Sensor LiDAR

 Sensor LiDAR

1. Pengertian LiDAR

LiDAR (Light Detection and Ranging) adalah teknologi pemetaan dan pengukuran jarak yang menggunakan pulsa laser untuk menentukan jarak objek dari sensor. LiDAR banyak digunakan dalam navigasi kendaraan otonom, pemetaan 3D, dan sistem penghindaran rintangan.

2. Prinsip Kerja LiDAR

LiDAR bekerja berdasarkan prinsip Time-of-Flight (ToF), yaitu:

1. Sensor mengirimkan pulsa laser ke arah target.
2. Pulsa laser dipantulkan kembali oleh objek yang terkena.
3. Sensor menerima kembali pulsa tersebut dan menghitung waktu tempuhnya.
4. Berdasarkan kecepatan cahaya ( m/s), jarak ke objek dihitung menggunakan rumus:

$$d=\frac{c\times t}{2}$$

di mana:

• $d$ adalah jarak ke objek,
• $c$ adalah kecepatan cahaya,
• $t$ adalah waktu tempuh pulsa laser (waktu pergi dan kembali).

3. Komponen Utama LiDAR

LiDAR terdiri dari beberapa komponen utama:

• Sumber Laser: Menghasilkan pulsa cahaya inframerah atau ultraviolet.
• Detektor (Sensor Fotodioda/Photodetector): Mendeteksi pulsa pantulan dari objek.
• Sistem Pemrosesan Sinyal: Mengolah data untuk menghasilkan informasi jarak dan posisi.
• Unit Pemindaian (Scanning System): Menggerakkan laser ke berbagai arah untuk pemetaan 3D.
• GPS dan IMU: Digunakan dalam aplikasi navigasi untuk menentukan posisi sensor secara akurat.

4. Jenis-Jenis LiDAR

LiDAR dapat dikategorikan berdasarkan metode pemindaian dan penggunaan:

a) Berdasarkan Metode Pemindaian

1. Terrestrial LiDAR: Dipasang di tanah atau kendaraan untuk pemetaan daratan.
2. Airborne LiDAR: Dipasang pada pesawat atau drone untuk pemetaan wilayah luas.
3. Mobile LiDAR: Dipasang pada kendaraan bergerak untuk pemetaan jalan dan infrastruktur.

b) Berdasarkan Teknik Pengukuran

1. Time-of-Flight (ToF) LiDAR: Mengukur waktu tempuh cahaya untuk menghitung jarak.
2. Frequency Modulated Continuous Wave (FMCW) LiDAR: Menggunakan perbedaan frekuensi untuk mengukur jarak dan kecepatan objek.
3. Flash LiDAR: Menggunakan satu pulsa lebar untuk menangkap seluruh area sekaligus.

5. Aplikasi LiDAR

1. Kendaraan Otonom: LiDAR digunakan untuk mendeteksi kendaraan lain, pejalan kaki, dan rintangan di sekitar mobil.
2. Pemetaan 3D: Digunakan dalam arsitektur, konstruksi, dan pemetaan hutan.
3. Robotika: Untuk navigasi dan pemetaan lingkungan dalam robot otonom.
4. Keamanan dan Pengawasan: Digunakan dalam sistem keamanan untuk mendeteksi pergerakan.
5. Agrikultur: Digunakan untuk analisis lahan dan pertumbuhan tanaman.

6. Keunggulan dan Kelemahan LiDAR

Keunggulan	Kelemahan
Akurasi tinggi dalam pemetaan 3D	Mahal dibandingkan sensor lain seperti kamera dan radar
Tidak terganggu oleh kondisi pencahayaan	Tidak dapat mendeteksi objek transparan (misalnya kaca)
Mampu mendeteksi objek dengan detail tinggi	Kinerja bisa terpengaruh oleh kondisi cuaca buruk (hujan, kabut)
Waktu respons cepat untuk pengambilan data real-time	Membutuhkan daya pemrosesan tinggi untuk analisis data

7. Implementasi LiDAR dalam Python

Untuk membaca dan memproses data dari sensor LiDAR, kita bisa menggunakan pustaka Open3D atau NumPy.

