Text
Pengembangan Sistem Visual SLAM RTAB-MAP Berbasis CNN dengan Kamera RGD-D untuk Navigasi PoleBot AMR
Autonomous Mobile Robot (AMR) membutuhkan sistem navigasi yang mampu melakukan lokalisasi dan pemetaan pada lingkungan indoor. PoleBot-AMR menggunakan LiDAR 2D sebagai salah satu sensor utama, tetapi pemindaian hanya dilakukan pada satu bidang horizontal sehingga objek di atas atau di bawah bidang tersebut tidak dapat direpresentasikan secara lengkap. Penelitian ini mengembangkan sistem Visual SLAM RTAB-Map menggunakan kamera RGB-D dan Convolutional Neural Network Frame quality assessment (CNN-FQA), serta mengintegrasikan kamera RGB-D dengan LiDAR 2D pada PoleBot-AMR. Kamera RGB-D digunakan untuk memperoleh informasi visual dan kedalaman, sedangkan CNN-FQA digunakan untuk mengklasifikasikan kualitas frame sebelum digunakan dalam Visual SLAM. Model CNN berbasis MobileNetV2 mengklasifikasikan frame ke dalam tiga kelas, yaitu Blur, Lowlight, dan Normal. Pengujian dilakukan pada lingkungan indoor dengan beberapa konfigurasi hardware dan kecepatan robot 0,10 m/s, 0,20 m/s, dan 0,30 m/s. CNN-FQA menghasilkan akurasi 86,83% dengan test loss 0,3512, sedangkan model TensorFlow Lite berukuran 2,7 MB. Hasil pengujian hardware menunjukkan konfigurasi LiDAR 2D + RGB-D + CNN-FQA menghasilkan performa terbaik pada kecepatan 0,10 m/s, dengan ATE RMSE 0,022 m, RPE RMSE 0,016 m, coverage 96,6%, dan tracking loss 1,2 kali. Dibandingkan LiDAR 2D pada kecepatan yang sama, ATE RMSE menurun 48,8%, RPE RMSE 48,4%, coverage meningkat 14,2 poin persentase, dan tracking loss menurun 71,4%. Hasil ini menunjukkan integrasi ketiga komponen menghasilkan pemetaan yang lebih lengkap dan estimasi pose yang lebih stabil.
Kata kunci: Visual SLAM, RTAB-Map, Kamera RGB-D, CNN-FQA, LiDAR 2D.
Tidak tersedia versi lain