Publisher

UMBUMB

Journal SINERGISINERGI Abstract

Penghindaran tabrakan pada robot lengan dirancang untuk mencegah robot menabrak objek, lingkungan, maupun bagian tubuhnya sendiri. Metode hibrida Generative Adversarial Networks (GAN) dan Particle Swarm Optimization (PSO) berhasil dilatih untuk menghindari tabrakan diri dengan menggunakan data kinematika terbalik (Inverse Kinematics) sebanyak 96 ribu titik gerak, yang kemudian dibagi menjadi 3.6 ribu sampel data nyata D(x) dan 7.2 ribu sampel data buatan. Pendekatan GAN‑PSO dapat mengatasi masalah umum pada GAN seperti mode collapse, dimana generator G menghasilkan output seragam meskipun input z berbeda, serta PSO mengurangi jumlah epoch pelatihan generator menjadi hanya 5000 iterasi. Hasil percobaan dengan 50 partikel menunjukkan waktu prediksi per sampel sebesar 0,028 ms dan kesalahan kuadrat rata‑rata generator (GMSE) sebesar 0,027474 %.

Conclusion

Penelitian ini memperkenalkan metode hibrida GAN dan PSO untuk robot lengan berderajat kebebasan tiga (3 DoF) yang menghasilkan distribusi data nyata melalui persamaan kinematika terbalik dan distribusi noise melalui ruang sambungan.Optimasi PSO berhasil mencegah mode collapse pada generator serta mengurangi jumlah iterasi yang diperlukan dibandingkan metode konvensional.Pada konfigurasi 50 partikel dan 5000 epoch, proses pelatihan memakan waktu sekitar 19,17 menit dan prediksi satu sampel memerlukan 0,028 ms dengan GMSE 0,027475 %.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penerapan metode GAN‑PSO pada robot lengan dengan derajat kebebasan lebih tinggi, seperti 6 atau 7 DoF, untuk menilai skalabilitas dan kinerja dalam ruang konfigurasi yang lebih kompleks; selanjutnya, dilakukan pengujian secara real‑time pada robot fisik di lingkungan dinamis guna mengevaluasi keandalan dan responsivitas sistem dalam situasi dunia nyata, termasuk variasi beban dan gangguan eksternal; terakhir, dapat diteliti integrasi algoritma optimasi metaheuristik lain, misalnya Differential Evolution atau Ant Colony Optimization, dengan GAN untuk meningkatkan efisiensi pelatihan dan mengurangi risiko mode collapse lebih lanjut, sambil membandingkan performa komputasi dan akurasi antar‑metode.

References

1. "Particle swarm optimization-based collision avoidance" by TİMUR İNAN and AHMET FEVZİ BABA.... journals.tubitak.gov.tr/elektrik/vol27/iss3/41Particle swarm optimization based collision avoidance by TMUR NAN and AHMET FEVZ BABA journals tubitak gov tr elektrik vol27 iss3 41
2. ANALYSIS OF KINEMATIC FOR LEGS OF A HEXAPOD USING DENAVIT-HARTENBERG CONVENTION | Qingsheng | SINERGI.... publikasi.mercubuana.ac.id/index.php/sinergi/article/view/2384ANALYSIS OF KINEMATIC FOR LEGS OF A HEXAPOD USING DENAVIT HARTENBERG CONVENTION Qingsheng SINERGI publikasi mercubuana ac index php sinergi article view 2384
3. SELF-COLLISION AVOIDANCE OF ARM ROBOT USING GENERATIVE ADVERSARIAL NETWORK AND PARTICLES SWARM OPTIMIZATION... publikasi.mercubuana.ac.id/index.php/sinergi/article/view/8503SELF COLLISION AVOIDANCE OF ARM ROBOT USING GENERATIVE ADVERSARIAL NETWORK AND PARTICLES SWARM OPTIMIZATION publikasi mercubuana ac index php sinergi article view 8503

Metadata

File size	1015.34 KB
Pages	12
DMCA	Report