a) Contoh Membaca Data LiDAR

import numpy as np
import open3d as o3d
# Membaca data point cloud dari file LiDAR
pcd = o3d.io.read_point_cloud("lidar_scan.pcd")
# Menampilkan data LiDAR
o3d.visualization.draw_geometries([pcd])

b) Contoh Simulasi Data LiDAR

import numpy as np
import matplotlib.pyplot as plt
# Simulasi data LiDAR (100 titik acak dalam bidang 2D)
num_points = 100
angles = np.linspace(0, 2*np.pi, num_points)
distances = np.random.uniform(1, 10, num_points)  # Simulasi jarak acak
# Konversi ke koordinat kartesian
x = distances * np.cos(angles)
y = distances * np.sin(angles)
# Plot hasil
plt.figure(figsize=(6,6))
plt.scatter(x, y, c='b', label="Simulasi LiDAR")
plt.xlabel("X (m)")
plt.ylabel("Y (m)")
plt.legend()
plt.grid()
plt.show()

8. Kesimpulan

LiDAR adalah sensor canggih yang digunakan untuk mengukur jarak dan membangun model lingkungan dalam berbagai aplikasi. Dengan akurasi tinggi dan pemetaan real-time, LiDAR menjadi teknologi penting dalam kendaraan otonom, robotika, dan pemetaan 3D.

Algoritma Sensor Fusion dan Implementasi dalam Python

 Algoritma Sensor Fusion dan Implementasi dalam Python

Abstrak Sensor Fusion adalah teknik menggabungkan data dari berbagai sensor untuk meningkatkan akurasi dan keandalan sistem. Dalam artikel ini, kita akan membahas konsep dasar Sensor Fusion, algoritma yang digunakan seperti Kalman Filter, Complementary Filter, dan Particle Filter, serta implementasinya menggunakan bahasa pemrograman Python.

Kata Kunci: Sensor Fusion, Kalman Filter, Complementary Filter, Particle Filter, Python, Estimasi Data

---

1. Pendahuluan

Sensor Fusion digunakan dalam berbagai aplikasi seperti kendaraan otonom, robotika, dan sistem navigasi. Dengan menggabungkan data dari beberapa sensor seperti IMU (Inertial Measurement Unit), GPS, dan LiDAR, sistem dapat memperoleh estimasi keadaan yang lebih akurat.

2. Algoritma Sensor Fusion

2.1 Kalman Filter

Kalman Filter adalah algoritma berbasis probabilistik yang digunakan untuk mengestimasi keadaan sistem dinamis dengan mengurangi ketidakpastian pengukuran sensor. Algoritma ini bekerja dengan pendekatan dua tahap:

1. Prediksi (Prediction Step):
   • Menggunakan model sistem untuk memperkirakan keadaan berikutnya.
   • Memperhitungkan ketidakpastian berdasarkan noise sistem.
2. Koreksi (Update Step):
   • Memperbaiki estimasi berdasarkan pengukuran sensor.
   • Menggunakan perhitungan bobot optimal melalui matriks kovariansi untuk meminimalkan kesalahan estimasi.

Persamaan Dasar Kalman Filter

1. Prediksi keadaan:

$${\widehat{x}}_{k\mathrm{\mid }k-1}=A{\widehat{x}}_{k-1\mathrm{\mid }k-1}+B{u}_k$$

2. Prediksi kovariansi kesalahan:

$$P_{k\mathrm{\mid }k-1}=A{P}_{k-1\mathrm{\mid }k-1}{A}^T+Q$$

3. Perhitungan gain Kalman:

$$K_k=P_{k\mathrm{\mid }k-1}{H}^T(H{P}_{k\mathrm{\mid }k-1}{H}^T+R{)}^{-1}$$

4. Koreksi estimasi berdasarkan pengukuran:

$${\widehat{x}}_{k\mathrm{\mid }k}={\widehat{x}}_{k\mathrm{\mid }k-1}+K_k(z_k-H{\widehat{x}}_{k\mathrm{\mid }k-1})$$

5. Koreksi kovariansi kesalahan:

$$P_{k\mathrm{\mid }k}=(I-K_{k}H)P_{k\mathrm{\mid }k-1}$$

Kalman Filter banyak digunakan dalam navigasi GPS, pemrosesan sinyal, dan sistem kendali otomatis untuk estimasi yang lebih akurat.

2.2 Complementary Filter

Complementary Filter adalah teknik sederhana yang menggabungkan data dari sensor dengan frekuensi tinggi dan rendah untuk mengurangi noise.

