<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:media="http://search.yahoo.com/mrss/"><channel><title>ITANU Magazine: Robotika</title><link>https://itanu.org/id/magazine/desk/robotics/</link><description>Berita terbaru seputar AI, perangkat keras, perangkat lunak, dan sains. Liputan jelas dengan sumber asli, juga antariksa, keamanan siber, dan bisnis teknologi.</description><language>id</language><lastBuildDate>Fri, 20 Nov 2026 17:33:15 GMT</lastBuildDate><atom:link href="https://itanu.org/id/magazine/desk/robotics/feed.xml" rel="self" type="application/rss+xml"/><item><title>Sembilan perencana gerak dari buku teks ungguli perencana terlatih UniAD dalam simulasi</title><link>https://itanu.org/id/magazine/textbook-driving-planners-outscore-learned-planner-in-simulation-qlohx26l/</link><guid isPermaLink="true">https://itanu.org/id/magazine/textbook-driving-planners-outscore-learned-planner-in-simulation-qlohx26l/</guid><pubDate>Fri, 20 Nov 2026 17:33:15 GMT</pubDate><dc:creator>Redaksi ITANU Magazine</dc:creator><category>Robotika</category><description>Menurut Andreas Look, perencana gerak terbaik dari buku teks meraih skor 41,8 di simulator berkendara HUGSIM, sedangkan perencana terlatih UniAD meraih 32,0 dengan sistem persepsi yang sama.</description><content:encoded>&lt;h3&gt;Poin penting&lt;/h3&gt;&lt;ul&gt;&lt;li&gt;Look hanya mengganti perencana gerak dan tetap menggunakan sistem persepsi UniAD.&lt;/li&gt;&lt;li&gt;Look mencatat peningkatan skor terbesar saat kendaraan uji berhadapan dengan mobil yang diam atau datang dari arah berlawanan.&lt;/li&gt;&lt;li&gt;Menurut Look, perencana terbaik dari buku teks menuntaskan rute dalam 31 dari 182 uji ketika kendaraan dengan perencana UniAD menabrak mobil lain.&lt;/li&gt;&lt;/ul&gt;&lt;p&gt;Dalam naskah pracetak yang diajukannya ke arXiv pada 18 November, Andreas Look melaporkan bahwa sembilan dari 16 perencana gerak dari buku teks meraih skor lebih tinggi daripada perencana terlatih UniAD di simulator HUGSIM. Semua perencana menggunakan sistem yang sama untuk mengenali lingkungan sekitar.&lt;/p&gt;&lt;p&gt;Menurut pengembangnya, UniAD menggabungkan persepsi, prediksi, dan perencanaan dalam satu jaringan. Look hanya mengganti perencana gerak, yakni komponen yang menentukan lintasan kendaraan dan cara kendaraan bergerak di sepanjang lintasan itu. Look menguji perencana dari buku teks tanpa memberikan peta beresolusi tinggi.&lt;/p&gt;&lt;p&gt;Look melaporkan bahwa perencana terbaik dari buku teks meraih skor berkendara 41,8, sedangkan perencana UniAD meraih 32,0. Menurut pengembang HUGSIM, mereka menghitung skor itu dengan mengalikan skor rata-rata kendaraan selama satu uji dengan proporsi rute yang berhasil ditempuh kendaraan.&lt;/p&gt;&lt;p&gt;Look mencatat peningkatan skor terbesar saat kendaraan uji berhadapan dengan mobil yang diam atau datang dari arah berlawanan. Skor tidak meningkat saat mobil lain berbelok ke arah kendaraan uji. Menurut Look, kendaraan dengan perencana UniAD menabrak mobil lain dalam 182 uji. Dengan perencana terbaik dari buku teks, kendaraan berhasil menuntaskan rute dalam 31 dari seluruh uji tersebut.&lt;/p&gt;&lt;h3&gt;Sumber&lt;/h3&gt;&lt;ol&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/abs/2611.25138&quot;&gt;Old-School Planners Drive (Sometimes) Better Than Learned Ones&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/html/2611.25138v1&quot;&gt;Old-School Planners Drive (Sometimes) Better Than Learned Ones&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://xdimlab.github.io/HUGSIM/&quot;&gt;HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving&lt;/a&gt;, XDimLab&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/abs/2212.10156&quot;&gt;Planning-oriented Autonomous Driving&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/html/2412.01718&quot;&gt;HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving&lt;/a&gt;, arXiv&lt;/li&gt;&lt;/ol&gt;&lt;p&gt;Sistem redaksi ITANU menyusun artikel ini dengan AI dan memeriksanya terhadap sumber yang tercantum di atas.