Penelitian ini bertujuan merancang metode improved gaussian sampling dan mengimplementasikan pada algoritma Rapidly Exploring Random Tree* (RRT*). Perancangan yang dilakukan menggunakan bahasa pemograman Laboratory Virtual Instrumentation Engineering Workbench (LabVIEW). Improved gaussian sampling merupakan pengembangan dari metode gaussian sampling dengan menambahkan jumlah sampling. Jumlah sampling yang digunakan pada metode ini yaitu sejumlah 10 sampling. Untuk mengukur performansi dari metode sampling yang diusulkan, maka kami melakukan perbandingan performansi metode improved gaussian sampling, gaussian sampling dan random sampling. Berdasarkan hasil pengujian improved gaussian sampling didapatkan rata-rata nilai path cost dan waktu komputasi senilai: clutter sepanjang 8,89 dengan waktu 40,05; narrow sepanjang 12,58 dengan waktu 40,03 dan trap sepanjang 9,93 dengan waktu 40,04. Sedangkan hasil pengujian gaussian sampling didapatkan: clutter sepanjang 10 dengan waktu 40,09; narrow sepanjang 13,53 dengan waktu 40,03 dan trap sepanjang 10,95 dengan waktu 40,12. Hasil pengujian random sampling didapatkan: clutter sepanjang 10,86 dengan waktu 0,03; narrow sepanjang 14,82 dengan waktu 0,25 dan trap sepanjang 11,71 dengan waktu 0,21. Disimpulkan bahwa pada algoritma RRT* dengan menggunakan metode improved gaussian sampling menghasilkan performansi yang lebih baik dibandingkan algoritma RRT* yang menggunakan metode sampling lainnya. Hasil perbandingan pengukuran berdasarkan nilai sampling didapatkan rata-rata nilai path cost rata-rata 10,12 dengan jumlah sampling hanya 1 dan nilai path cost terpendek 8,9 dengan jumlah sampling 10. Berdasarkan pengukuran tersebut didapatkan semakin banyak jumlah sampling yang diberikan maka nilai path cost yang dihasilkan optimal.
Program implementasi kebijakan Merdeka Belajar Kampus Merdeka (MBKM) dalam pelaksanaannya dimungkinkan akan selalu muncul permasalahan terhadap kebijakan pelaksanaannya. Dari semua kemungkinan permasalahan ini, maka tujuan yang diharapkan adalah ingin mengetahui dampak nyata implementasi kebijakan program MBKM terhadap proses belajar mengajar apabila terapkan dalam lingkungan Program Studi Teknik Elektro Universitas Komputer Indonesia. Hasil analisis dari dampak implementasi ini akan dijadikan rekomendasi penerapan model pembelajaran MBKM sesuai kebutuhan dan kemampuan program studi. Untuk memperoleh ketercapaian hasilnya, maka metode yang digunakan melalui pendekatan metode survei terhadap pelaku dan pengguna kebijakan yaitu mahasiswa, dosen, dan tenaga pendidikan di dalam lingkungan program studi. Hasil penelitian menunjukkan bahwa tingkat pemahaman responden mahasiswa terhadap program MBKM, sebagian besar responden mahasiswa berpendapat pada rentang nilai “Berdampak”, yaitu sebanyak 56% responden. Kesiapan mahasiswa mengikuti program MBKM, sebagian besar responden mahasiswa berada pada rentang skor “Cukup Siap” yaitu sebanyak 45% responden. Responden mahasiswa yang menyatakan kegiatan MBKM berimplikasi pada lama masa studi, didapati 52% responden berpendapat masih dapat lulus tepat waktu. Hanya sebagian kecil responden, yaitu sebanyak 17% responden yang khawatir dapat memperlama masa studi.
Informed Rapidly-exploring Random Tree* (Informed-RRT*) merupakan hasil pengembangan dari algoritma Rapidly-exploring Random Tree (RRT) yang dapat menghasilkan solusi jalur yang bersifat asimptotik optimal tetapi waktu komputasi yang dibutuhkan menjadi lebih lama. Pada awalnya algoritma Informed-RRT* masih menggunakan metode random sampling yang mana metode ini akan mengambil sampel acak pada ruang pencarian. Pengambilan sampel acak inilah yang akan membuat waktu komputasi menjadi tidak optimal. Penelitian ini bertujuan untuk merancang algoritma Informed-RRT* menggunakan metode hybrid sampling. Metode hybrid sampling merupakan integrasi dari beberapa metode pengambilan sampel. Pada pengujian ini, performansi metode random sampling akan dibandingkan dengan perfomansi metode hybrid sampling dalam hal waktu komputasi. Pengujian metode hybrid sampling pada algoritma Informed-RRT* ini berbasis simulasi dan dilakukan pada lingkungan narrow, clutter, trap. Hasil yang didapatkan dari pengujian ini adalah penggunaan metode hybrid sampling pada algoritma Informed-RRT* mampu menghasilkan performansi waktu rata- rata komputasi yang lebih cepat 26,4 detik bila dibandingkan dengan metode random sampling pada lingkungan clutter. Pada lingkungan narrow metode hybrid sampling menghasilkan waktu komputasi 24,52 detik lebih cepat bila dibandingkan dengan metode random sampling. Pada lingkungan trap metode hybrid sampling menghasilkan waktu komputasi 5,25 detik lebih cepat dibandingkan dengan metode random sampling. Dari data hasil pengujian, metode hybrid sampling ini dapat menjadi metode pangambilan sampel alternatif untuk digunakan pada algoritma Informed-RRT*
This study presents an efficient path planning method for mobile robots in a dynamic environment. The method is based on the rapidly-exploring random tree (RRT) algorithm. The two primary processes in mobile robot path planning in a dynamic environment are initial path planning and path re-planning. In order to generate a feasible initial path with fast convergence speed, we used a hybridization of rapidlyexploring random tree star and ant colony systems (RRT-ACS). When an obstacle obstructs the initial path, the path re-planner must be executed. In addition to the RRT-ACS algorithm, we proposed using a rule-template set based on the mobile robot in dynamic environment scenes during the path re-planner process. This novel algorithm is called RRT-ACS with Rule-Template Sets (RRT-ACS+RT). We conducted many benchmark simulations to validate the proposed method in a real dynamic environment. The performance of the proposed method is compared to the state-of-the-art path planning algorithms: RRT*FND and MOD-RRT*. Numerous experimental results demonstrate that the proposed method outperforms other comparison algorithms. The results show that the proposed method is suitable for the use on robots that need to navigate in a dynamic environment, such as self-driving cars.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.