Simulasi Prediksi Perilaku Kendaraan Sekitar Untuk Navigasi Kendaraan Otonom

Gregorius Haposan Purba, Dr. M. Idham Ananta Timur, S.T., M.Kom.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Keamanan kendaraan merupakan faktor krusial dalam pengembangan sistem kendaraan otonom. Salah satu tantangan utama dalam mencapai keamanan tersebut adalah kemampuan kendaraan untuk memahami dan memprediksi perilaku serta lintasan kendaraan lain di sekitarnya. Penelitian ini mengusulkan pengembangan algoritma berbasis Recurrent Neural Network (RNN) yang mampu mempelajari hubungan temporal antar kondisi lalu lintas untuk menghasilkan prediksi lintasan kendaraan sekitar secara inferensial. Dengan demikian, kendaraan otonom dapat mengambil keputusan manuver yang lebih aman dan adaptif terhadap dinamika lingkungan. Algoritma diuji menggunakan CARLA Simulator dengan sistem kendali end-to-end berbasis kalang tertutup, sehingga proses evaluasi dilakukan melalui variabel kinerja yang terukur. Hasil pengujian menunjukkan bahwa rata-rata driving score pada peta yang telah dilatih mencapai 61.48, sedangkan pada peta yang tidak dilatih bernilai 49.41. Sementara itu, rata-rata route completion di seluruh peta mencapai 93.51%, yang mengindikasikan efektivitas sistem dalam mempertahankan kestabilan navigasi sekaligus memperkuat aspek keselamatan melalui prediksi lintasan kendaraan lain.

Vehicle safety is a crucial factor in the development of autonomous driving systems. One of the main challenges in achieving reliable safety lies in the vehicle’s ability to understand and predict the trajectories of surrounding vehicles. This study proposes a Recurrent Neural Network (RNN)-based algorithm capable of learning temporal relationships between traffic conditions to infer and predict the motion of nearby vehicles. By doing so, the autonomous vehicle can make safer and more adaptive maneuver decisions in dynamic environments. The algorithm was evaluated using the CARLA Simulator under a closed-loop end-to-end control framework, allowing the system’s performance to be assessed through measurable variables. The experimental results show that the average driving score on trained maps reached 61.48, while on untrained maps it was 49.41. Meanwhile, the average route completion across all maps achieved 93.51%, indicating that the proposed system effectively maintains navigation stability while enhancing overall safety through accurate prediction of surrounding vehicle trajectories.

Kata Kunci : Recurrent Neural Network, Autonomous Driving, Lidar