Machine Translated by Google

©2016 IEEE. Dicetak ulang, dengan izin, dari MM

Almasri, KM Elleithy, dan AM Alajlan, “Pengembangan penghindaran
rintangan yang efisien dan robot bergerak mengikuti garis dengan
integrasi sistem logika fuzzy dalam lingkungan statis dan
dinamis.” Dalam Prosiding 2016 IEEE Long Island Systems,
Applications and Technology Conference (LISAT), East
Farmingdale, NY, 2016. DOI: 10.1109/LISAT.2016.7494139.

Materi ini diposting di sini dengan izin dari IEEE.

Izin IEEE tersebut tidak dengan cara apa pun menyiratkan
pengesahan IEEE atas produk atau layanan
Universitas Bridgeport mana pun. Penggunaan materi ini secara
internal atau pribadi diperbolehkan. Namun, izin untuk
mencetak ulang/menerbitkan ulang materi ini untuk
tujuan periklanan atau promosi atau untuk membuat karya
kolektif baru untuk dijual kembali atau didistribusikan kembali
harus diperoleh dari IEEE dengan menulis ke pubs-
permissions@[Link]. Dengan memilih untuk melihat
dokumen ini, Anda menyetujui semua ketentuan undang-undang hak cipta yan
Machine Translated by Google

Pengembangan Penghindaran Rintangan yang Efisien dan

Robot Seluler Garis Mengikuti dengan Integrasi
Sistem Logika Fuzzy secara Statis dan Dinamis
Lingkungan
Marwah M. Almasri, Khaled M. Elleithy, Abrar M. Alajlan
Departemen Ilmu Komputer dan Teknik
Universitas Bridgeport
Bridgeport,
CT maalmasr@[Link], elleithy@[Link], aalajlan@[Link]

