KENDALI SOFT-GROWING ROBOT BERBASIS REINFORCEMENT LEARNING

MUHAMMAD FAQIH, Ahmad Ataka Awwalur Rizqi , S.T., Ph.D ; Ir. Adha Imam Cahyadi, S.T., M.Eng., D.Eng.

2024 | Skripsi | S1 TEKNIK BIOMEDIS

Soft-growing robot merupakan salah satu jenis robot yang sedang berkembang

saat ini. Namun demikian, kendali pada robot ini bukanlah hal yang mudah. Berbagai

permasalahan seperti derajat kebebasan yang terus meningkat seiring bertambahnya

jumlah segmen membuat formulasi kendali robot ini menjadi rumit. Salah satu kendali

yang dapat digunakan adalah kendali Jacobian. Akan tetapi, kendali Jacobian masih

belum memiliki performa yang optimal. Di sisi lain, kendali Jacobian membutuhkan

pemasangan sensor internal pada robot yang menjadi tantangan tersendiri. Masalah lain

yang timbul adalah bagaimana melakukan penghindaran rintangan pada robot ini,

mengingat penggunaan dari robot jenis ini adalah di ruangan yang sempit dan berliku

seperti contohnya dalam dunia medis adalah esofagus, lambung, dan usus. Berbagai

metode kendali lain telah banyak diusulkan, salah satu yang populer adalah

reinforcement learning.

Penelitian ini bertujuan untuk membuat model kendali soft-growing robot

dengan menggunakan Reinforcement Learning (RL) pada lingkungan 2D dengan

rintangan yang sederhana. Dengan dua jenis strategi penghindaran rintangan yaitu

reward shaping dan sensor jarak, robot telah berhasil untuk menyelesaikan masalah

DOF yang terus bertambah pada lingkungan yang memiliki rintangan dengan

digunakanya sejumlah segmen saat melakukan navigasi. Di sisi lain robot telah berhasil

untuk tidak menabrak rintangan lebih dari 80% pada 100 kali percobaan. Di sisi lain,

robot berhasil mencapai tujuan dengan jarak antara ujung robot dengan target rata-rata

sebesar 0, 36 ± 0, 22 meter dari target yang dituju untuk sensor jarak dan 0, 37 ± 0, 27

meter untuk reward shaping.

Soft-growing robots represent an emerging class of robotics technology.

However, controlling these robots poses significant challenges. The increasing degrees

of freedom with the addition of more segments complicates the control formulation. One

potential solution is Jacobian-based control, but this method does not yet offer optimal

performance. Furthermore, Jacobian control necessitates the integration of internal

sensors, which presents its own set of challenges. Another critical issue is obstacle

avoidance, particularly since these robots are designed for use in narrow, winding

environments such as the esophagus, stomach, and intestines in medical applications.

Among various control methods proposed, reinforcement learning (RL) has gained

popularity.

This study aims to develop a control model for soft-growing robots using

Reinforcement Learning (RL) in a 2D environment with simple obstacles. Utilizing two

obstacle avoidance strategies, reward shaping and distance sensors, the robot

successfully addressed the increasing degrees of freedom (DOF) problem in

environments with obstacles by navigating with multiple segments. The robot also

managed to avoid collisions with obstacles in over 80% of 100 trials. Additionally, the

robot achieved its targets with an average distance from the goal of 0.36 ± 0.22 meters

using distance sensors and 0.37 ± 0.27 meters with reward shaping.

Kata Kunci : Soft-growing Robot, Navigation, Reinforcement Learning, Obstacle Avoidance, Reward Shaping