Electronic Theses and Dissertation

Self-driving car adalah kendaraan yang mampu mentransformasikan fungsi manusia sebagai pengemudi secara otonom, sehingga dapat beroperasi secara mandiri dan aman tanpa intervensi manusia. kendaraan ini harus mampu beradaptasi dengan berbagai kondisi infrastruktur dan karakteristik lalu lintas, termasuk lingkungan yang kompleks dan dinamis, tidak beraturan, serta heterogenitas pengguna jalan. mixed-traffic adalah lingkungan lalu lintas kompleks dengan beragam jenis kendaraan dan infrastruktur terbatas. lingkungan ini memiliki dua ruas jalan dengan arah lalu lintas berlawanan tanpa median jalan. tantangan utama bagi kendaraan otonom dalam beroperasi di lingkungan ini adalah memiliki sistem persepsi yang mampu memahami situasi dan kondisi lalu lintas termasuk kondisi pencahayaan yang tinggi maupun tingkat visibilitas yang rendah secara akurat dan real-time, sehingga memungkinkan perencanaan gerak kendaraan beradaptasi dengan baik. namun, sistem persepsi yang ada belum mampu berinteraksi dan beradaptasi karena keterbatasan informasi dalam mengenali dan memahami berbagai objek di lingkungan ini. keterbatasan ini menyebabkan kemampuan sistem persepsi dalam mendeteksi dan mengklasifikasikan objek menjadi rendah dan tidak akurat. tujuan penelitian ini adalah meningkatkan kemampuan sistem persepsi kendaraan otonom pada lingkungan mixed-traffic secara visual dalam mengenali dan memahami berbagai objek, sehingga mampu mendeteksi dan mengklasifikasikan objek secara akurat dan real-time. metode yang akan diterapkan pada penelitian ini adalah pembelajaran mesin dengan model convolutional neural networks (cnn). kontribusi utama penelitian ini adalah menghasilkan sebuah model persepsi yang mampu memahami lingkungan mixed-traffic secara lebih komprehensif untuk pengembangannya di masa depan. kebaruan dan keaslian penelitian ini meliputi: (1) tersedianya dataset baru, (2) model baru yang mampu mendeteksi dan mengklasifikasikan objek secara akurat dan real-time, serta (3) model ringan (lightweight) yang sesuai untuk digunakan pada kendaraan otonom di lingkungan mixed-traffic. hasil eksperimen menunjukkan bahwa model baru yang dikembangkan dalam penelitian ini mengungguli kemampuan berbagai model yang telah ada sebelumnya. kemampuan deteksi dan klasifikasinya meningkat secara keseluruhan, terbukti dengan peningkatan nilai map@0.5 hingga 6,1%, serta presisi yang mencapai 93,7% dan recall sebesar 93,4%. model ini secara signifikan meningkatkan akurasi deteksi sambil mempertahankan kompleksitas komputasi yang rendah

A self-driving car is a vehicle designed to autonomously take over the role of a human driver, enabling it to operate independently and safely without human intervention. This vehicle must be able to adapt to various infrastructure conditions and traffic characteristics, including complex and dynamic environments, irregularities, and the heterogeneity of road users. Mixed-traffic is a complex traffic environment with diverse types of vehicles and limited infrastructure. This environment features two lanes with opposing traffic directions without a median strip. The main challenge for autonomous vehicles in such environments is having a perception system capable of accurately and in real-time understanding traffic situations and conditions, including high lighting conditions and low visibility. This allows the vehicle's motion planning to adapt effectively. However, existing perception systems are still unable to interact and adapt due to limited information in recognizing and understanding various objects in these environments. This limitation results in low and inaccurate object detection and classification capabilities. This research aims to enhance the perception system capabilities of autonomous vehicles in mixed-traffic environments visually, enabling them to recognize and understand various objects accurately and in real-time. The method applied in this research is machine learning using Convolutional Neural Networks (CNN). The primary contribution of this research is the development of a perception model that can more comprehensively understand mixed-traffic environments for future development. The novelty and originality of this research include: (1) the availability of a new dataset, (2) a new model capable of accurately and in real-time detecting and classifying objects, and (3) a lightweight detection model suitable for use in autonomous vehicles in mixed-traffic environments. Experimental results show that the new model developed in this research outperforms various existing models. The detection and classification capabilities have improved overall, as evidenced by the increase in mAP@0.5 by up to 6.1%, with a precision of 93.7% and recall of 93.4%. This model significantly enhances detection accuracy while maintaining low computational complexity.