Abstrak— Autonomous mobile robot telah banyak digunakan dalam meningkatkan kepercayaan dan keakuratan data yang menyatu.
berbagai penelitian dan aplikasi. Robot seluler dapat diprogram Terakhir, cooperative data fusion yaitu menggabungkan beberapa data untuk
untuk melakukan tugas tertentu seperti menghindari tabrakan dan mendapatkan keluaran baru yang lebih kompleks dibandingkan dengan data
perencanaan lintasan. Berbagai jenis sensor dan aktuator dipasang aslinya [1].
pada robot ini untuk merasakan lingkungan sekitar dan membuat
keputusan yang sesuai. Dalam makalah ini, kami mengembangkan
Selain itu, penghindaran tabrakan dan perencanaan jalur adalah tugas
teknik menghindari tabrakan dan mengikuti garis untuk navigasi
paling penting yang dibutuhkan saat merancang sistem navigasi robot
robot bergerak di lingkungan statis dan dinamis dengan integrasi
fusi logika fuzzy. Untuk teknik penghindaran tabrakan, delapan bergerak. Oleh karena itu, mengintegrasikan fusi data akan meningkatkan
sensor jarak digunakan untuk mendeteksi hambatan statis dan keandalan dan akurasi sistem.
dinamis. Logika fuzzy yang diusulkan untuk mekanisme line Kekhawatiran penghindaran tabrakan dengan mencegah robot seluler
following terdiri dari satu masukan dan dua keluaran. Inputnya bertabrakan dengan rintangan atau objek apa pun yang ditemui dalam
adalah selisih nilai ground sensor kanan dan kiri sedangkan perjalanannya sementara garis mengikuti sebagian besar masalah dengan
outputnya adalah kecepatan kiri dan kanan untuk mengarahkan mengikuti robot garis hitam atau jalur yang telah ditentukan. Kedua teknik ini
mobile robot. Beberapa fungsi keanggotaan dan aturan fuzzy banyak digunakan di banyak aplikasi robot bergerak.
dirancang. Metode yang diusulkan telah berhasil diuji di simulator
Hambatan di lingkungan apa pun bisa statis dengan posisi tetap atau dinamis
Webots Pro dan dalam percobaan waktu nyata.
dengan posisi tidak tetap. Berurusan dengan hambatan dinamis adalah tugas
yang lebih kompleks.
Kata Kunci- Pengontrol Logika Fuzzy, penghindaran tabrakan,
mengikuti garis, robot bergerak, fusi data, hambatan dinamis. Oleh karena itu, dalam makalah ini kami merancang mekanisme
penghindaran tabrakan dan mengikuti garis untuk robot bergerak di lingkungan
I. PENDAHULUAN statis dan dinamis dengan integrasi fusi data untuk meningkatkan efisiensi
Robot mobil otonom telah banyak digunakan dalam banyak penelitian dan ketahanan sistem navigasi. Pengontrol logika fuzzy untuk mengikuti garis
dan aplikasi. Robot seluler dapat diprogram untuk melakukan tugas tertentu dikembangkan dan dirancang dengan input dan dua output, fungsi
seperti menghindari tabrakan dan perencanaan lintasan. Berbagai jenis keanggotaan berganda, dan sejumlah aturan fuzzy.
sensor dan aktuator dipasang pada robot ini untuk merasakan lingkungan
sekitar dan membuat keputusan yang sesuai. Namun, sensor ini memiliki
jenis yang berbeda sehingga memiliki akurasi dan fitur yang berbeda. Makalah ini disusun sebagai berikut. Bagian II menyajikan pekerjaan
Beberapa dari mereka mungkin kuat terhadap faktor lingkungan eksternal terkait. Bagian III membahas metode yang diusulkan secara rinci. Ini juga
seperti suhu dan tekanan tinggi sementara yang lain mungkin terpengaruh menjelaskan mekanisme penghindaran tabrakan dan desain pengontrol logika
yang mengakibatkan penurunan efisiensi dan keandalan sensor ini. fuzzy untuk mekanisme mengikuti garis. Bagian VI mendemonstrasikan
simulasi dan pengaturan eksperimental waktu nyata untuk navigasi robot
bergerak menggunakan teknik yang diusulkan. Hasil dan pembahasan
Akibatnya, beberapa sensor homogen atau heterogen diperlukan dalam evaluasi kinerja disajikan pada bagian V. Terakhir, bagian VI menyimpulkan
merancang sistem robot bergerak otonom yang efisien. Fusi data adalah makalah berdasarkan temuan.
proses menggabungkan dan menggabungkan berbagai jenis sumber dan
sensor untuk mendapatkan hasil yang ditingkatkan yang lebih signifikan dan
lebih dapat diandalkan [1]. Penggabungan data dapat saling melengkapi,
II. PEKERJAAN TERKAIT
berlebihan, atau kooperatif. Fusi data pelengkap berarti menggabungkan
sumber yang berbeda untuk mendapatkan keluaran yang lebih lengkap. Berbagai algoritma dan teknik perencanaan jalur dan penghindaran
tabrakan telah dikembangkan dalam literatur. Sejumlah teknik ini telah
Fusi data redundan menggabungkan jenis input yang sama diimplementasikan dengan integrasi sistem fusi data.
Machine Translated by Google

Pada [2], penulis mengembangkan mekanisme perencana AKU AKU AKU. METODE YANG DIUSULKAN

