Benchmarking Algoritma Perencanaan Gerak Berbasis Sampling Pada Robot UR5 dengan Ros Moveit dan Gazebo

Abstract

Teknologi robotika telah berkembang pesat dengan lebih dari 2,7 juta robot industri beroperasi hingga 2020. Robot manipulator pick-and-place menjadi komponen vital dalam efisiensi manufaktur. Keberhasilan implementasinya tidak hanya bergantung pada perangkat keras, tetapi juga algoritma perencanaan gerak (motion planning) yang merancang lintasan optimal dengan mempertimbangkan kendala lingkungan dan keterbatasan mekanis. Pemilihan algoritma yang tepat secara signifikan memengaruhi waktu penyelesaian tugas, konsumsi energi, ketepatan navigasi, dan umur operasional robot. Penelitian ini bertujuan untuk melakukan evaluasi komprehensif terhadap 19 algoritma perencanaan gerak berbasis sampling yang tersedia dalam OMPL)\ pada robot manipulator UR5 6 derajat kebebasan dalam konteks tugas penyortiran balok warna. Algoritma yang dievaluasi mencakup SBL, EST, LBKPIECE, BKPIECE, KPIECE, RRT, RRTConnect, RRT*, TRRT, PRM, PRM*, FMT, BFMT, PDST, STRIDE, BiTRRT, LBTRRT, ProjEST, dan BiEST. Metodologi penelitian mencakup perancangan model robot dan lingkungan simulasi dirancang untuk meniru skenario penyortiran industri dengan tiga meja sortir berwarna dalam jangkauan kerja robot. Data yang dikumpulkan mencakup delapan metrik performa: waktu operasi rata-rata, total waktu, waktu tercepat, waktu terlambat, total Cartesian distance, total joint distance, penggunaan memori minimum, dan maksimum. Setelah agregasi data, dilakukan analisis koefisien variasi untuk mengidentifikasi metrik dengan daya diskriminasi terbaik, dan normalisasi Min-Max untuk memungkinkan perbandingan objektif antar algoritma. Hasil penelitian menunjukkan temuan signifikan dalam beberapa dimensi performa. PDST mencatat waktu tercepat, diikuti TRRT dan RRT. FMT menunjukkan konsistensi tertinggi sekaligus efisiensi lintasan terbaik, memvalidasi jaminan teoretisnya. Temuan kritis mengungkap degradasi performa sistematis algoritma bi-directional pada lingkungan sederhana. BFMT menunjukkan penurunan drastis dibandingkan FMT, juga algoritma dengan jaminan asymptotic optimality (RRT*, PRM*) menunjukkan trade-off tidak menguntungkan.