Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Perkembangan teknologi UAV yang pesat menyebabkan teknologi UAV semakin marak digunakan dalam kehidupan sehari-hari. Quadrotor UAV menjadi populer akibat fleksibilitas dan utilitas nya yang tinggi dan bermanfaat di kehidupan masyarakat luas. Penelitian ini membahas permasalahan pengendalian trajectory tracking menggunakan Pengendali MPC Non-Linier pada model Quadrotor UAV. Model dinamik quadrotor yang digunakan merupakan model non linier, yang sensitif terhadap perubahan input dan gangguan. proses pengendalian sistem dengan pengendali MPC non-linier dilakukan dengan mengubah model sistem continuous kedalam bentuk diskrit yang kemudian diselesaikan dengan pemecah pemrograman kuadratik sekuensial sembari memperhitungkan batasan input, output dan keadaan sistem. Ditampilkan hasil simulasi dengan variasi referensi trajektori dan parameter pengendali untuk mencapai keadaan optimal. Hasil simulasi menunjukan bahwa MPC non-linier dapat melakukan pengendalian trajectory tracking dengan baik, dengan nilai RMSE pada trajektori garis lurus sebesar 0.0168, pada trajektori kotak sebesar 0.0207, pada trajektori helix sebesar 0.4215, pada trajektori spiral sebesar 0.0084, dan pada trajektori lingkaran sebesar 0.4687. ......The rapid development of UAV technology causes UAV technology to be increasingly used in everyday life. Quadrotor UAV is becoming popular due to its flexibility and high utility and is useful in people's lives. This study discusses the problem of controlling trajectory tracking using a Non-Linear MPC controller on the Quadrotor UAV model. The quadrotor dynamic model used is a non-linear model, which is sensitive to input changes and disturbances. the process of controlling the system with non-linear MPC controller is done by changing the continuous system model into a discrete form which is then solved by a sequential quadratic programming solver while taking into account input, output and system state constraints. The simulation results with variations of the trajectory reference and control parameters are displayed to achieve the optimal state. The simulation results show that non-linear MPC can control trajectory tracking well, with an RMSE value of 0.0168 for straight-line trajectory, 0.0207 for square trajectory, 0.4215 for helix trajectory, 0.0084 for spiral trajectory, and 0.4687 for circle trajectory.

Abstrak :
ABSTARCT
Dewasa ini UAV atau Unmanned Aerial Vechicles telah mengalami perkembangan yang sangat pesat. Hal ini dikarenakan UAV yang telah diaplikasikan dalam berbagai bidang, seperti militer, industry, pendidikan, dll. Pada dasarnya, UAV memiliki berbagai jenis dan yang cukup terkenal adalah multirotor. Dalam penelitian ini, multirotor yang digunakan adalah multirotor yang memiliki empat buah motor atau yang biasa disebut quadrotor. Tantangan terbesar dalam melakukan pengembangan terhadap sistem quadrotor adalah pembuatan algoritma pengendali bagi quadrotor. Untuk mengurangi kemungkinan terjadinya kesalahan dari algoritma pengendali, maka suatu simulasi digunakan untuk mensimulasikan algoritma pengendali. Beberapa simulasi yang biasa digunakan, seperti MATLAB hanya dapat mensimulasikan persamaan matematis dari quadrotor. Sedangkan simulasi yang digunakan harus dapat merepresentasikan dinamika model dari quadrotor, menerapkan hukum fisika, serta memvisualisasikan wahana secara tiga dimensi. Untuk itu penulis menggunakan simulator Gazebo. Lalu perangkat lunak tambahan bernama ROS Robot Operating System digunakan untuk menerapkan persamaan matematis quadrotor serta algoritma pengendali yang digunakan. Dalam penelitian ini, digunakan library MAVROS pada ROS untuk mengakses sensor serta menggerakan actuator quadrotor. Berbagai mekanisme penerbangan yang akan diuji adalah perhitungan kecepatan dan akselerasi maksimum, kendali trayektori, serta pergerakan dengan velocity profile. Berdasarkan pengujian tersebut, Gazebo dan ROS dapat digunakan untuk memodelkan dan mensimulasikan quadrotor dengan baik. Selain itu, didapatinya pula hasil percobaan untuk berbagai mekanisme penerbangan.

---

ABSTARCT
Nowadays UAV or Unmanned Aerial Vechicles has been progressing very rapidly. This is because the UAV has been applied in various fields, such as military, industry, education, etc. Basically, UAVs have various types and the most famous one is multirotor. In this study, multirotor used has four motors or commonly called quadrotor. The biggest challenge in developing the quadrotor system is the design of a controller algorithm for quadrotor. To reduce the likelihood of error occurring from the control algorithm, a simulation is used to simulate the control algorithm. Some commonly used simulations, such as MATLAB can only simulate the mathematical equations of quadrotor. While the simulation used should be able to represent the dynamics of the model of the quadrotor, apply the laws of physics, and visualize the vehicle in three dimensions. Therefore, author uses Gazebo simulator. Then additional software called ROS Robot Operating System is used to apply quadrotor mathematical equations and control algorithms. In this study, MAVROS package in ROS is used to access the sensor and move the actuator of the quadrotor. The various flight mechanisms to be tested are the calculation of speed and maximum acceleration, control of the trajectory, as well as movement with velocity profile. Based on these tests, Gazebo and ROS can be used to model and simulate quadrotor well. In addition, the proposed method is evaluated through experiments for various flight mechanisms.

