Loop Detection and Drift Error Minimization in Autonomous Vehicle by Utilizing Deep Learning and SLAM Method

Anak Agung Ngurah Bagus Dwimantara, Oskar Natan, S.ST., M.Tr.T., Ph.D; Dr. Andi Dharmawan, S.Si, M.Cs.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penelitian ini mengeksplorasi implementasi dan evaluasi sistem Simultaneous Localization and Mapping (SLAM) berbasis kamera yang mengintegrasikan metode visi komputer tradisional dan pembelajaran mendalam (deep learning) untuk meningkatkan akurasi trajektori dalam navigasi otonom. Tujuan utama dari penelitian ini adalah untuk mengurangi kesalahan drift dengan mengintegrasikan mekanisme deteksi loop closure yang andal, memungkinkan sistem mengenali lokasi yang telah dikunjungi sebelumnya dan mengoreksi akumulasi kesalahan estimasi posisi (pose).

Kerangka kerja SLAM yang diusulkan menggabungkan framework VINS-Mono (Visual-Inertial Navigation System – Monocular) dengan deteksi loop closure yang didukung oleh model deep learning yang mengombinasikan arsitektur ResNet152 dan cosine similarity. Sistem ini dievaluasi menggunakan data dari dataset publik (KITTI) dan data primer yang dikumpulkan di sekitar Universitas Gadjah Mada (UGM).

Metode evaluasi seperti Absolute Trajectory Error (ATE) dan Precision-Recall digunakan untuk menilai kinerja sistem. Deteksi loop closure yang ditingkatkan menunjukkan penurunan kesalahan estimasi posisi sebesar 5,96?n 14,6% pada dataset KITTI, serta 59,97% pada dataset UGM. Dibandingkan dengan metode deteksi loop tradisional pada VINS-Mono yang memiliki recall rendah meskipun presisinya tinggi, metode berbasis deep learning menunjukkan kinerja yang lebih unggul dengan presisi yang tetap tinggi dan peningkatan recall yang signifikan, yaitu mencapai presisi 0,9446 dan recall 0,9766 pada KITTI Sequence 00.

Hasil ini mengonfirmasi efektivitas integrasi deep learning ke dalam pipeline SLAM, meningkatkan robustnes dan akurasi sistem sambil tetap mempertahankan performa waktu nyata dengan kecepatan pemrosesan melebihi 50?ri frekuensi data asli.

This research explores the implementation and evaluation of a camera-based Simultaneous Localization and Mapping (SLAM) system that integrates both traditional computer vision and deep learning methods to enhance trajectory accuracy in autonomous navigation. The main objective is to reduce drift errors by incorporating a robust loop closure detection mechanism, enabling the system to recognize previously visited locations and correct accumulated pose estimation errors. The proposed SLAM framework combines VINS-Mono (Visual-Inertial Navigation System – Monocular) framework with loop closure detection supported by a deep learning model combining ResNet152 and cosine similarity.

The system was evaluated on both publicly available datasets (KITTI) and primary data collected around Universitas Gadjah Mada (UGM). Evaluation metrics such as Absolute Trajectory Error (ATE) and Precision-Recall were used to assess performance. The enhanced loop closure detection achieved a reduction in pose estimation error by 5.96% and 14.6% on the KITTI dataset, and 59.97% on the UGM dataset. Compared to the traditional VINS-Mono loop detection, which suffers from low recall despite high precision, the deep learning-based method demonstrated superior performance with consistently high precision and significantly improved recall, achieving 0.9446 precision and 0.9766 recall on KITTI Sequence 00.

These results confirm the effectiveness of integrating deep learning into the SLAM pipeline, improving robustness and accuracy while maintaining real-time performance with frame rates exceeding 50% of the dataset’s frequency.

Kata Kunci : SLAM, Loop Closure Detection, VINS-Mono, Deep Learning, ResNet152, Drift Error Minimization, Autonomous Vehicle, Evaluation Metrics