SIMULASI PARKIR OTOMATIS PADA ROBOT MOBIL MENGGUNAKAN METODE REINFORCEMENT LEARNING ALGORITMA DEEP Q-NETWORK
ADNAN NURROIKHAN, M. Idham Ananta Timur, S.T. M.Kom.
2021 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASISistem parkir otomatis kini telah ditanamkan pada robot mobil, seperti contohnya adalah penggunaan automatic parking system (APS). Namun, pada sistem parkir otomatis yang sudah ada, robot mobil harus dikemudikan menuju tempat parkir terlebih dahulu. Dengan kata lain, robot mobil tidak bisa menuju lokasi parkir tertentu secara otomatis. Melalui penelitian ini, pembelajaran berbasis reinforcement learning dikembangkan untuk melakukan simulasi parkir otomatis pada sebuah robot mobil. Robot mobil akan mampu menuju ke suatu titik koordinat parkir dan melakukan parkir secara otomatis. Melalui reinforcement learning robot mobil akan melakukan pembelajaran dan perhitungan dari setiap pengalaman yang dilakukan. Robot mobil akan melakukan pembelajaran dengan memilih kombinasi sudut kemudi dan kecepatan yang tersedia, dengan kondisi lingkungan yang sedang dihadapi. Setiap pengalaman yang didapatkan oleh robot mobil akan membantu dalam menuju titik koordinat parkir dan melakukan parkir dengan lebih cepat dan tanpa menabrak objek lain. Dengan pengujian pada empat tingkatan environment yang berbeda, didapatkan hasil reward yang mengalami kenaikan nilai dan mencapai konvergen. Pada environment pertama, nilai reward konvergen pada episode ke-100, kedua pada episode ke-250, ketiga pada episode ke-450, dan keempat pada episode ke-700. Selain itu didapatkan juga nilai loss function yang menunjukkan penurunan menuju nilai nol yang menunjukkan bahwa pemilihan aksi oleh agen semakin tepat.
Automatic parking systems have been implanted in car robots, such as the use of an automatic parking system (APS). However, in the existing automatic parking system, the car robot must be steered to the parking lot first. In other words, the car robot cannot go to a certain parking location automatically. Through this research, reinforcement learning was developed to simulate automatic parking on a car robot. The car robot will be able to go to a parking coordinate point and park it automatically. Through reinforcement learning, the car robot will carry out learning and calculations from every experience that is carried out. The car robot will learn by choosing a combination of steering angle and speed available, with the environmental conditions at hand. Every experience gained by the car robot will help in getting to the parking coordinates and parking it faster and without crashing into other objects. By testing at four different levels of the environment, the reward results have increased in value and reach convergence. In the first environment, the reward values converged on the 100th episode, the second in the 250th episode, the third in the 450th episode, and the fourth in the 700th episode. In addition, the loss function value is also obtained which shows a decrease to the zero value which indicates that the choice of action by the agent is more appropriate.
Kata Kunci : Autonomous car, Reinforcement Learning, Deep Q-Network
