<![CDATA[Penelitian ini mengembangkan sistem kendali robot mobile berbasis Model Prediktif yang diintegrasikan dengan Pembelajaran Penguatan (Reinforcement Learning, RL) untuk memastikan kinerja optimal sekaligus menjaga keselamatan robot di lingkungan dinamis. Model prediktif digunakan untuk memproyeksikan trajektori jangka pendek robot, sementara RL mengoptimalkan kebijakan kendali melalui pengalaman interaksi dengan lingkungan, dengan reward yang mempertimbangkan efisiensi jalur dan penalti keselamatan. Evaluasi dilakukan melalui simulasi pada skenario dengan rintangan statis dan dinamis, serta dibandingkan dengan kendali tradisional dan prediktif saja. Hasil menunjukkan bahwa integrasi prediktif-RL menghasilkan jalur yang lebih pendek dan waktu tempuh lebih cepat (peningkatan efisiensi hingga 33%), serta tingkat keselamatan 100% tanpa tabrakan. Reward cumulative meningkat selama pelatihan, menandakan kebijakan RL berhasil menyeimbangkan kinerja dan keselamatan. Penelitian ini menunjukkan bahwa pendekatan prediktif-RL memungkinkan robot mobile mengambil keputusan kendali adaptif dan aman secara real-time, memberikan potensi signifikan untuk aplikasi robotik di lingkungan dinamis.]]>
Copyrights © 2025
