PERANCANGAN SISTEM OBSTACLE AVOIDANCE BERBASIS DEEP LEARNING DAN SISTEM NAVIGASI AUTONOMOUS MOBILE ROBOT (AMR)

Abstract

Pertumbuhan pesat bisnis e-commerce menuntut sistem manajemen pergudangan yang efisien. Banyak perusahaan mulai mengadopsi sistem otomatisasi dengan robot seperti Automated Guided Vehicle (AGV) dan Autonomous Mobile Robot (AMR) untuk meningkatkan efisiensi penyimpanan dan pengambilan barang. AMR dapat secara otomatis memindahkan barang, menggantikan peran forklift yang mahal. Namun, adanya objek yang menghalangi jalur dapat menghambat operasional AMR. Penelitian ini bertujuan merancang sistem deteksi objek, obstacle avoidance, dan navigasi lokal berbasis algoritma A* pada AMR. Batasan penelitian meliputi deteksi objek statis (kardus) dan dinamis (orang), serta navigasi berbasis sistem deteksi objek. Hasil pengujian menunjukkan bahwa model YOLOv8 yang dilatih selama 300 epoch memiliki nilai loss rendah dan presisi, recall, serta akurasi tinggi. Kecepatan deteksi YOLOv8 adalah 45 ms (22 FPS), sedangkan TensorRT lebih cepat dengan 30 ms (33 FPS). Estimasi jarak optimal pada kardus adalah 50-300 cm dan orang 75-150 cm. Sistem obstacle avoidance efektif mendeteksi objek hingga 300 cm dengan jarak optimal 150-200 cm. Navigasi AMR berhasil menghindari halangan pada jarak 100 cm dan memperbarui jalur menggunakan algoritma A*. Penelitian ini menunjukkan bahwa integrasi sistem deteksi objek, obstacle avoidance, dan navigasi lokal berbasis AI pada AMR dapat meningkatkan efisiensi manajemen pergudangan otomatis.