| Abstract |
: |
Sistem navigasi manusia merupakan model utama para peneliti dalam mengembangkan sistem navigasi robot. Berbagai metode telah dikembangkan untuk mencapai performa sistem navigasi manusia pada robot, dimana salah satu dari metode tersebut bernama Monocular Simultaneous Localization and Mapping (monoSLAM). Dari berbagai faktor yang mempengaruhi performa monoSLAM, metode ekstraksi fitur yang digunakan menjadi salah satu faktor penentu estimasi posisi dan pemetaan yang akurat.
Bermacam-macam metode ekstraksi fitur telah diuji pada SLAM dan beberapa diantarnya, seperti ORB, FAST, GFTT, MREAK dan FREAK, muncul sebagai metode yang relatif lebih populer dibandingkan dengan metode-metode lain pada monoSLAM. Pada penelitian sebelumnya yang dilakukan oleh peneliti, dikembangkan sebuah metode ekstraksi fitur bernama FAST-FREAK pada sistem monoSLAM yang dikembangkan berbasis Extended Kalman Filter (EKF) dengan metode pengenalan optical flow. Hasil penelitian yang didapatkan menunjukkan akurasi 80,51?ngan rata-rata waktu pemrosesan 36,2 ms untuk monoSLAM dengan fitur FAST-FREAK pada lingkungan tertutup. Dari hasil penelitian tersebut, disimpulkan bahwa fitur FAST-FREAK cocok digunakan pada SLAM dengan akurasi dan kecepatan pemrosesan yang relatif baik.
Pada penelitian lanjutan ini, peneliti membuat analisis studi komperatif penggunaan pasangan Detektor dan Deskriptor fitur FAST-FREAK, FAST-MREAK, GFTT-BRIEF, GFTTFREAK, GFTT-MREAK, dan ORB-ORB. Pada Dataset KITTI dan dataset Oxford. Dari Hasil Penelitian diketahui bahwa fitur ORB-ORB memiliki matching rate yang terbaik dan cenderung stabil dibandingkan dengan pasangan ORB-ORB dan ORB-FREAK. Sedangkan untuk pengujian menggunakan KITTI Dataset fitur OR-ORB juga memiliki performa yang paling baik dengan nilai translation RMSE dan Rotation RMSE terendah sebesar 3,8887 dan 0,0199 |
