Perbandingan antara Ensemble Kalman Filter dan Fuzzy Kalman Filter: Aplikasi pada Estimasi Posisi
AUV SEGOROGENI ITS
Presented by: NGATINI
Estimasi Posisi AUV
Perbandingan antara Ensemble Kalman Filter
dan Fuzzy Kalman Filter:Aplikasi pada Estimasi Posisi
Autonomous Underwater Vehicle Presented by: NGATINI
Supervisor:
Prof. Dr. Dra. Erna Apriliani, M.Si
Hendro Nurhadi, Dipl-Ing., Ph.D
Perbandingan antara Ensemble Kalman Filter dan Fuzzy Kalman Filter:
Aplikasi pada Estimasi Posisi Autonomous Underwater Vehicle
BAGAIMANA PENELITIAN
INI ?
FUZZY KALMAN FILTER (ZUNIF ERMAYANTI, 2015) ENSEMBLE KALMAN FILTER Perbandingan
Estimasi Posisi AUV antara Metode EnKF dan FKF
Seminar Hasil Tesis 4 Mei 2016 13.00 WIB
RUMUSAN MASALAH
Bagaimana Estimasi Posisi AUV dengan EnKF ?
Bagaimana Perbandingan Estimasi EnKF dan FKF Seminar Hasil Tesis 4 Mei 2016 13.00 WIB
Estimasi posisi AUV sesuai dengan lintasan.
TUJUAN Metode yang lebih baik dalam estimasi posisi AUV.
Sebagai pengembangan dan penunjang penelitian pada bidang AUV Sebagai pustaka atau acuan untuk
MANFAAT
penelitian AUV selanjutnya Sebagai alat yang dapat diaplikasikan di Indonesia untuk beberapa bidang seperti industri kelautan, Militer, keilmuan, militer, lingkungan, pertahanan dan keamanan
AUV AUV adalah perangkat robotik yang dikendalikan di dalam air dengan menggunakan sistem penggerak, dikontrol dan dikemudikan (dikendalikan) oleh perangkat komputer dan bermanuver pada tiga dimensi (Von Alt, 2003). Gambar 1. AUV Segorogeni ITS
AUV 6 DOF :
3 Gerak Translasi
3 Gerak Rotasi Koordinat : Pusat Bumi Pusat Body Gambar 2. Sistem Koordinat AUV
NOTASI AUV SURGE SWAY HEAVE Gaya/Momen KECEPATAN POSISI
X Y Z u v w x y z
NOTASI AUV ROLL PITCH YAW Gaya/Momen KECEPATAN POSISI
K M N p q r
2
− + −
MODEL AUV SURGE
- <
- −
2
− + −
MODEL AUV SWAY
- <
- −
2
− + −
MODEL AUV HEAVE
- <
- −
MODEL AUV
− + ROLL − + − − + +
- =
MODEL AUV
− + − + − − + + PITCH =
2
MODEL AUV
− + − + − − + +
- YAW <
2
PENELITIAN SEBELUMNYA
ZUNIF ERMAYANTI “Estimasi dan Kendali Posisi Autonomous Underwater Vehicle
Berdasarkan Lintasan yang Ditentukan”.
FUZZY KALMAN FILTER
Estimasi dan Kendali Posisi Autonomous Underwater Vehicle Berdasarkan Lintasan yang Ditentukan (Ermayanti, 2015) LINEARISASI = +
= =
=
− mz
− ) −
G
− (mx
G
1 − my
−
G
− − mz
G
1 mz
−
G
− my
G
) −
1 mz
G
(M + x
− −
G
1 my
− ) −
G
− (mx
G
1 − mz
−
G
− − my
G
1
=
5
6 L
5 K
4 K
3 K
2 K
1 K
K
−1
=
6
f
f
2
L4
f
3
f
2
f
1
f
6
e
5
1
L
3
L4
6 O
5 P
4 P
3 P
2 P
1 P
6 P
5 O
4 O
3 O
2 O
1 O
5 N
4
L4 N
3 N
2 N
1 N
6 N
5 M
4 M
3 M
2 M
1 M
6
M
5
Le
e
−1
b
6
b
5
b
4
b
3
b
2
b
1
6
1
a
5
a
4
a
3
a
2
a
1
a
c
c
3
3
e
2
e
1
e
6
d
5
d
4
d
d
2
2
d
1
d
6
c
5
c
4
c
3
c
6
- 1
- 1
- 1
- 1
- 1
- 1 = −1
- − Menunjukan kecepatan sway minimum Menunjukan kecepatan sway maksimum 1<
- − Menunjukan kecepatan heave minimum Menunjukan kecepatan heave maksimum
- 1 − Menunjukan kecepatan roll minimum Menunjukan kecepatan roll maksimum 1<
- − Menunjukan kecepatan pitch minimum Menunjukan kecepatan pitch maksimum 1<
- − Menunjukan kecepatan yaw minimum Menunjukan kecepatan yaw maksimum 1<
- −
- −
- 1
- 1 k k k