jalur yang terdiri dari metode Cellular Automata (CA) dan Ant Bagian ini membahas metode yang diusulkan secara rinci.
Colony Optimization (ACO) untuk beberapa robot bergerak. Tujuannya adalah untuk menavigasi robot seluler di lingkungan
Metode yang diusulkan dapat diterapkan dalam lingkungan yang statis dan dinamis tanpa bertabrakan dengan rintangan apa pun.
dinamis dan dalam aplikasi waktu nyata. Ini juga mengurangi Itu juga harus mengikuti garis hitam selama gerakannya. Untuk
kompleksitas dan dengan demikian meningkatkan kinerja. Teknik navigasi robot seluler yang efisien, kami mengusulkan robot
Fuzzy-Logic-Assisted Interactioning Multiple Model (FLAIMM) diperkenalkan padagaris
pengikut [3]. dan bebas tabrakan berdasarkan pengontrol logika
Penulis merancang dua filter Kalman yang diperluas (EKF) untuk fuzzy. Robot yang digunakan dalam pekerjaan kami adalah robot
memecahkan masalah dinamika robot bergerak sedangkan sistem E-puck yang memiliki sejumlah besar sensor untuk memantau
inferensi neurofuzzy adaptif (ANFIS) digunakan untuk memprediksi lingkungan sekitar.
slip. Pendekatan yang diusulkan telah diuji menggunakan navigasi
robot di lingkungan dalam ruangan yang membuktikan bahwa A. Robot Seluler E-puck
pekerjaan yang diusulkan meningkatkan akurasi lokasi. Dalam [4],
penulis menggunakan Pengontrol Adaptive Neuro Fuzzy Inference Robot e-puck dikembangkan di EPFL. Ini adalah robot seluler
System (ANFIS) untuk navigasi robot bergerak di lingkungan yang yang sederhana, fleksibel, dan ramah pengguna. Diameternya
berantakan dengan kondisi berbeda dan berbagai jenis objek. 7,4 cm dan tinggi 4,5 cm dengan berat 150 g [10]. Perangkat
ANFIS yang diusulkan telah berhasil diuji dalam simulasi dan keras terdiri dari mikrokontroler dan serangkaian sensor dan
eksperimen nyata. Robot seluler telah menghindari rintangan dan aktuator seperti: sensor kedekatan inframerah (IR), akselerometer
mencapai tujuan yang diinginkan dalam waktu yang lebih singkat. 3D, kamera RGB, tiga mikrofon, dua motor stepper, delapan
LED, dan speaker.
Selain itu, pada [5], penulis menerapkan sistem stereo vision Selain itu, robot E-puck dapat dihubungkan dengan sensor
menggunakan SLAM bersama dengan kerangka keputusan tambahan seperti ground sensor sebagai perpanjangan fisik [11].
Neurofuzzy untuk sistem navigasi robot bergerak. Metode yang
diusulkan telah berhasil membuat peta navigasi dan diuji pada Dalam pekerjaan kami, kami terutama berfokus pada delapan
platform robot yang realistis. Di [6], Memori Asosiatif Fuzzy yang sensor jarak yang merupakan sensor inframerah, dan tiga sensor
Dimodifikasi diperkenalkan untuk mengurangi basis aturan yang ground. Gbr. 1 menunjukkan robot E-puck dipasang dengan
digunakan dalam navigasi robot bergerak. Kerangka diuji dalam sensor jarak dan tanah. Seperti yang ditunjukkan pada Gbr.1,
simulasi dan percobaan waktu nyata dan selanjutnya dibandingkan kedelapan sensor jarak yang disumbangkan sebagai PS0, PS1,
dengan teknik lainnya. PS2, PS3, PS4, PS5, PS6, dan PS7 terletak di sekitar robot pada
arah yang berbeda. Sensor ini adalah sensor infra merah yang
Penulis di [7] telah menggunakan algoritma genetika dan mengukur jumlah cahaya yang dipantulkan dari setiap penghalang.
sistem logika fuzzy untuk perencanaan jalur robot bergerak. Nilai rentang dari sensor ini adalah [0 2000], dimana sebuah
Algoritma genetika digunakan untuk menghitung jalur optimal ke hambatan terdeteksi jika salah satu atau lebih dari sensor ini
tujuan terutama dalam lingkungan yang dinamis karena telah mengembalikan nilai 1000 atau lebih. Jika tidak, tidak ada
kemampuan adaptasinya yang efektif terhadap perubahan kendala di sekitar. Selain itu, sensor tanah yang disumbangkan
lingkungan. Hasil simulasi memvalidasi efisiensi tinggi dalam sebagai GS0, GS1, GS2 adalah sensor infra merah yang terletak
menggunakan mekanisme yang diusulkan dalam lingkungan di bawah keping E untuk mendeteksi garis untuk pendekatan garis berikut.
dinamis yang menantang. Dalam [8], penulis mengkombinasikan
teknik spiking neural network untuk mengarahkan mobile robot di
lingkungan yang diketahui dengan teknik logika fuzzy untuk
menavigasi mobile robot di lingkungan yang tidak diketahui.
Pendekatan hybrid ini mengurangi waktu dan jalur yang diambil
untuk mencapai target yang menghasilkan peningkatan kinerja navigasi robot bergerak.

