Implementasi Deep Q-Network Pada Mobil Balap Otonom Untuk Bernavigasi Dan Menghindari Penghalang Di Lingkungan Yang Dinamis

Kendaraan balap otonom telah menjadi domain utama dalam perkembangan teknologi otomotif dan telah menarik banyak perhatian dan minat yang cukup besar dalam pengembangannya karena potensi dan prospeknya yang tinggi baik itu dalam akademis maupun industri. Dalam pengaplikasianya pada lingkungan yang dinamis, kendaraan mengalami kesulitan untuk bergerak secara otonom yang mana harus bernavigasi melalui lingkungan yang tidak terstruktur seperti menghindari penghalang yang bersifat dinamis dimana transformasinya dapat berubah-ubah dan sulit diprediksi. Sebagian besar algoritma tradisional hanya efisien dalam lingkungan statis, yang mana dilingkungan statis sebuah kendaraan balap otonom biasanya berfungsi berdasarkan informasi yang sudah dipetakan tentang kondisi lingkungan yang sudah ada. Maka dari itu tujuan penelitian ini adalah untuk mengimplementasikan Deep Q-Network (DQN) untuk mengatasi permasalahan ini. Hasil menunjukan peformansi pada tahap training di track lurus, agen mendapatkan nilai akhir cumulativ reward sebesar 1,5465 dan loss value sebesar 0,08. Lalu pada tahap testing peforma paling baik agen didapatkan pada model yang telah dilatih sebanyak 4000 kali percobaan, yang mana dari 20 kali percobaan pada proses testing agen mendapatkan jumlah capai goal sebanyak 12 kali dan menabrak sebanyak 27 kali. Namun, pada track melingkar agen mendapatkan peforma yang kurang baik dengan mendapatkan nilai akhir cumulativ reward sebesar 0,596, nilai loss sebesar 0,7125 pada tahap training. Pada tahap testing performa terbaik agen didapatkan pada model yang telah dilatih sebanyak 4.000 kali dengan jumlah capai posisi goal 7 dan menabrak sebanyak 45 kali.