Abstract:
Penggunaan quadrotor sebagai alat pengamatan meningkat akhir-akhir ini. Kelebihan
quadrotor dalam melakukan vertical take-off and landing (VTOL). Selain itu
kemampuan quadrotor melakukan aerial monitoring adalah hal yang sangat cocok
digunakan untuk mengamati daerah yang tidak dapat terjangkau manusia seperti
daerah yang terkena bencana ataupun daerah sumber radioaktif. Terdapat banyak
algoritma yang memanfaatkan quadrotor untuk melakukan aerial monitoring
seperti potential field ataupun partisi Voronoi. Namun, algoritma tersebut
membutuhkan data dan fungsi dari lingkungan yang hendak diuji. Sementara
sulit untuk mendapatkan data dan fungsi dari lingkungan pada daerah yang tidak
terjangkau manusia. Oleh sebab itu, pada Laporan Tugas Akhir, metode Multi-
Agent Reinforcement Learning (MARL) digunakan untuk melakukan pengamatan.
Reinforcement learning merupakan cabang machine learning yang membuat agen
untuk melakukan pemelajaran sendiri tanpa label, input, dan ouput yang sudah
terlebih dahulu diatur. Namun, pada implementasinya MARL membutuhkan banyak
computational cost. Hal tersebut disebabkan karena agen tidak hanya memikirkan
dirinya, namun kedua agen harus berkoordinasi dengan agen lainnya dan kedua agen
saling bergerak. Kondisi agen yang selalu bergerak membuat lingkungan pemelajaran
menjadi dinamis. Oleh karena itu, agen harus mengetahui kapan agen harus bergerak
sendiri dan kapan agen harus berkoordinasi. Koordinasi yang dilakukan agen meliputi
bertukar informasi dan negosiasi. Negosiasi digunakan agar kedua agen dapat
menentukan aksi terbaik bagi kedua agen. Algoritma negosiasi yang digunakan
berdasar pada Nash Equilibrium. Algoritma negosiasi yang digunakan adalah nonstrict
EDSP dan meta equilibrium. Agen yang dirancang harus mampu menekan
jumlah gerakan dan perpindahan arah gerak dengan tujuan menghemat penggunaan
daya, mempertahankan jarak antar kedua agen agar angin yang dihasilkan propeller
tidak mengganggu agen lainnya jika terlalu dekat, dan kedua agen tidak dapat
berkomunikasi bila terlalu jauh.