Dalam [9], algoritma pelacakan jalur untuk jalur lurus dan

melengkung dikembangkan. Algoritma yang diusulkan didasarkan
pada logika fuzzy di mana dua pengontrol dirancang. Satu untuk
sudut kemudi mobile robot, dan yang lainnya untuk mengontrol
kecepatan linier mobile robot. Sistem penglihatan yang dibuat oleh
kamera yang terpasang pada robot merupakan masukan bagi
sistem fuzzy. Eksperimen ganda dilakukan untuk menguji
keefektifan teknik pelacakan jalur yang diusulkan dalam kasus
lurus dan melengkung. Pengontrol kemudi fuzzy dan pengontrol
kecepatan fuzzy berhasil menyesuaikan kecepatan robot bergerak
di semua percobaan yang dilakukan. Gbr.1: Robot E-puck
Machine Translated by Google

B. Simulator Webot
Variabel input delta (ÿ) dibagi menjadi empat fungsi keanggotaan sebagai
berikut: NB: negatif besar, NS: negatif kecil, PS: positif kecil, dan PB: positif
Simulator Webots adalah salah satu mobile robot simulator terkenal yang
besar. Keempat fungsi keanggotaan tersebut merupakan fungsi keanggotaan
banyak digunakan dalam berbagai penelitian. Ini digunakan untuk memodelkan, berbentuk segitiga. Gbr.3 menunjukkan fungsi keanggotaan untuk input delta (ÿ).
mendesain, dan memprogram lingkungan dan robot seluler. Webot terdiri dari
empat jendela utama. Pohon adegan mencantumkan semua rintangan dalam
berbagai bentuk, ukuran, dan warna, dan juga sejumlah besar sensor dan
aktuator simulasi. Jendela 3D menampilkan simulasi yang sebenarnya. Konsol
mencetak output.
Terakhir, pengontrol digunakan untuk mengedit dan menulis kode sumber.
Controller dapat ditulis dalam bahasa pemrograman yang berbeda seperti C, C+
+, Java, Python dan Matlab [10].

C. Perancangan Fuzzy Logic Controller untuk Mekanisme Line following

Sistem logika fuzzy telah digunakan dalam banyak aplikasi untuk

mengarahkan mobile robot. Ini banyak digunakan karena beban komputasinya
yang rendah dan kesederhanaannya. Sistem logika fuzzy memiliki tiga bagian
utama: fuzzifikasi, mesin inferensi dan defuzzifikasi. Proses fuzzifikasi Gbr.3: Memasukkan fungsi keanggotaan

bertanggung jawab untuk menghasilkan nilai fuzzy yang tajam. Mesin inferensi Selain itu, variabel keluaran LS dan RS dibagi menjadi empat fungsi
bertanggung jawab untuk menghitung variabel keluaran berdasarkan aturan keanggotaan sebagai berikut: Very-Low: artinya kecepatan sangat rendah, Low:
fuzzy yang ditentukan dalam hal representasi Jika, Maka. Terakhir, proses sesuai dengan kecepatan rendah, High: artinya kecepatan tinggi, dan Very-High:
defuzzifikasi digunakan untuk mengubah output fuzzy menjadi nilai tajam untuk artinya kecepatan sangat tinggi. kecepatan tinggi. Semua fungsi keanggotaan
tujuan mengarahkan mobile robot [12]. ini adalah fungsi keanggotaan berbentuk trapesium. Metode centroid digunakan
untuk proses defuzzifikasi. Gbr.4 menunjukkan fungsi keanggotaan keluaran.

