Pengembangan Metode Penyelesaian Permasalahan Feature-Based SLAM berbasis Adaptive Extended Kalman Filter, Fuzzy Inference System, dan Particle Swarm Optimization

Abstract

Objektivitas dari menyelesaikan permasalahan Simultaneous Localization and Mapping pada robot bergerak adalah menaksirkan lintasan robot dan secara simultan memodelkan peta lingkungan. Pada kasus SLAM 2-dimensi berbasis fitur, peta yang dimaksud adalah menaksirkan lokasi semua fitur pada lingkungan dalam bentuk koordinat kartesius. Umumnya penaksiran dilakukan dengan cara memanfaatkan filter berbasis gaussian, seperti Extended Kalman Filter. Pada penerapan konvensional, kebisingan statistik baik pada mean dan kovarian untuk kontrol dan pengukuran, ditentukan diawal untuk tetap selama proses penaksiran. Pada kasus yang mengharuskan ketepatan tinggi, hal ini berdampak pada kinerja filter yang bisa saja menunjukkan divergensi. Atas dasar ini, EKF dikembangkan dengan menambahkan kemampuan rekursif menentukan kovariansi proses Q, dan kovariansi pengukuran R dengan menerapkan Innovation Adaptive Estimation (IAE). Namun tidak jarang ketidaktepatan memetakan kondisi dinamis, membuat performansi dari Adaptif EKF (AEKF) justru mengalami degredasi. Sehingga perlu pendekatan khusus yang relevan mendukung kinerja dari algoritma. Pada penelitian ini, diusulkan Fuzzy Inference System dioptimasi dengan Particle Swarm Optimization untuk menentukan besaran perubah baik untuk Q atau pun R berdasarkan Degree of Mathcing. Berdasarkan hasil yang dibandingkan, usulan ini memberikan performansi yang lebih baik berdasarkan RMSE yang telah mengalami penurunan dari metode konvensional, khususnya saat R tetap dan Q rekursif