Simulasi Filter Kalman untuk Menduga Posisi dan Kecepatan

Gambar 4.5 a Kecepatan kendaraan b error kecepatan Hasil yang mirip terlihat pada gambar 4.5. Kecepatan hasil dugaan hampir berhimpitan dengan kecepatan sebenarnya, dengan berada di sekitar nol. Data untuk simulasi kedua ini dapat dilihat pada tabel-tabel berikut. Tabel 4.2 a Data Hasil Simulasi Filter Kalman untuk Menduga Posisi Langkah ke- Posisi Error Sebenar- nya Hasil pengukuran Hasil dugaan Pengukuran Pendugaan 0.0994 -9.113 0.0972 9.2124 0.0021 1 0.2883 18.1366 0.4273 -17.848 -0.139 2 0.5577 4.0492 0.956 -3.4916 -0.3984 3 1.4211 -10.849 1.5305 12.2696 -0.1094 4 2.4512 5.3331 2.4699 -2.8819 -0.0187 5 4.1189 -11.4 3.0548 15.5186 1.0641 6 5.795 6.2893 4.348 -0.4943 1.447 7 7.5521 10.5484 6.0898 -2.9964 1.4623 8 9.4432 8.4125 7.8112 1.0307 1.632 9 11.245 21.1474 10.9565 -9.9025 0.2884 10 13.4755 19.6856 14.0457 -6.2101 -0.5702 11 15.5806 23.4704 17.6094 -7.8898 -2.0288 12 17.6352 4.7125 17.9174 12.9226 -0.2822 13 20.1427 25.6362 21.5556 -5.4935 -1.4129 14 23.0068 20.7088 23.9173 2.298 -0.9105 15 26.0045 22.1362 26.1861 3.8683 -0.1816 16 29.3984 6.905 25.1826 22.4933 4.2157 17 33.3481 46.5126 31.8078 -13.165 1.5402 18 37.3461 39.1154 36.1528 -1.7694 1.1933 19 41.4417 46.3046 41.2698 -4.8628 0.1719 20 45.381 56.2861 47.5908 -10.905 -2.2099 21 49.646 53.0782 52.3608 -3.4322 -2.7148 22 54.1122 58.4986 57.4316 -4.3865 -3.3194 23 59.3349 46.2599 59.2923 13.075 0.0427 24 64.6258 71.1174 65.5893 -6.4915 -0.9634 25 69.9147 51.7798 67.1216 18.1349 2.7931 26 75.8226 76.9241 73.1727 -1.1015 2.6499 27 81.827 84.3699 79.7253 -2.5429 2.1017 28 88.1888 101.14 88.5301 -12.952 -0.3414 29 94.6999 99.3875 95.6453 -4.6877 -0.9455 30 100.969 115.675 104.797 -14.705 -3.8274 31 107.231 108.365 111.057 -1.1339 -3.8265 32 113.497 84.6739 111.509 28.8234 1.9888 33 119.69 113.923 117.331 5.7665 2.3591 34 125.91 120.693 123.439 5.2173 2.4711 35 132.068 136.573 131.596 -4.5049 0.4717 36 138.17 123.878 135.864 14.2911 2.3059 37 144.402 136.503 141.734 7.8993 2.6683 38 151.009 158.961 150.967 -7.9527 0.0414 39 158.299 170.053 160.876 -11.754 -2.5776 40 166.197 157.151 166.572 9.0466 -0.3749 41 174.578 179.121 175.497 -4.5434 -0.9195 42 183.626 180.984 183.242 2.6414 0.384 43 192.94 187.401 190.841 5.5399 2.0996 44 202.313 196.566 198.85 5.7468 3.4628 45 212.111 222.325 210.514 -10.214 1.597 46 221.999 234.582 222.671 -12.583 -0.6719 47 232.232 249.156 235.685 -16.925 -3.454 48 242.571 264.491 249.566 -21.92 -6.9952 49 253.29 257.313 259.681 -4.0226 -6.3902 50 264.184 282.404 272.897 -18.22 -8.7131 51 275.106 273.218 281.981 1.888 -6.875 52 286.317 291.608 292.921 -5.2907 -6.6035 53 297.43 294.837 302.461 2.5929 -5.0304 54 308.361 312.096 313.561 -3.7351 -5.2001 55 319.913 320.899 324.337 -0.9866 -4.4245 56 331.673 335.206 335.915 -3.5329 -4.2419 57 343.4 351.161 348.512 -7.7616 -5.1126 58 355.341 379.996 364.554 -24.654 -9.2122 59 367.691 366.965 375.241 0.726 -7.5495 60 380.06 378.475 386.102 1.5847 -6.0427 Tabel 4.2 b Data Hasil Simulasi Filter Kalman untuk Menduga Kecepatan Langkah ke- Kecepatan sebenarnya Kecepatan hasil dugaan Error pendugaan 0.1816 0.1982 -0.0165 1 0.1894 0.4123 -0.223 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2 0.5775 0.6179 -0.0404 3 0.9629 0.7783 0.1846 4 1.3412 0.9926 0.3487 5 1.5316 1.0902 0.4414 6 1.5493 1.3085 0.2407 7 1.8109 1.5618 0.2491 8 1.9816 1.7704 0.2112 9 2.2603 2.1406 0.1197 10 2.1559 2.4458 -0.2899 11 2.02 2.7641 -0.7441 12 2.469 2.6832 -0.2142 13 2.7173 2.9728 -0.2554 14 2.9556 3.1012 -0.1456 15 3.2517 3.2104 0.0413 16 3.6692 3.0011 0.6681 17 3.7428 3.5287 0.2142 18 3.6491 3.7943 -0.1452 19 3.8061 4.105 -0.2989 20 4.2597 4.4953 -0.2356 21 4.372 4.7109 -0.3389 22 5.079 4.9342 0.1448 23 5.1115 4.8506 0.2609 24 5.272 5.171 0.101 25 5.6512 5.0361 0.6151 26 6.0205 5.3182 0.7023 27 6.141 5.6202 0.5208 28 6.1343 6.0983 0.036 29 6.2352 6.3811 -0.1458 30 6.0918 6.8226 -0.7307 31 6.1897 6.9626 -0.7729 32 6.0973 6.5632 -0.4659 33 6.2049 6.6869 -0.4821 34 6.0414 6.8253 -0.7839 35 6.029 7.1372 -1.1081 36 6.2088 7.0674 -0.8586 37 6.4908 7.1495 -0.6587 38 7.0864 7.5298 -0.4434 39 7.7584 7.9369 -0.1785 40 8.3487 7.9242 0.4245 41 8.9523 8.206 0.7463 42 9.244 8.355 0.889 43 9.3666 8.4773 0.8893 44 9.5546 8.6256 0.929 45 9.8017 9.0926 0.7092 46 9.9854 9.5618 0.4236 47 10.192 10.0662 0.1258 48 10.4657 10.6036 -0.1378 49 10.8472 10.7501 0.0971 50 11.0241 11.1649 -0.1408 51 11.0967 11.1669 -0.0701 52 10.94 11.3372 -0.3972 53 10.9519 11.3649 -0.413 54 11.4768 11.5318 -0.055 55 11.4918 11.6541 -0.1624 56 11.7468 11.8381 -0.0913 57 11.98 12.098 -0.1179 58 12.4057 12.647 -0.2413 59 12.1924 12.6599 -0.4676 60 12.376 12.6875 -0.3115