Untuk pendekatan mengikuti garis dalam pekerjaan kami, kami menggunakan

tiga sensor tanah yang terletak di robot E-puck yang menghadap ke tanah.
Pertama, selisih (ÿ) antara sensor ground kanan (GS2) dan kiri (GS0) dihitung.
Nilai delta (ÿ) adalah input ke kontroler logika fuzzy. Dua output yang dihasilkan
adalah kecepatan motor kiri (LS), dan kecepatan motor kanan (RS) yang
mengatur kecepatan robot mengikuti garis. Jika kedua kecepatan sama, robot
akan bergerak maju; Namun jika nilai kecepatan kiri lebih rendah dari kecepatan
kanan, maka robot akan bergerak ke arah kiri dan sebaliknya.

Kode semu untuk pendekatan baris berikut direpresentasikan pada Gambar.2.

1. sementara (benar)

2. Aktifkan dan baca 3 nilai sensor arde

(GS0-GS2) Gambar 4: Fungsi keanggotaan keluaran

3. Hitung ÿ= GS2- GS0. Setelah mendefinisikan fungsi keanggotaan untuk input dan output, empat
aturan fuzzy IF-THEN dikembangkan untuk mekanisme line following sebagai
4. Fyzzify input ÿ
berikut:
5. Terapkan aturan fuzzy
• IF (Delta (ÿ) adalah NB) THEN (LS adalah Very-High) (RS adalah
6. Defuzzify output Sangat rendah)

7. Tetapkan nilai output ke kecepatan motor robot

• JIKA (Delta (ÿ) adalah NS) THEN (LS adalah Tinggi) (RS adalah Rendah)
LS dan RS
• IF (Delta (ÿ) adalah PS) THEN (LS adalah Rendah) (RS adalah Tinggi)
8. akhir sementara
• IF (Delta (ÿ) adalah PB) THEN (LS adalah Sangat Rendah) (RS adalah
Sangat tinggi)
Gbr.2: Baris mengikuti kode semu
Machine Translated by Google

Berdasarkan aturan tersebut, robot akan bergerak ke kiri atau ke kanan Selanjutnya, Gambar.7 menunjukkan simulasi berjalan pada waktu yang
mengikuti garis. berbeda. Robot merasakan lingkungan sekitar dengan sensornya. Dimulai
dengan mengikuti garis sampai menemukan rintangan di jalan. Seperti yang
ditunjukkan pada Gbr.7 (i, ii, dan iii), Robot A mendeteksi penghalang statis dan
D. Mekanisme Penghindaran Tabrakan memutarnya untuk menghindari tabrakan. Kemudian, kembali ke baris. Pada
Gambar 7 (iv, v, dan vi), Robot A dan Robot B saling mendeteksi sebagai
Delapan sensor jarak digunakan untuk deteksi halangan.
hambatan dinamis.
Sensor ini memiliki rentang dari 0 hingga 2000 sedangkan 1000 atau lebih berarti
Keduanya menghindari tabrakan dengan pergi ke arah berlawanan dan kemudian
ada rintangan yang dekat dan robot perlu menyesuaikan kecepatannya untuk
terus mengikuti garis. Selain itu, Robot B mendeteksi penghalang statis lain dan
berputar di sekitar rintangan tersebut. Setelah itu robot harus terus mengikuti
mencoba menghindarinya dengan memutar penghalang seperti yang ditunjukkan
garis jika tidak ada halangan. Ambang diatur ke 1000. Gbr.5 mewakili kode semu
pada Gambar 7 (vii dan viii). Akhirnya, Robot A mendeteksi penghalang statis
untuk pendekatan penghindaran tabrakan. kedua sementara Robot B mengikuti garis karena adanya penghalang statis
seperti pada Gambar.7 (ix). Eksperimen waktu nyata ditampilkan pada Gambar
8. Kedua robot A dan B saling mendeteksi sebagai hambatan dinamis dan
menghindari satu sama lain dengan mengatur kecepatan motor mereka dan
1. sementara (benar)
akhirnya mengikuti garis. Mobile robot mengikuti garis dengan menghitung nilai
2. Aktifkan dan baca 8 nilai sensor kedekatan (PS0-PS7)
delta (ÿ) yang selanjutnya diumpankan ke kontroler logika fuzzy untuk
menyesuaikan kecepatan motor kiri dan kanan.
3. If (Sensors values > Threshold) // Rintangan terdeteksi

