<![CDATA[Penelitian ini bertujuan untuk mengembangkan model kecerdasan buatan (AI) hibrida guna memungkinkan kendaraan aerial (drone) melakukan manuver manipulasi yang kompleks dan lincah di lingkungan yang dinamis. Pendekatan konvensional berbasis model fisik seringkali gagal dalam menangani ketidakpastian dan non-linearitas saat berinteraksi dengan objek di udara. Oleh karena itu, kami mengusulkan arsitektur AI hibrida yang menggabungkan Deep Reinforcement Learning (DRL) untuk pengambilan keputusan secara real-time dengan Neural Network fisis atau Model Predictive Control (MPC) yang dimodifikasi untuk memastikan stabilitas dan presisi trayektori. Model ini dilatih dalam lingkungan simulasi yang merepresentasikan gaya aerodinamis dan kontak tak terduga. Hasil simulasi menunjukkan bahwa model hibrida yang diusulkan mampu mencapai tingkat keberhasilan manipulasi yang lebih tinggi dan waktu penyelesaian tugas yang lebih cepat dibandingkan metode konvensional atau metode berbasis pembelajaran tunggal, terutama dalam skenario penangkapan objek bergerak dan menghindari rintangan secara agresif. Temuan ini mengindikasikan potensi besar model hibrida untuk diaplikasikan pada misi pencarian dan penyelamatan, inspeksi industri, dan logistik di masa depan.]]>
Copyrights © 2026
