Studi implementasi multi-agent reinforcement learning untuk optimasi luas cakupan jaringan sensor

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.