C. Penerapan Filter Kalman dalam Berbagai Bidang

Filter Kalman sering digunakan dalam sistem robotik. Dari berbagai faktor yang mempengaruhi performa sistem robotik, filter Kalman memiliki kontribusi yang besar terhadap persepsi visi robot. Dalam hal ini, filter Kalman menyelesaikan masalah ketidakpastian dalam lokalisasi robot, navigasi, tracking, kontrol gerak, dan lain-lain. Lokalisasi oleh visi artifisial merupakan kunci bagi robot bergerak, khususnya pada lingkungan dimana GPS tidak akurat dan sensor inertial tidak tersedia. Peranan filter Kalman dalam berbagai persepsi visi robot yang paling signifikan antara lain: 1. Kontrol robot 2. Tracking objek 3. Mengikuti jalur 4. Pendugaan dan prediksi data 5. Lokalisasi robot 6. Manipulasi robotik 7. Navigasi visual Sedangkan metode-metode untuk menyelesaikan masalah visi robot antara lain: 1. Filter Kalman 2. Filter Kalman keadaan seimbang 3. Ensemble Kalman Filter EnKF 4. Adaptive Kalman Filter AKF PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 5. Switching Kalman Filter SKF 6. Fuzzy Kalman Filter 7. Extended Kalman Filter EKF 8. Augmented State EKF Beberapa tujuan dengan metode yang cocok untuk dijalankan dapat dilihat pada tabel 4.3. Tabel 4.3 Tujuan dan Metode Filter Kalman yang Berkaitan Tujuan Metode Lokalisasi robot bergerak EKF untuk robot bergerak dalam lingkungan Navigasi berdasarkan visi EKF untuk pendugaan posisi dan orientasi Deteksi objek Filter Kalman untuk integrasi informasi dan adapsi parameter Stabilisasi gambar EKF untuk prediksi sudut Kendaraan Autonomous EKF untuk deteksi cepat dan tracking pembatas jalan Estimasi pose EKF untuk kompensasi dan fusi informasi Selain untuk visi robot, aplikasi filter Kalman juga bisa digunakan dalam berbagai bidang, khususnya yang mempunyai dua tujuan utama yaitu menduga keadaan dari suatu sistem dinamis dan menganalisis kelangsungan pendugaan sistem.