- Sesuaikan kecepatan motor kiri dan kanan

- Hindari rintangan dan berkelilinglah
- Kembali ke barisan
4. Lain

Bergerak maju dan lakukan garis mengikuti 5.

akhiri sementara

Gbr.5: Kode pseudo penghindaran tabrakan

IV. SIMULASI DAN PENGATURAN EKSPERIMENTAL WAKTU NYATA

Simulator Webots Pro digunakan untuk menguji dan mensimulasikan

mekanisme penghindaran garis dan tabrakan yang diusulkan.
Selain itu, digunakan robot E-puck yang dipasangi delapan sensor proximity
untuk teknik menghindari tabrakan dan tiga sensor ground untuk teknik line
following. Dalam simulasi kami, kami menciptakan lingkungan yang terdiri dari
Gbr.7: Simulasi berjalan pada waktu yang berbeda.
beberapa robot seluler dan banyak rintangan dalam berbagai ukuran, warna, dan
bentuk. Untuk tujuan teknik mengikuti garis, garis hitam digambar pada
permukaan putih. Gbr.6 menunjukkan pengaturan simulasi.

Gbr.6: Pengaturan simulasi Gbr.8: Eksperimen waktu nyata.

Machine Translated by Google

V. HASIL EVALUASI KINERJA DAN PEMBAHASAN Demikian pula, sensor jarak depan (PS0 & PS7) untuk Robot B
Kontribusi utama dari pekerjaan ini adalah mengarahkan mobile memiliki nilai lebih tinggi dari ambang batas masing-masing pada 43
robot sambil mengikuti garis. Robot seluler juga menghindari tabrakan detik dan 76 detik. Pada waktu 43 detik, Robot B telah mendeteksi
dengan rintangan apa pun di jalurnya. Pengontrol logika fuzzy robot bergerak lain dan menganggapnya sebagai penghalang dinamis.
dirancang untuk mekanisme mengikuti garis di mana ia mengambil Pada saat 76 detik, ia mendeteksi rintangan lain di jalan.
Selain itu, Gbr.10 menunjukkan kecepatan kiri dan kanan selama
nilai delta (ÿ) sebagai input dan memberikan kecepatan motor robot
simulasi. Seperti yang ditunjukkan pada Gambar 10, Robot A memiliki
kiri dan kanan berdasarkan aturan fuzzy yang ditentukan. Sensor
nilai negatif untuk kecepatan motor kiri dan nilai positif untuk
jarak bertanggung jawab untuk teknik menghindari tabrakan. Jika
kecepatan motor kanan pada waktu 6s dan 46s yang menunjukkan
salah satu dari sensor ini mencapai nilai ambang batas, halangan bahwa robot berbelok ke kiri untuk menghindari tabrakan dengan
dekat dengan robot dan karenanya perlu menyesuaikan kecepatan
penghalang statis dan dinamis tepat setelah pendeteksian. dari hambatan terseb
dan arahnya. Gambar 9 menunjukkan pembacaan sensor jarak untuk
Pada waktu 15 s, Robot A bernilai positif untuk kecepatan kiri dan
robot A dan B. Seperti yang ditunjukkan pada Gambar 9 (a), sensor
bernilai negatif untuk kecepatan kanan yang berarti robot telah
jarak depan (PS0 & PS7) untuk Robot A memiliki nilai lebih tinggi dari
berbelok ke kanan untuk kembali ke garis. Selain itu, Robot B telah
ambang batas (1000) pada waktu 4s, 43s , dan 178s. Ini berarti robot
telah mendeteksi rintangan. Pada waktu 4 detik, Robot A mendeteksi berbelok ke kiri pada waktu 46 detik setelah mendeteksi penghalang
dinamis. Pada waktu 85 detik, Robot B berbelok ke kanan untuk
rintangan pertama dan pada waktu 178 detik mendeteksi rintangan
kembali ke barisan.
kedua. Pada waktu 43 detik, Robot A telah mendeteksi robot bergerak
Gbr.11 dan Gbr.12 menunjukkan pembacaan sensor ground dan
lainnya sebagai hambatan dinamis.
nilai delta (ÿ) yang sesuai dengan perbedaan antara sensor ground
kanan (GS2) dan kiri (GS0) pada waktu simulasi yang berbeda.

