritma adaptive monte carlo localization atau AMCL
digunakan sebagai pedoman navigasi dari robot otonom dimana peta global yang sudah
terbentuk pada proses sebelumnya menggunakan algortima SLAM.
D. Robot Operating System (ROS)
Robot Operating System (ROS) adalah middleware robotika (yaitu kumpulan
kerangka perangkat lunak untuk pengembangan perangkat lunak robot). Meskipun ROS
bukan sistem operasi, ROS menyediakan layanan yang dirancang untuk cluster komputer
heterogen seperti abstraksi perangkat keras, kontrol perangkat tingkat rendah,
implementasi fungsionalitas yang umum digunakan, penyampaian pesan antar proses,
dan manajemen paket. Rangkaian proses berbasis ROS yang sedang berjalan
direpresentasikan dalam arsitektur grafik di mana pemrosesan berlangsung di node yang
dapat menerima, memposting dan data sensor multipleks, kontrol, status, perencanaan,
 aktuator, dan pesan lainnya. Terlepas dari pentingnya reaktivitas dan latensi rendah
dalam kontrol robot, ROS sendiri bukanlah OS real-time (RTOS). Namun,
dimungkinkan untuk mengintegrasikan ROS dengan real-time code. Kurangnya
dukungan untuk sistem real-time telah diatasi dalam pembuatan ROS 2.0, revisi utama
dari ROS API yang akan memanfaatkan perpustakaan dan teknologi modern untuk
fungsionalitas ROS inti dan menambahkan dukungan untuk kode waktu nyata dan
perangkat keras tertanam.
Perangkat lunak dalam Ekosistem ROS dapat dipisahkan menjadi tiga kelompok:
• alat bahasa dan platform-independen yang digunakan untuk membangun dan
mendistribusikan perangkat lunak berbasis ROS;
• Implementasi pustaka klien ROS seperti roscpp, rospy, dan roslisp;
• paket yang berisi kode terkait aplikasi yang menggunakan satu atau lebih pustaka klien
ROS.
Alat bahasa-independen dan pustaka klien utama (C ++, Python, dan Lisp) dirilis
di bawah persyaratan lisensi BSD, dan dengan demikian merupakan perangkat lunak
sumber terbuka dan gratis untuk penggunaan komersial dan penelitian. Mayoritas paket
lain dilisensikan di bawah berbagai lisensi open source. Paket lain ini menerapkan
fungsionalitas dan aplikasi yang umum digunakan seperti driver perangkat keras, model
robot, tipe data, perencanaan, persepsi, lokalisasi dan pemetaan simultan, alat simulasi,
dan algoritma lainnya.
Pada penelitian ini ROS digunakan sebagai platform simulasi dari robot otonom,
dimana ROS inilah nanti yang menghubungkan beberapa aplikasi.
E. Gazebo
Gazebo adalah simulator robotika 3D open-source. Gazebo mengintegrasikan
mesin fisika ODE, rendering OpenGL, dan kode dukungan untuk simulasi sensor dan
kontrol aktuator. Pada tahun 2011, Gazebo menjadi proyek independen yang didukung
oleh Willow Garage
Gazebo dapat menggunakan beberapa mesin fisika berkinerja tinggi, seperti
ODE, Bullet, dll (defaultnya adalah ODE). Ini memberikan rendering lingkungan yang
realistis termasuk pencahayaan, bayangan, dan tekstur berkualitas tinggi. Ia dapat
memodelkan sensor yang "melihat" lingkungan simulasi, seperti laser range finders,
kamera (termasuk sudut lebar), sensor gaya Kinect, dll.
Gazebo digunakan sebagai simulator robot 3D dimana pada simulator inilah kita
bisa memberi perintah robot untuk bergerak dan memonitoring pergerakan robot pada
ruang yang sudah dibentuk pada gazebo.
F. RVIZ
RVIZ adalah visualisator tiga dimensi yang digunakan untuk memvisualisasikan
robot, lingkungan tempat mereka bekerja, dan data sensor. Ini adalah alat yang sangat
dapat dikonfigurasi, dengan berbagai jenis visualisasi dan plugin.
 Pada RVIZ inilah nantinya peta global akan dibentuk, dari data sensor yang
sudah didapatkan RVIZ membentuk peta global dalam 2D yang digunakan sebagai acuan
robot dalam lokalisasi dan bernavigasi.