Electronic Theses and Dissertation

Sistem persepsi memainkan peran krusial dalam pengambilan keputusan waktu nyata (real-time) dalam transportasi cerdas, terutama dalam kondisi lalu lintas yang tidak pasti. Tantangan seperti pergerakan dinamis, ketidakpastian, oklusi, dan interaksi ambigu memerlukan pengembangan kerangka kerja deteksi dan pelacakan adaptif. Untuk mengatasi masalah ini, kami menghadirkan UMT-Dataset, sebuah perluasan dari MXT-Dataset, yang dirancang untuk menangani perilaku objek dinamis dalam lingkungan lalu lintas campuran. Kami juga mengusulkan kerangka kerja YOLOv10-UMT, yang mengintegrasikan YOLOv10n dengan algoritma bag-of-trick yang dimodifikasi untuk identifikasi ulang + simple online and realtime tracking (BoT-SORT) sederhana yang disempurnakan oleh extended Kalman filter (EKF) dan mekanisme noise scale adaptif (NSA). Metode ini meningkatkan kemampuan BoT-SORT untuk memperkirakan posisi objek secara lebih andal dalam kondisi yang tidak pasti. Integrasi EKF dapat menangani lintasan nonlinier dengan lebih akurat, sementara NSA dapat menyesuaikan pengukuran secara adaptif untuk deteksi. Hasil eksperimen menunjukkan bahwa integrasi YOLOv10n dengan BoT-SORT yang dimodifikasi menggunakan EKF+NSA meningkatkan presisi dan efisiensi secara signifikan. Temuan ini telah dipublikasikan pada jurnal internasional bereputasi Q1 (IEEE Open Journal of Vehicular Technology) dan berfungsi sebagai pengganti tesis. Publikasi tersebut sudah mencakup seluruh bagian penelitian, yaitu pendahuluan, metode, dan hasil, yang telah dijelaskan secara lengkap dalam artikel jurnal yang sudah diterbitkan. Model yang diusulkan efektif untuk deteksi dan pelacakan adaptif dalam lalu lintas yang tidak menentu, memprioritaskan akurasi, efisiensi waktu, dan berkontribusi pada modul persepsi yang andal dalam sistem transportasi cerdas di dunia nyata.

Kata kunci: YOLOv10, BoT-SORT, Extended Kalman Filter, Uncertainty Mixed-Traffic

Perception systems play a crucial role in real-time decision-making in intelligent transportation, particularly in uncertain traffic. Challenges such as dynamic movement, unpredictability, occlusion, and ambiguous interactions necessitate the development of adaptive detection and tracking frameworks. To address these issues, we present the uncertainty mixed-traffic (UMT-Dataset), an extension of the MXT-Dataset, tailored to address dynamic object behavior in mixed-traffic environments. We also propose the YOLOv10-UMT framework, which integrates YOLOv10n with a modified bag-of-tricks for re-identification + simple online and real-time tracking (BoT-SORT) algorithm enhanced by an extended Kalman filter (EKF) and a noise scaling adaptive (NSA) mechanism. This method enhances BoT-SORT's ability to estimate object positions more reliably under uncertain conditions. The EKF integration can handle nonlinear trajectories more accurately, whereas the NSA can adaptively adjust measurements for detection. Experimental results show that integrating YOLOv10n with modified BoT-SORT using EKF+NSA significantly improves the precision and efficiency. These findings have been published in an internationally reputable Q1 journal (IEEE Open Journal of Vehicular Technology) and serve as a substitute for the thesis. The publication comprehensively presents all parts of the research, include introduction, methodology, and results, which have been thoroughly described in the peer-reviewed journal article that has already been published. The proposed model demonstrates effectiveness in adaptive detection and tracking under uncertain traffic conditions, prioritizing accuracy and time efficiency, and contributing to a more reliable perception module for real-world intelligent transportation systems. Kata kunci: YOLOv10, BoT-SORT, Extended Kalman Filter, Uncertainty Mixed-Traffic