Penerapan Algoritma Particle Swarm Optimization dan Backpropagation Neural Network pada Kendali Multi-Robot dalam Pencarian Target

Abstract

Salah satu permasalahan dalam navigasi robot adalah masalah pencarian target. Algoritma yang dapat digunakan untuk permasalahan ini adalah Particle Swarm Optimization (PSO). Penelitian ini mendesain sistem multi-robot untuk pencarian target dengan dua level kendali. Level kendali pertama digunakan untuk koordinasi robot dalam mencari target menggunakan algoritma PSO, sedangkan level kendali kedua digunakan pada masing-masing robot untuk mengendalikan gerakan robot. Dalam hal ini robot yang digunakan adalah robot beroda Parallax, dimana parameter robot beroda ini dipertimbangkan dalam desain sistem kendali level kedua menggunakan algoritma inverse kinematics dan Backpropagation Neural Network. Penelitian dilakukan dalam lingkungan simulasi menggunakan lima buah robot. Untuk mensimulasikan adanya kondisi yang tidak ideal di dunia nyata, simulasi dilakukan dengan menambahkan noise pergerakan robot sebesar 5%, 10%, 20%, dan 30%. Hasil simulasi menunjukkan bahwa adanya perpaduan antara BPNN dengan PSO dapat memberikan efek pergerakan multi-robot yang lebih stabil saat mencapai konvergen pada target. Penyebab pengaruhnya data tersebut terjadi karena adanya hasil bobot dan bias NN pada PSO sehingga robot dapat lebih terfokus lebih konsisten terhadap target dibandingkan data PSO tanpa NN. Penambahan noise pada penelitian memberikan pengaruh pada pergerakan robot yang dimana multi-robot akan mendapatkan sebuah keuntungan untuk dapat mencapai tujuan target dengan lebih cepat. Penambahan noise sebesar 30% membutuhkan iterasi paling sedikit yaitu dengan rata-rata sebanyak 147.2 iterasi, diikuti dengan 20% noise memerlukan sebanyak 172.5 iterasi, 10% noise sebanyak 208.8 iterasi, 5% noise sebanyak 220 iterasi, dan data robot tanpa noise memerlukan rata-rata 226.4 iterasi.

One of the challenges in robot navigation is the target search problem. An algorithm that can be used for this issue is Particle Swarm Optimization (PSO). This research designs a multi-robot system for target search with two levels of control. The first control level is used to coordinate robots in searching for the target using the PSO algorithm, while the second control level is implemented in each robot to control their individual movements. In this case, Parallax wheeled robots are employed, and the parameters of these wheeled robots are taken into consideration in the design of the second-level control system, which utilizes algorithms like inverse kinematics and Backpropagation Neural Network (BPNN). The study is conducted within a simulation environment involving five robots. To simulate less-than-ideal conditions in the real world, the simulation introduces noise to the robot movements at levels of 5%, 10%, 20%, and 30%. The simulation results indicate that the combination of BPNN with PSO yields a more stable movement of multi-robots when converging on the target. This effect can be attributed to the weights and biases obtained by the Neural Network (NN) in PSO, which allows the robots to be more consistently focused on the target compared to PSO data without NN. The introduction of noise in the study affects robot movement, providing an advantage for multi-robots to reach the target goal faster. The addition of 30% noise requires the fewest iterations, averaging around 147.2 iterations, followed by 20% noise requiring approximately 172.5 iterations, 10% noise requiring about 208.8 iterations, 5% noise requiring around 220 iterations, and noise-free robot data averaging about 226.4 iterations.