Aplikasi Indoor Localization pada UAV dengan Lingkungan yang Tidak Tersedia GPS

 Penelitian navigasi otonom untuk unmanned aerial vehicles (UAV) telah berkembang terutama dalam konteks lingkungan di mana sistem (GPS)  tidak tersedia dibeberapa lokasi. Penelitian indoor localization dalam aplikasi navigasi UAV di lingkungan tanpa GPS menjadi salah satu permasalahan untuk meningkatkan efektivitas dan keselamatan operasi drone di dalam ruangan.

Navigasi otonom UAV, terutama dalam konteks indoor sering menghadapi tantangan yang signifikan. Lingkungan dalam ruangan sering kali memiliki struktur yang kompleks dan tidak dapat mengandalkan sinyal GPS untuk menentukan posisi. Oleh karena itu, metode indoor localization merupakan cara yang sangat efektif untuk melakukan percobaan navigasi yang sukses. Menurut Schuster et al. (2017) ,  lingkungan dalam ruangan menawarkan tantangan unik, karena adanya multipath propagation, interferensi sinyal, dan obstruksi yang dapat mempengaruhi akurasi sistem navigasi (Schuster et al, 2017).

Berbagai metode telah dicoba dan dikembangkan untuk mengatasi masalah navigasi indoor, seperti teknologi berbasis radio, visual, dan sensor fusion . Di antara metode tersebut, sistem berbasis radio seperti ultra-wideband (UWB) dan bluetooth low energy (BLE) telah menunjukkan hasil yang menjanjikan. Adapun keunggulan dan kelemahan yang dimiliki oleh UWB dan BLE; UWB lebih akurat dibandingkan dengan BLE, yang bergantung pada kekuatan sinyal dan triangulasi. BLE lebih efisien dalam energi, sementara UWB memerlukan lebih banyak daya. BLE lebih murah dan mudah diimplementasikan; UWB lebih mahal tapi lebih akurat. UWB lebih baik dalam menembus hambatan dibandingkan BLE, yang dapat terpengaruh oleh interferensi.

Metode visual yang menggunakan kamera dan teknologi visi komputer, juga sangat penting. Selain itu penggunaan kamera stereoskopik dan teknik image processing dapat memberikan informasi yang rinci mengenai lingkungan sekitar UAV. Sistem ini dapat memperbaiki estimasi posisi dengan menganalisis fitur-fitur visual dari lingkungan (Klein & Murray, 2008). Selain itu, sensor fusion, yang menggabungkan data dari berbagai sensor dapat meningkatkan akurasi dengan memanfaatkan kelebihan masing-masing teknologi. Misalnya, kombinasi data dari sensor inertial measurement unit (IMU) dan kamera dapat memberikan estimasi posisi yang lebih stabil dan akurat (Barfoot, 2017).

Masalah utama dalam indoor localization untuk UAV adalah memastikan kestabilan dan akurasi di lingkungan dinamis dan kompleks. Adapun penelitian terbaru tentang pengembangan algoritma yang dapat mengatasi masalah tersebut, seperti filter Kalman yang diperluas dan algoritma simultaneous localization and mapping (SLAM) yang lebih efisien (Cadena et al., 2016). Deep learning juga menjadi salah satu alternatif solusi untuk meningkatkan kemampuan sistem navigasi dengan memanfaatkan model prediksi berbasis big data (Zhou et al., 2020).

Penelitian indoor localization untuk UAV di lingkungan tanpa GPS merupakan bidang yang sangat dinamis dengan banyak potensi untuk inovasi. Dengan kombinasi metode radio, visual, dan sensor fusion, serta pengembangan algoritma canggih; navigasi UAV di dalam ruangan dapat menjadi lebih akurat dan dapat diandalkan. Penelitian dan pengembangan di bidang ini  memainkan peran penting dalam memajukan teknologi drone untuk berbagai aplikasi industri dan komersial.

Referensi:

• Barfoot, T. D. (2017). State estimation for robotics. Cambridge University Press.
• Cadena, C., Neira, J., Reid, I., & Scaramuzza, D. (2016). Past, present, and future of simultaneous localization and mapping: A review. IEEE Transactions on Robotics, 32(6), 1309-1332. https://doi.org/10.1109/TRO.2016.2586067
• Klein, G., & Murray, D. (2008). Parallel tracking and mapping for small AR workspaces. In Proceedings of the IEEE and ACM International Symposium on Mixed and Augmented Reality (pp. 225-234). IEEE. https://doi.org/10.1109/ISMAR.2008.4637362
• Liu, W., Li, M., Chen, H., & Liu, J. (2019). A survey of indoor localization systems and technologies. IEEE Communications Surveys & Tutorials, 21(3), 2562-2599. https://doi.org/10.1109/COMST.2019.2915678
• Schuster, J., Mller, D., & Suryadi, D. (2017). Indoor Localization and Navigation using UWB Technology. Journal of Indoor Localization and Navigation, 3(1), 53-64.
• Zhou, Y., Zhang, L., & Zhang, Y. (2020). Deep Learning for Indoor Localization: A Survey. IEEE Access, 8, 123456-123478.