<![CDATA[Penelitian ini mengembangkan sistem navigasi otonom closed-loop pada Madagascar hissing cockroach (Gromphadorhina portentosa) cyborg menggunakan pendekatan markerless pose estimation berbasis deep learning sebagai alternatif terhadap metode marker-based dan external motion capture system yang umum digunakan pada penelitian cyborg insect sebelumnya. Tiga model pose estimation, yaitu YOLO Pose v8, Heatmap Hourglass Network, dan DeepLabCut (DLC), dilatih dan dibandingkan untuk menentukan sudut hadap (heading angle) kecoa secara real-time melalui kamera tunggal topview. Estimasi sudut tersebut digunakan sebagai umpan balik dalam algoritma navigasi closed-loop yang mengarahkan kecoa menuju serangkaian titik checkpoint melalui stimulasi elektromekanis pada antena dan cerci, yang ditransmisikan secara nirkabel melalui protokol ESP-NOW ke backpack berbasis ESP32-C6 yang terpasang pada tubuh kecoa. Evaluasi dilakukan berdasarkan empat metrik, yaitu akurasi estimasi sudut (MAE, RMSE, R²), kompleksitas dan latensi inferensi, frame rate (FPS), serta tingkat noise estimasi sudut. Hasil pengujian menunjukkan bahwa model YOLO Pose v8 memberikan performa terbaik dengan MAE 2,75°, RMSE 3,70°, dan R² 0,9988, didukung oleh arsitektur ringkas (3,08 juta parameter) dan latensi inferensi rendah (32 ms), sehingga ditetapkan sebagai model terbaik untuk diintegrasikan ke dalam sistem navigasi. Pengujian sistem navigasi otonom pada tiga skenario lintasan (zigzag, belok kanan, dan belok kiri) menunjukkan bahwa kecoa cyborg berhasil mencapai target checkpoint pada seluruh percobaan dengan FPS rata-rata di atas 20, mengonfirmasi kelayakan sistem markerless untuk aplikasi navigasi biohybrid secara real-time tanpa penanda fisik maupun perangkat motion capture eksternal.]]>
Copyrights © 2026
