Pelacakan objek menggunakan deep learning pada Robot Humanoid R-SCUAD berbasis robot operating system
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Dandih, Ham
Subject
T Technology (General)
Datestamp
2024-05-08 02:39:56
Abstract :
Dalam pengembangan robot humanoid untuk bermain sepakbola, pelacakan bola dan posisi gawang merupakan tantangan utama. Saat ini, robot R-SCUAD menggunakan pendekatan berbasis warna HSV (Hue Saturation dan Value) untuk melacak bola, yang rentan terhadap perubahan warna, terutama ketika bola berubah menjadi warna putih. Selain itu, pencahayaan yang berbeda-beda di lokasi pertandingan juga menyebabkan kesulitan dalam menemukan nilai warna yang konsisten. Untuk pelacakan posisi gawang, robot R-SCUAD mengandalkan gyro compassing, namun sering mengalami masalah ketika nilai gyro compassing berubah secara drastic setelah jatuh dan bangkit Kembali, menyebabkan kesulitan dalam mencetak goal. Dalam permainan robot sepakbola humanoid juga terdapat berbagai macam penerapan strategi yang sering digunakan dalam pertandingan salah satunya adalah melakukan pendeteksian robot satu tim maupun lawan. Pendeteksian robot juga dapat berguna untuk menghindari adanya tabrakan sesama robot tim dan untuk melakukan pengaturan posisi dari robot keeper ataupun robot stiker. Dalam mengatasi kendala tersebut, penggunaan Deep Learning dengan model YOLO (You Only Look Once) telah diadopsi menggunakan YOLO versi 8. Metode ini melibatkan proses labeling data, training model menggunakan GPU NVIDIA A100, dan deteksi objek secara realtime dengan terimplementasikan pada platform ROS (Robot Operating System) dan Jetson Orin NX sehingga dapat langsung digunakan. Penerapan YOLOv8-seg menghasilkan model dengan stabilitas yang baik dalam deteksi objek, terutama dalam hal akurasi deteksi. Selain itu, metode ini memingkinkan pelacakan objek secara efisien, dengan fokus pada bola, gawang, dan robot. Setelah YOLO terimplemtasikan pada Jetson Orin NX dan ROS hasil pengujian menunjukan bahwa model YOLOv8 untuk segmentasi semantik menunjukkan stabilitas yang sangat baik dalam deteksi objek. Model YOLOv8x-seg memiliki nilai FPS yang relatif rendah, berkisar antara 4.5 hingga 5.5, namun memiliki nilai mAP50 yang sangat tinggi, mencapai 0.99464. Selain itu, nilai Map50-90 sebesar 0.92578 dan nilai Average Loss yang rendah, hanya sebesar 0.19713. Hal ini menunjukkan bahwa model ini mampu menghasilkan hasil deteksi yang sangat akurat bahkan dengan data yang sangat terbatas. Sementara itu, model pretrain N memberikan nilai FPS yang tinggi, berkisar antara 20.0 hingga 23.0. Namun, nilai mAP50 nya sedikit lebih rendah, sekitar 0.99454. Meskipun demikian, model ini memiliki nilai mAP50-90 yang tetap tinggi, yaitu sebesar 0.98646, dan nilai Average Loss sebesar 0.20691. Hal ini menunjukkan bahwa model pre-trained ini membutuhkan sedikit lebih banyak data untuk mencapai tingkat akurasi yang setara dengan model YOLOv8x-seg.
Dalam pengembangan robot humanoid untuk bermain sepakbola, pelacakan bola dan posisi gawang merupakan tantangan utama. Saat ini, robot R-SCUAD menggunakan pendekatan berbasis warna HSV (Hue Saturation dan Value) untuk melacak bola, yang rentan terhadap perubahan warna, terutama ketika bola berubah menjadi warna putih. Selain itu, pencahayaan yang berbeda-beda di lokasi pertandingan juga menyebabkan kesulitan dalam menemukan nilai warna yang konsisten. Untuk pelacakan posisi gawang, robot R-SCUAD mengandalkan gyro compassing, namun sering mengalami masalah ketika nilai gyro compassing berubah secara drastic setelah jatuh dan bangkit Kembali, menyebabkan kesulitan dalam mencetak goal. Dalam permainan robot sepakbola humanoid juga terdapat berbagai macam penerapan strategi yang sering digunakan dalam pertandingan salah satunya adalah melakukan pendeteksian robot satu tim maupun lawan. Pendeteksian robot juga dapat berguna untuk menghindari adanya tabrakan sesama robot tim dan untuk melakukan pengaturan posisi dari robot keeper ataupun robot stiker. Dalam mengatasi kendala tersebut, penggunaan Deep Learning dengan model YOLO (You Only Look Once) telah diadopsi menggunakan YOLO versi 8. Metode ini melibatkan proses labeling data, training model menggunakan GPU NVIDIA A100, dan deteksi objek secara realtime dengan terimplementasikan pada platform ROS (Robot Operating System) dan Jetson Orin NX sehingga dapat langsung digunakan. Penerapan YOLOv8-seg menghasilkan model dengan stabilitas yang baik dalam deteksi objek, terutama dalam hal akurasi deteksi. Selain itu, metode ini memingkinkan pelacakan objek secara efisien, dengan fokus pada bola, gawang, dan robot. Setelah YOLO terimplemtasikan pada Jetson Orin NX dan ROS hasil pengujian menunjukan bahwa model YOLOv8 untuk segmentasi semantik menunjukkan stabilitas yang sangat baik dalam deteksi objek. Model YOLOv8x-seg memiliki nilai FPS yang relatif rendah, berkisar antara 4.5 hingga 5.5, namun memiliki nilai mAP50 yang sangat tinggi, mencapai 0.99464. Selain itu, nilai Map50-90 sebesar 0.92578 dan nilai Average Loss yang rendah, hanya sebesar 0.19713. Hal ini menunjukkan bahwa model ini mampu menghasilkan hasil deteksi yang sangat akurat bahkan dengan data yang sangat terbatas. Sementara itu, model pretrain N memberikan nilai FPS yang tinggi, berkisar antara 20.0 hingga 23.0. Namun, nilai mAP50 nya sedikit lebih rendah, sekitar 0.99454. Meskipun demikian, model ini memiliki nilai mAP50-90 yang tetap tinggi, yaitu sebesar 0.98646, dan nilai Average Loss sebesar 0.20691. Hal ini menunjukkan bahwa model pre-trained ini membutuhkan sedikit lebih banyak data untuk mencapai tingkat akurasi yang setara dengan model YOLOv8x-seg.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