Abstrak :
ABSTRAK
Penelitian ini melaporkan tingkat keberhasilan dari sistem speech recognition yang diimplementasikan ke dalam quadcopter sebagai kendali geraknya. Pada sistem speech recognition digunakan metode mel frequency cepstral coefficient MFCC sebagai feature extraction yang kemudian akan di-training menggunakan metode recursive neural network RNN . Metode MFCC sendiri merupakan salah satu metode feature extraction yang paling banyak digunakan untuk speech recognition. Metode tersebut memiliki tingkat keberhasilan yang cukup besar sekitar 80 - 95 . Pada penelitian ini akan digunakan database yang sudah ada dan database yang baru. Database yang sudah ada akan digunakan sebagai media pengukur tingkat keberhasilan metode RNN. Database yang baru akan dibuat menggunakan bahasa indonesia dan kemudian dibandingkan tingkat keberhasilannya dengan hasil dari database yang sudah ada. Suara yang masuk dari microphone akan diolah pada laptop yang telah memiliki modul DSP dengan metode MFCC untuk mendapatkan nilai karakteristiknya. Nilai karakteristik tersebut kemudian akan di-training menggunakan RNN yang hasilnya berupa perintah. Perintah tersebut akan menjadi input kendali bagi single board computer SBC yang hasilnya berupa pergerakan quadcopter.

---

ABSTRACT
This research reports a success rate of speech recognition systems that are implemented into quadcopter as motion control. Speech recognition system is using mel frequency cepstral coefficient method MFCC as feature extraction that will be trained using recursive neural network method RNN . MFCC method is one of the feature extraction method that most used for speech recognition. This method has a success rates about 80 95 . This research will use the existing database and the new database. Existing database will be used for measure the success rate of RNN method. The new database will be created using Indonesian language and then the success rate will be compared with results from an existing database. Sound input from the microphone will be processed on a laptop that has a DSP module with MFCC method to get the characteristic values. The characteristic values then will be trained using the RNN which result is command. The command will become a control input to the single board computer SBC which result is the movement of quadcopter.

Abstrak :
Teknologi drone banyak dikembangkan dan digunakan, khususnya pemantauan di medan-medan yang susah terjangkau manusia, namun metode pendeteksian manusia belum ada yang diimplementasikan pada drone. Metode pendeteksian manusia yang sedang populer sekarang seperti metode Histogram of Gradient HoG Local Binary Pattern Feature LBP dengan tingkat keberhasilan mencapai 80 , metode Deformable Part Model DPM dengan tingkat keberhasilan 50 . Penelitian ini melaporkan tingkat keberhasilan dari metode pendeteksian wajah menggunakan LBP diintegrasikan DPM yang nantinya akan coba ditanamkan sebagai penentu pergerakan drone quadcopter . Objek yang tertangkap kamera akan diolah gambarnya dengan metode LBP dan DPM, kedua metode ini berfungsi sebagai feature extraction, dimana gambar diolah sehingga didapatkan data karakteristik dari bentuk gambar yang diekstrak. Data karakteristik akan dicocokkan dengan data model wajah manusia menggunakan classification, sehingga bisa didapatkan tingkat kecocokan objek dengan model. Jika objek sesuai dengan model, akan dikirim jarak dari drone dan objek ke Single Board Computer SBC sebagai acuan pergerakkan drone untuk menggerakan Robot Operating System ROS drone untuk mendekati objek. Jika diperiksa untuk kedua kalinya objek benar-benar sesuai dengan model koordinat objek akan dikirimkan ke Ground Control Station. Dari percobaan didapatkan persentase keberhasilan pendeteksian yang lebih baik karena LBP memiliki akurasi yang baik dan DPM mengurangi jumlah model yang digunakan untuk pencocokan. ......Technology of drone has been developed and used, especially in the fields of monitoring for difficult area to reach by human, but the human detection methods are not implemented on drone yet. The most popular human detection methods are Histogram of Gradient HOG Feature Local Binary Pattern LBP with a success rate 80 , Deformable Part Model DPM with success rate 50 . This research reported a success rate of face detection method using LBP integrated with DPM that will implemented to determined the drone quadcopter movement. Objects caught on camera will be processed with LBP and DPM method, this method serve as feature extraction, where the image is processed to obtain the characteristic data from the extracted image shape. Data will be matched with models data face using classification, so that we will be obtained compatibility of object and models. If the object compatible with the models, a distance from the object to the drone will be sent to Single Board Computer SBC in the drone as a reference movement to approach the object with Robot Operating System ROS. The object will be checked for a second time to cross check the compatibility, then coordinates of the object will be sent to the Ground Control Station. The experimental will be obtained a better percentage of success rate detection because LBP has a good accuracy and DPM reduces the number of models for matching.