Teknik ini sering digunakan dalam aplikasi pengolahan sinyal, seperti estimasi sudut dalam sistem navigasi berbasis IMU (Inertial Measurement Unit). Dalam IMU, akselerometer dapat digunakan untuk mengukur orientasi berdasarkan gravitasi, tetapi sangat rentan terhadap noise jangka pendek. Sebaliknya, giroskop memberikan data kecepatan sudut dengan akurasi tinggi dalam jangka pendek tetapi mengalami drift dalam jangka panjang.

Complementary Filter bekerja dengan memanfaatkan kedua sensor ini:

• Menggunakan akselerometer untuk koreksi drift jangka panjang.
• Menggunakan giroskop untuk perhitungan orientasi jangka pendek.

Persamaan Complementary Filter

data estimasi sudut $\theta$ dapat dihitung menggunakan rumus berikut:

$$\theta =\alpha ({\theta }_{sebelumnya}+\omega \mathrm{\Delta }t)+(1-\alpha )({\theta }_{akselerometer})$$

Di mana:

• $\alpha$ adalah parameter filter (biasanya antara 0.90 - 0.98),
• $\omega$ adalah kecepatan sudut dari giroskop,
• ${\theta }_{akselerometer}$ adalah sudut yang dihitung dari akselerometer.

Complementary Filter sering digunakan dalam sistem navigasi drone, robot, dan kendaraan untuk estimasi sudut yang stabil dan akurat.

2.3 Particle Filter

Particle Filter digunakan untuk estimasi keadaan sistem non-linear dan non-Gaussian dengan pendekatan berbasis partikel probabilistik. Particle Filter bekerja dengan menggunakan sejumlah besar partikel untuk merepresentasikan distribusi probabilitas keadaan sistem. Langkah-langkah utama dalam Particle Filter adalah:

1. Inisialisasi: Menentukan sejumlah partikel dengan distribusi awal.

2. Prediksi: Memperbarui setiap partikel berdasarkan model dinamika sistem.

3. Pengukuran: Menghitung bobot setiap partikel berdasarkan pengukuran sensor.

4. Resampling: Memilih ulang partikel berdasarkan bobotnya untuk mempertahankan partikel dengan estimasi yang lebih akurat.

Persamaan dasar dalam Particle Filter adalah:

• Prediksi:

  
  
  

• Update Bobot:

  
  
  

• Normalisasi Bobot: 

  
  
  

• Resampling: Menggunakan metode seperti sistem resampling berjenjang atau resampling sistematis untuk mempertahankan partikel yang lebih relevan.

Particle Filter sering digunakan dalam aplikasi seperti pelacakan objek, robotika, dan navigasi kendaraan otonom.

3. Implementasi dalam Python

3. Implementasi dalam Python

3.1 Implementasi Kalman Filter

import numpy as np
class KalmanFilter:
    def __init__(self, A, B, H, Q, R, P):
        self.A = A  # Matriks transisi keadaan
        self.B = B  # Matriks kontrol
        self.H = H  # Matriks observasi
        self.Q = Q  # Kovariansi proses
        self.R = R  # Kovariansi pengukuran
        self.P = P  # Kovariansi kesalahan
        self.x = np.zeros((A.shape[0], 1))
    
    def predict(self, u):
        self.x = np.dot(self.A, self.x) + np.dot(self.B, u)
        self.P = np.dot(np.dot(self.A, self.P), self.A.T) + self.Q
        return self.x
    
    def update(self, z):
        y = z - np.dot(self.H, self.x)
        S = np.dot(np.dot(self.H, self.P), self.H.T) + self.R
        K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S))
        self.x = self.x + np.dot(K, y)
        self.P = self.P - np.dot(np.dot(K, self.H), self.P)
        return self.x

3.2 Implementasi Complementary Filter

def complementary_filter(acc_angle, gyro_rate, alpha=0.98):
    return alpha * (gyro_rate) + (1 - alpha) * acc_angle

3.3 Implementasi Particle Filter

import random
def particle_filter(sensor_reading, particles, weights):
    new_particles = random.choices(particles, weights, k=len(particles))
    return new_particles

4. Kesimpulan

Sensor Fusion adalah teknik penting dalam sistem modern untuk menggabungkan berbagai data sensor secara optimal. Kalman Filter, Complementary Filter, dan Particle Filter adalah metode yang sering digunakan dalam berbagai aplikasi industri dan akademik.

Referensi

[1] Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. [2] Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. [3] Gustafsson, F. (2012). Statistical Sensor Fusion.