&lt;/p&gt;</content:encoded></item><item><title>Peneliti usulkan uji keselamatan bagi robot yang beralih ke mode cadangan</title><link>https://itanu.org/id/magazine/safety-test-for-robots-that-switch-to-fallback-x23booww/</link><guid isPermaLink="true">https://itanu.org/id/magazine/safety-test-for-robots-that-switch-to-fallback-x23booww/</guid><pubDate>Thu, 19 Nov 2026 11:47:29 GMT</pubDate><dc:creator>Redaksi ITANU Magazine</dc:creator><category>Robotika</category><description>Peneliti melaporkan bahwa dalam simulasi, drone berhasil menghindari tabrakan pada setiap percobaan. Menurut mereka, mobil balap otonom IndyNXT berhasil melakukan delapan pemulihan tersertifikasi selama 30 menit di lintasan basah.</description><content:encoded>&lt;h3&gt;Poin penting&lt;/h3&gt;&lt;ul&gt;&lt;li&gt;Menurut peneliti, mereka dapat memastikan kondisi yang menjamin robot bisa beralih dengan aman ke mode pemulihan tepercaya.&lt;/li&gt;&lt;li&gt;Menurut peneliti, dalam setiap simulasi berpasangan, drone yang beralih mode mencapai tujuan lebih dahulu daripada drone yang menggunakan filter keselamatan.&lt;/li&gt;&lt;li&gt;Menurut tim peneliti, mobil balap itu menentukan sendiri kapan harus beralih mode saat diuji di lintasan basah. Kecepatannya mencapai 20 m/s.&lt;/li&gt;&lt;/ul&gt;&lt;p&gt;Dalam pracetak yang mereka ajukan ke arXiv pada 17 November 2026, para peneliti mengusulkan cara untuk memastikan kapan robot dapat beralih dengan aman ke mode cadangan tepercaya. Mereka menyebut pendekatan ini recoverability atau kemampuan untuk pulih. Mereka melaporkan hasil pengujiannya dalam simulasi penerbangan dan pada mobil balap otonom.&lt;/p&gt;&lt;p&gt;Peneliti menggunakan istilah tube atau tabung untuk wilayah tempat mereka dapat menjamin pemulihan. Menurut mereka, peralihan ke mode cadangan di titik mana pun dalam wilayah itu menjamin konvergensi eksponensial, sekalipun robot mengalami gangguan atau modelnya kurang akurat.&lt;/p&gt;&lt;p&gt;Dalam simulasi drone, peneliti membandingkan metode peralihan mode dengan filter keselamatan yang memadukan perintah dari mode terbang dan mode pemulihan yang sama.&lt;/p&gt;&lt;p&gt;Menurut tim peneliti, sistem di dalam mobil balap IndyNXT menentukan kapan mobil harus beralih mode saat melaju di Putnam Park Road Course. Mobil itu mencapai kecepatan 20 m/s di tengah hujan. Peneliti melaporkan bahwa berkurangnya daya cengkeram ban membuat mobil berulang kali mendekati batas tabung saat menikung. Selama 30 menit di lintasan, mereka mencatat delapan pemulihan tersertifikasi.&lt;/p&gt;&lt;h3&gt;Sumber&lt;/h3&gt;&lt;ol&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/abs/2611.23589&quot;&gt;Recoverability, Not Invariance: Certified Safety for Robots at the Limits of Performance&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/html/2611.23589v1&quot;&gt;Recoverability, Not Invariance: Certified Safety for Robots at the Limits of Performance&lt;/a&gt;, arXiv&lt;/li&gt;&lt;/ol&gt;&lt;p&gt;Sistem redaksi ITANU menyusun artikel ini dengan AI dan memeriksanya terhadap sumber yang tercantum di atas.