- = ξ ∽ 0, , ∽ 0,
- 1 &mi>=1
- 1
- 1
- 1 >1 <
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1 +1 +1
- 1
- ⋯+ +
- =
- =
- 2
- − − + − + +
- − − − − + − − +
- 1
- 1
- 1 G
- Δ
- 1 G
- 1
- 1
- 1
- 1
- 1
+
− −+ =
berbagai persoalan berbentuk model , , , , 1 ( + = − ) sistem non linier.- −1 ,
- (
2 L
1 L
6 L
5 K
4 K
3 K
2 K
1 K
K
−1
Δ + +
6
5
f
f
4
f
3
f
2
f
1
f
6
e
5
3 L
4 L
5 L
2 O
Δ
6
5 P
4 P
3 P
2 P
1 P
6 P
5 O
4 O
3 O
1 O
6 M
6 O
5 N
4 N
3 N
2 N
1 N
6 N
5 M
4 M
3 M
2 M
1 M
e
4
e
b
6
b
5
b
4
b
3
b
2
b
1
6
1
a
5
a
4
a
3
a
2
a
1
a
c
c
3
3
e
2
e
1
e
6
d
5
d
4
d
d
2
2
d
1
d
6
c
5
c
4
c
3
c
Diskritisasi MBH Maju
Fuzzifikasi Simbol Keterangan Inisialisasi − Menunjukan kecepatan surge minimum Menunjukan kecepatan surge maksimum 1
Fuzzifikasi Fungsi Kenggotaan
− Jika kecepatan
− =
1
−
minimum Jika kecepatan
=
1 − + maksimum
−
Aturan Dasar Logika Fuzzy
IF-THEN
ℎ =
Aturan Dasar Logika Fuzzy n=6,
2
6
= 64 Aturan Aturan u v w p q r Output 1 1 1 1 1 1 1
1 2 1 1 1 1 1
2 3 1 1 1 1 1
3 4 1 1 1 1
4 5 1 1 1 1 1
5 6 1 1 1 1
6 7 1 1 1 1
7 8 1 1 1
8
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 64
64
Algoritma Fuzzy Kalman Filter Model Sistem = + B u + ξ
dan Pengukuran
k
0 = Inisialisasi Awal (0) =
Algoritma Fuzzy Kalman Filter Tahap Prediksi
−
= + B u
k k
(
)
k+1 +1
= (I − K
k+1
) Update Kovarian Error:
−
−
−
Algoritma Fuzzy Kalman Filter Tahap Koreksi
=
k+1
Update Estimasi:
−1
−
−
=
Kalman Gain
−
Defuzzifikasi
1
2
64
1
2
64
−
=
1
2
64
Estimasi dan Kendali Posisi Autonomous Underwater Vehicle Berdasarkan Lintasan yang Ditentukan (Ermayanti, 2015) Metode Fuzzy Kalman Filter (FKF) dan Kalman Filter
(KF) dapat digunakan untuk estimasi posisi gerak AUV.
RMSE hasil estimasi dengan menggunakan Fuzzy Kalman Filter memiliki error yang lebih kecil dibandingkan dengan Kalman Filter. Namun waktu komputasi yang dibutuhkan metode FKF lebih lama dibandingkan dengan KF.
ENSEMBLE KALMAN FILTER
my G mz
1 G − mz G
1 −
1 −
−
1 − (mx − ) G
2 my mz G G my mz G G
3 − −
− = mz G −
− − − 4 −
(M + x ) G
1 5 − my G (mx − ) G
1
6 − − − −
1 =
−1
=
1
1
−
2
2
− − + − + + +
1
2
−
2
2
3
=
1 −
2
− − + −
2
- <
4 =
1 −
5
=
1 −
2
− − − − + − − +
6
=
1 −
2
− − − − + − − +
Diskritisasi
− Metode Beda Hingga Maju +1 =
Δ
−1 my G mz G
1 −
− mz G −
1
1 −
(mx − ) G −
2
1
my mz G G −
my
mz G3 = −
−
− −
−
− mz4
1
(M +x ) − G
5 −
my (mx − ) − G G
1
6 −
− −
1
State Space dari Model Dinamik Gerak AUV
= + Δ −1
)
= ( , State Space
EnKF Model Sistem dan Pengukuran
)
= ( , + = +
= 1 0 0 1 0 0
0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0
0 1 = 10
−6
= 10
−6
Algoritma Ensemble Kalman Filter Inisialisasi 0, 0,1 0,2 0,3 0, = … ] 1 ENSEMBLE = =1 0, −
KALMAN , −1, −1 , + = , Algoritma Prediksi − − 1 FILTER (Enkf) enKF =
=1 ,
satu modifikasi metode EnKF merupakan salah− − − − −
1 = ( − ) ( − ) , , Kalman Filter. EnKF − 1 =1 adalah metode estimasi Koreksi , , =
− −
−1 yang banyak digunakan untuk estimasi=
=1 ,
− (Lewis, 2006) = 1 −Algoritma Ensemble Kalman Filter =
1 =1
0, 0,
=
0,1 0,2 0,3
…
0,
] Inisialisasi
Algoritma Ensemble Kalman Filter −
= , + −1, −1 , ,
1 − −
=1 ,
Tahap Prediksi
=
1 − − −