A. Pembacaan sensor jarak untuk Robot A Gbr.10: Kecepatan kiri dan kanan untuk Robot A dan B.

Gbr.11: Pembacaan sensor tanah kiri dan kanan untuk Robot A dan B

B. Pembacaan sensor jarak untuk Robot B

Gbr.9. Pembacaan sensor jarak

Machine Translated by Google

tiga sensor ground untuk pendekatan line following. Pengontrol logika

fuzzy dirancang dengan satu input dan dua output.
Inputnya adalah perbedaan antara nilai ground sensor kanan dan kiri
dan outputnya adalah kecepatan motor kiri dan kanan. Fungsi
keanggotaan input dan output dikembangkan. Pengontrol logika fuzzy
didasarkan pada empat aturan fuzzy. Eksperimen simulasi dan waktu
nyata memvalidasi keefektifan dan ketahanan metode yang diusulkan
dalam lingkungan statis dan dinamis.

REFERENSI

[1] F. Castanedo, "Tinjauan Teknik Penggabungan Data", Jurnal Dunia

Ilmiah, vol. 2013, hlm. 1-19, 2013.
[2] K. Ioannidis, G. Sirakoulis dan I. Andreadis, "Semut seluler: Metode
untuk membuat lintasan bebas tabrakan untuk tim robot kooperatif",
Gbr.12: Nilai delta (ÿ) untuk Robot A dan B Robotika dan Sistem Otonom, vol. 59, tidak. 2, hlm. 113-127,
2011.