&lt;/p&gt;</content:encoded></item><item><title>Peneliti Purdue memperkenalkan sensor sentuh lentur untuk robot</title><link>https://itanu.org/id/magazine/purdue-researchers-introduce-flexible-touch-sensor-for-robots-h626ymts/</link><guid isPermaLink="true">https://itanu.org/id/magazine/purdue-researchers-introduce-flexible-touch-sensor-for-robots-h626ymts/</guid><pubDate>Thu, 19 Nov 2026 06:02:47 GMT</pubDate><dc:creator>Redaksi ITANU Magazine</dc:creator><category>Robotika</category><description>Menurut tim, kartrid gel memungkinkan sensor memperkirakan gaya pada tiga sumbu di tiap titik ukur. Saat sentuhan melengkapi penglihatan robot, keberhasilan memasukkan pasak naik dari 6 kali dalam 15 percobaan menjadi 13 kali dalam 15 percobaan.</description><content:encoded>&lt;h3&gt;Poin penting&lt;/h3&gt;&lt;ul&gt;&lt;li&gt;Menurut peneliti Purdue, bantalan sensor ini memiliki ketebalan sekitar 3,5 mm dan menggunakan komponen yang tersedia di pasaran.&lt;/li&gt;&lt;li&gt;Tim melaporkan median galat sebesar 4,8 derajat saat memperkirakan arah gaya geser.&lt;/li&gt;&lt;li&gt;Menurut peneliti, data tekanan membantu robot memasukkan pasak. Dalam uji pemilahan kubus, perubahan jumlah keberhasilan tidak signifikan secara statistik.&lt;/li&gt;&lt;/ul&gt;&lt;p&gt;MARS Lab di Universitas Purdue memperkenalkan LuxTac, sensor sentuh optik untuk robot, di situs proyek tersebut. Dalam naskah pracetak yang mereka kirim ke arXiv pada 17 November, para peneliti menjelaskan bahwa mereka membuat bantalan lentur setebal sekitar 3,5 mm dari komponen yang tersedia di pasaran.&lt;/p&gt;&lt;p&gt;Menurut peneliti, kartrid gel polos mengukur gaya yang menekan bantalan. Semakin dalam benda menekan silikon, semakin sedikit cahaya dari LED yang kembali ke detektor di bawahnya. Pada kartrid kedua, gaya geser membuat dinding berwarna mengubah warna cahaya yang kembali ke detektor. Dari perubahan warna itu, tim dapat memperkirakan gaya pada tiga sumbu di setiap detektor.&lt;/p&gt;&lt;p&gt;Dalam pengujian dengan alat penekan berbentuk berbeda, sebanyak tiga bentuk, para peneliti melaporkan median galat sebesar 4,8 derajat pada perkiraan arah gaya geser. Dalam uji coba robot, mereka menggunakan tekanan sebagai satu-satunya masukan dari sensor sentuh.&lt;/p&gt;&lt;p&gt;Dalam uji pemilahan kubus, jumlah keberhasilan naik dari 5 menjadi 6 dalam 15 percobaan. Menurut peneliti, kenaikan itu tidak signifikan secara statistik.&lt;/p&gt;&lt;h3&gt;Sumber&lt;/h3&gt;&lt;ol&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/abs/2611.23575&quot;&gt;LuxTac: A Flexible, Scalable, and Open-Source Optical Taxel Array with Distributed Three-Axis Force Sensing for Tactile Robot Learning&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://luxtac.github.io/&quot;&gt;LuxTac: A Flexible, Scalable, and Open-Source Optical Taxel Array&lt;/a&gt;, LuxTac project&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://arxiv.org/html/2611.23575v1&quot;&gt;LuxTac: A Flexible, Scalable, and Open-Source Optical Taxel Array with Distributed Three-Axis Force Sensing for Tactile Robot Learning&lt;/a&gt;, arXiv&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://github.com/AdeeshDesai/LuxTac-Sim&quot;&gt;AdeeshDesai/LuxTac-Sim&lt;/a&gt;, LuxTac project&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://github.com/luxtac/luxtac.github.io&quot;&gt;luxtac/luxtac.github.io&lt;/a&gt;, LuxTac project&lt;/li&gt;&lt;li&gt;&lt;a href=&quot;https://engcourses-uofa.ca/books/statics/internal-forces/types-of-internal-forces-and-their-diagrams/&quot;&gt;Types of internal forces&lt;/a&gt;, University of Alberta&lt;/li&gt;&lt;/ol&gt;&lt;p&gt;Sistem redaksi ITANU menyusun artikel ini dengan AI dan memeriksanya terhadap sumber yang tercantum di atas.&lt;/p&gt;</content:encoded></item></channel></rss>