− − = ( − ) ( − )
, , − 1
=1
Algoritma Ensemble Kalman Filter ,
= +
,
=
− −
=
, −
,
−
, −
) =
1 =1 ,
= 1 −
− Tahap Koreksi
Transformasi Posisi = cos − sin = sin + cos
= =
LINTASAN AUV
LINTASAN PERSAMAAN DINAMIK GERAK AUV ENKF FKF
LINTASAN PERSAMAAN DINAMIK GERAK AUV ENKF FKF
PERBANDINGAN HASIL ESTIMASI LINTASAN I A B
LINTASAN II
A B A B
LINTASAN III
LINTASAN IV
RMSE, WAKTU KOMPUTASI DAN PERSENTASE ERROR
No Metode Posisi X (m) Posisi Y (m) Sudut (rad) Waktu (s)
1 EnKF 0,00152 0,00138 0,001123
1,688380
2 FKF 0,01981 0,01778 0,002287 3,3382 No Metode Posisi X (%) Posisi Y (%) Sudut (%)
1 EnKF 0,00152 0,00138 0,001123
2 FKF 0,01981 0,01778 0,002287
RMSE, WAKTU KOMPUTASI DAN PERSENTASE ERROR
No Metode Posisi X Posisi Y Sudut Waktu
1 EnKF 0,03953 0,00814 0,002008 2,91739
2 FKF 0,044275 0,001251 0,0000199 3,496043 LINTASAN I
No Metode Posisi X (%) Posisi Y (%)
1 EnKF 0,43 0,85
2 FKF 0,98 3,31
RMSE, WAKTU KOMPUTASI DAN PERSENTASE ERROR
LINTASAN II
No Metode Posisi X Posisi Z Sudut Waktu
1 EnKF 0,0553 0,0077 0,0427 2,983
2 FKF 0,0334 0,0031 0,00204 3,231
No Metode Posisi X (%) Posisi Z (%)
1 EnKF 0,087 2,41
2 FKF 0,171 1,49
RMSE, WAKTU KOMPUTASI DAN PERSENTASE ERROR
LINTASAN III
No Metode Posisi X Posisi Y Sudut Waktu
1 EnKF 0,009 0,0044 0,005 2,642
2 FKF 0,00045 0,00046 0,00001 3,5532
No Metode Posisi X (%) Posisi Y (%)
1 EnKF 0,977 4,86
2 FKF 0,928 0,83
RMSE, WAKTU KOMPUTASI DAN PERSENTASE ERROR
LINTASAN IV
No Metode Posisi X Posisi Y Posisi Z Sudut Waktu
1 EnKF 0,47017 0,467 0,082 0,10039 2,8194
2 FKF 0,3747 0,3662 0,0188 0,100388 3,80326
No Metode Posisi X (%) Posisi Y (%) Posisi Z (%)
1 EnKF 0,454 4,834 3,525
2 FKF 0,661 4,089 0,886
KESIMPULAN
1. Metode Fuzzy Kalman Filter dan
Ensemble Kalman Filter dapat digunakan untuk estimasi posisi AUV sesuai dengan lintasan yang ditentukan.KESIMPULAN
2. Pada kasus lintasan yang dibangun dengan sistem
persamaan dinamik gerak AUV, metode Ensemble Kalman Filter menghasilkan estimasi yang lebih bagus dibandingkan dengan metode Fuzzy Kalman Filter.
3. Pada kasus lintasan membelok, menyelam, lurus dan
lintasan tiga dimensi, metode yang lebih baik digunakan untuk estimasi posisi AUV tersebut yaitu metode Fuzzy Kalman Filter dibandingkan dengan metode Ensemble Kalman Filter.KESIMPULAN
4. Metode EnKF mampu mengestimasi lintasan yang
dibangun dari persamaan dinamik gerak AUV yang persentase error posisi akhir x, y dan z yaitu 0,032 %, 0,051 % dan 0,0768% yang berarti bahwa hasil estimasi posisi mendekati posisi tujuan lintasan.
5. Pada kasus estimasi posisi AUV, metode Ensemble
Kalman Filter lebih optimal dan mampu menghasilkan estimasi yang bagus pada model sistem yang dibangun dari persamaan dinamik non linier gerak AUVKESIMPULAN
6. Lama waktu komputasi dari metode
Ensemble Kalman Filter dipengaruhi oleh
jumlah ensemble yang dibangkitkan.
7. Waktu komputasi Ensemble Kalman Filter
dengan pembangkitan 50 ensemble lebih
cepat dibandingkan dengan Fuzzy Kalman
Filter.TERIMA KASIH
Presented by:
NGATINI
Perbandingan antara Ensemble Kalman Filter dan Fuzzy Kalman Filter:
Aplikasi pada Estimasi Posisi Autonomous Underwater Vehicle