Sistem Kendali Navigasi Lateral pada Autonomous Mobile Robot di Lintasan Balap Menggunakan Self-Tuning Controller
Hafizha Adhiyant, Dr. Andi Dharmawan, S.Si., M.Cs. ; Oskar Natan, S.ST., M.Tr.T., Ph.D.
2026 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI
Sistem trajectory tracking
berbasis Linear Quadratic Regulator (LQR) dengan model kinematika bicycle
pada Autonomous Mobile Robot (AMR) tidak memperhitungkan gaya gesek dan
selip ban, sehingga terjadi kesenjangan antara yaw rate prediksi dan
aktual yang menyebabkan fenomena understeer pada segmen menikung.
Optimasi parameter kendali untuk satu jenis segmen saja menimbulkan dilema:
parameter yang dioptimalkan untuk segmen lurus menghasilkan kecepatan tinggi
namun berisiko tabrakan saat menikung, sedangkan parameter untuk segmen tikungan
meningkatkan keselamatan namun mengorbankan lap time secara signifikan.
Penelitian ini mengembangkan sistem
kendali navigasi lateral berbasis self-tuning controller yang
mengombinasikan fuzzy logic dengan LQR (fuzzy-LQR) pada AMR skala
1:10. Sistem fuzzy inference mengklasifikasikan kelengkungan lintasan
menjadi empat kelas (STRAIGHT, LIGHT, MODERATE, SHARP) menggunakan fungsi
keanggotaan trapezoidal, kemudian menyesuaikan parameter matriks pembobot Q
pada LQR secara real-time melalui defuzzifikasi Sugeno weighted
average.
Hasil pengujian menunjukkan bahwa
fuzzy-LQR berhasil menurunkan deviasi yaw rate sebesar 19,8% serta
mengurangi jumlah tabrakan sebesar 60% dibandingkan LQR-S, dengan peningkatan lap
time hanya 9,4%. Dibandingkan LQR-T, fuzzy-LQR mencapai tingkat
keselamatan setara namun dengan lap time 13,8% lebih cepat, membuktikan
kemampuan pendekatan self-tuning dalam menyeimbangkan kecepatan dan
keselamatan navigasi pada lintasan dengan geometri beragam.
The Linear Quadratic Regulator
(LQR)-based trajectory tracking system with a bicycle kinematic model on an
Autonomous Mobile Robot (AMR) does not account for friction forces and tire
slip, resulting in a discrepancy between predicted and actual yaw rates that
causes understeer phenomena on curved track segments. Optimizing control
parameters for a single segment type introduces a dilemma: parameters optimized
for straight segments yield high speed but risk collisions on curves, while
parameters tuned for curved segments improve safety but significantly sacrifice
lap time.
This study develops a lateral
navigation control system based on a self-tuning controller that combines fuzzy
logic with LQR (fuzzy-LQR) on a 1:10 scale AMR. The fuzzy inference system
classifies track curvature into four classes (STRAIGHT, LIGHT, MODERATE, SHARP)
using trapezoidal membership functions, then adjusts the Q weighting matrix
parameters of the LQR in real-time through Sugeno weighted average
defuzzification.
Experimental results show that
fuzzy-LQR successfully reduced yaw rate deviation by 19.8% and decreased the
number of collisions by 60% compared to LQR-S, with only a 9.4% increase in lap
time. Compared to LQR-T, fuzzy-LQR achieved an equivalent safety level while
being 13.8?ster in lap time, demonstrating the capability of the self-tuning
approach in balancing speed and safety for navigation on tracks with diverse
geometries.
Kata Kunci : autonomous mobile robot, trajectory tracking, LQR, fuzzy logic, self-tuning controller, understeer