Jika delta bernilai negatif, ini berarti robot telah bergeser ke kiri di [3] H. Lee, J. Jung, K. Choi, J. Park dan H. Myung, "Fuzzy-logic assisted
interaction multiple model (FLAIMM) for mobile robot localization",
luar garis. Oleh karena itu, robot perlu menyesuaikan kecepatannya
Robotics and Autonomous Systems, vol. 60, tidak. 12, hlm.
untuk bergerak ke kanan mengikuti garis. Menurut kontroler logika fuzzy
1592-1606, 2012.
yang dirancang dan aturan fuzzy, ketika delta adalah NB, motor kiri akan
[4] J. Pothal dan D. Parhi, "Navigasi beberapa robot bergerak di medan
disetel ke kecepatan sangat tinggi dan motor kanan akan disetel ke
yang sangat berantakan menggunakan sistem inferensi neuro-
kecepatan sangat rendah sehingga robot akan bergerak ke kanan fuzzy adaptif", Robotika dan Sistem Otonom, vol. 72, hlm. 48-58,
dengan susah payah. Seperti yang ditunjukkan pada Gbr.12, Robot B 2015.
memiliki delta negatif yang besar pada waktu 110 detik. Akibatnya, [5] K. Al-Mutib, E. Mattar dan M. Alsulaiman, "Implementasi Keputusan
Robot B bergerak ke kanan dan mengatur LS ke nilai yang sangat tinggi Fuzzy Berbasis Mobile Robot Navigation Using Stereo Vision",
dan RS ke nilai yang sangat rendah untuk tetap mengikuti garis seperti Procedia Computer Science, vol. 62, hlm. 143-150, 2015.
pada Gambar 10. Demikian pula, jika delta adalah NS, LS akan tinggi
dan RS akan rendah sehingga robot akan bergerak pelan ke kanan. [6] S. Parasuraman, "Sensor Fusion untuk Mobile Robot Navigation:
Sebagai ilustrasi, pada waktu 76s, Robot A memiliki nilai negatif yang Fuzzy Associative Memory", Procedia Engineering, vol. 41, hlm.
kecil sehingga robot menyesuaikan kecepatannya untuk bergerak pelan 251-256, 2012.
ke kanan seperti pada Gambar 12 dan Gambar 10. [7] S. Farshchi, S. NezhadHoseini dan F. Mohammadi, "Implementasi
Sebaliknya, jika delta adalah nilai positif, ini berarti robot telah Baru Algoritma Kontroler Logika G-Fuzzy pada Masalah
bergeser ke kanan di luar garis. Perencanaan Gerak Robot Seluler", CIS, vol. 4, tidak. 2, 2011.
Oleh karena itu, robot perlu menyesuaikan kecepatannya untuk bergerak
ke kiri mengikuti garis. Menurut pengontrol logika fuzzy yang dirancang [8] Z. LAOUICI, M. MAMI dan M. KHELFI, "Metode Hibrid untuk Navigasi
dan aturan fuzzy, ketika delta adalah PS, motor kiri akan disetel ke Mobile Robot Menggunakan Fuzzy Logic dan Spiking Neural
kecepatan rendah dan motor kanan akan disetel ke kecepatan tinggi Networks", IJISA, vol. 6, tidak. 12, hlm. 1-9, 2014.
sehingga robot akan bergerak ke kiri. untuk Robot A pada waktu 2s, [9] E. Vans, G. Vachkov dan A. Sharma, "Pelacakan jalur otonom
35s, 132s, dan 178s di mana ia bergerak perlahan ke kiri mengikuti berbasis visi dari robot seluler menggunakan logika fuzzy," dalam
Ilmu dan Teknik Komputer (APWC tentang CSE), Kongres Dunia
garis seperti yang ditunjukkan pada Gbr.12 dan Gbr.10. Terakhir, ketika
Asia-Pasifik pada , hal. 1-8, 2014.
delta adalah PB, LS akan disetel ke kecepatan sangat rendah dan RS
[10] [Link], "Webot: simulator robot", 2016. [Online].
akan disetel ke kecepatan sangat tinggi sehingga robot tidak dapat
Tersedia: [Link] [Diakses: 15- Feb 2016].
bergerak ke kiri mengikuti garis. Sebagai ilustrasi, Robot A pada waktu
85 detik di mana delta adalah nilai positif yang besar, robot bergerak
[11] F. Mondada, M. Bonani, X. Raemy, J. Pugh, C. Cianci, A.
hampir ke kiri seperti yang ditunjukkan pada Gambar.12 dan Gambar.10.
Klaptocz, S. Magnenat, J.-C. Zufferey, D. Floreano dan A.
Ada kasus lain di mana aturan fuzzy tidak berlaku karena robot berada Martinoli, “The e-puck, Robot Dirancang untuk Pendidikan Teknik”,
dalam kontrol penghindaran tabrakan dan kecepatannya disesuaikan. Prosiding Konferensi ke-9 tentang Sistem dan Kompetisi Robot
Akibatnya, penghindaran tabrakan memiliki prioritas lebih tinggi daripada Otonom, vol.1, no. 1, hlm. 59-65, 2009.
mengikuti garis untuk menghindari tabrakan dengan rintangan apa pun
di sepanjang jalur. [12] B. Shah, F. Iqbal, A. Abbas dan K. Kim, "Protokol Seumur Hidup
Berbasis Logika Fuzzy untuk Jaringan Sensor Nirkabel Real-
VI. KESIMPULAN
Time", Sensor, vol . 15, tidak. 8, hlm. 20373-20391, 2015.
Makalah ini mengembangkan mekanisme menghindari tabrakan
dan mengikuti garis untuk navigasi robot bergerak. Robot E puck
digunakan dalam pekerjaan ini yang dilengkapi dengan delapan sensor
jarak untuk pendekatan penghindaran tabrakan, dan