Robot 🤖 Pintar Belajar Peta Lingkungan Besar

2
05 November 2025

Para peneliti MIT berhasil mengembangkan sistem kecerdasan buatan yang memungkinkan robot membuat peta 3D dari lingkungan kompleks hanya dalam hitungan detik¹. Teknologi ini sangat krusial untuk operasi pencarian dan penyelamatan di lokasi bencana seperti runtuhan tambang.

Inovasi Pemetaan Robot Real-Time

Dominic Maggio, mahasiswa pascasarjana MIT yang memimpin penelitian ini, menjelaskan bahwa sistem mereka dapat memproses jumlah gambar tak terbatas dari kamera robot². Berbeda dengan model pembelajaran mesin sebelumnya yang hanya mampu menangani sekitar 60 gambar kamera sekaligus. Sistem baru ini bekerja dengan cara menciptakan submap (peta kecil) secara bertahap, lalu menyatukannya menjadi rekonstruksi 3D lengkap.

Teknik SLAM tradisional sering gagal di kondisi menantang³. Namun pendekatan MIT menggabungkan model visi AI modern dengan metode computer vision (visi komputer) klasik dari era 1980-1990an.

Aspek 📊	Sistem Lama	Sistem MIT Baru
Jumlah Gambar	Maksimal 60 gambar	Tak terbatas
Kecepatan Rekonstruksi	Lambat untuk area besar	Beberapa detik
Kalibrasi Kamera 📷	Diperlukan sebelumnya	Tidak perlu
Tingkat Error	Variabel tinggi	Kurang dari 5 cm
Kompleksitas	Butuh expert tuning	Siap pakai
Lingkungan Target	Terbatas sederhana	Kompleks seperti koridor kantor
Aplikasi Real-World	Sulit ditingkatkan	Mudah skalabilitas

Solusi Kreatif dari Geometri Klasik

Professor Luca Carlone, peneliti senior di MIT Department of Aeronautics and Astronautics (Departemen Aeronautika dan Astronautika), menekankan pentingnya pemahaman geometri tradisional⁴. Mengetahui geometri tradisional sangat menguntungkan. Jika Anda memahami secara mendalam apa yang terjadi dalam model, Anda bisa mendapatkan hasil jauh lebih baik, ujarnya.

Maggio awalnya terkejut ketika solusi sederhana menggabungkan submap tidak berfungsi baik. Ia kemudian menggali makalah riset visi komputer klasik dan menemukan bahwa model pembelajaran mesin memperkenalkan ambiguitas dalam submap⁵. Misalnya, peta 3D satu sisi ruangan bisa memiliki dinding yang sedikit bengkok atau teregang.

Transformasi Matematis Fleksibel

Tim mengembangkan teknik matematis lebih fleksibel yang dapat merepresentasikan semua deformasi dalam submap⁶. Dengan menerapkan transformasi matematis ke setiap submap, metode ini menyelaraskan mereka dengan cara mengatasi ambiguitas. Sistem mereka menghasilkan rekonstruksi 3D adegan dan estimasi lokasi kamera yang robot gunakan untuk melokalisasi diri dalam ruang.

Aplikasi Luas Beyond Search-and-Rescue

Teknologi ini tidak hanya untuk robot penyelamat⁷. Metode ini bisa digunakan untuk aplikasi extended reality (realitas diperluas) pada perangkat seperti headset VR. Robot industri juga dapat memanfaatkannya untuk cepat menemukan dan memindahkan barang di dalam gudang.

Para peneliti menguji sistem dengan video pendek yang direkam menggunakan ponsel di dalam MIT Chapel. Rata-rata error dalam rekonstruksi 3D kurang dari 5 sentimeter⁸. Itu akurasi luar biasa untuk teknologi yang bekerja "keluar dari kotak" tanpa pengaturan rumit.

Masa Depan Robotika Autonomous

Postdoc Hyungtae Lim yang ikut menulis makalah menyatakan sistem ini memungkinkan robot menyelesaikan tugas semakin kompleks dengan representasi peta lebih canggih⁹. Namun implementasinya tetap sederhana untuk praktik lapangan. Penelitian akan dipresentasikan di Conference on Neural Information Processing Systems (Konferensi Sistem Pemrosesan Informasi Neural).

Ke depan, tim ingin membuat metode lebih andal untuk adegan sangat rumit dan mengimplementasikannya pada robot nyata di setting menantang¹⁰. Dukungan pendanaan datang dari U.S. National Science Foundation (Yayasan Sains Nasional AS), U.S. Office of Naval Research (Kantor Riset Angkatan Laut AS), dan National Research Foundation of Korea (Yayasan Riset Nasional Korea).

Kesimpulan

Terobosan MIT dalam pemetaan robot menunjukkan sinergi kuat antara AI modern dan prinsip geometri klasik. Sistem yang mampu memproses ribuan gambar dengan error minimal ini membuka peluang besar bagi aplikasi robotika dari penyelamatan darurat hingga industri dan hiburan. Kesederhanaan implementasi menjadikannya solusi praktis untuk skalabilitas dunia nyata.

Daftar Pustaka

Zewe, A. (2025, 5 November). Teaching robots to map large environments. MIT News. https://news.mit.edu/2025/teaching-robots-to-map-large-environments-1105
Ibid.
Loc. cit.
Op. cit.
Zewe, loc. cit.
Zewe, op. cit.
MIT News. (2025, 5 November). Teaching Robots To Map Large Environments. Mirage News. https://www.miragenews.com/teaching-robots-to-map-large-environments-1564529/
Zewe, op. cit.
MIT News, loc. cit.
Zewe, A., op. cit.

Download PDF tentang Sistem Kecerdasan Buatan untuk (telah di download 18 kali)

Robot 🤖 Pintar Belajar Peta Lingkungan Besar
Penelitian terobosan dari Massachusetts Institute of Technology menghadirkan pendekatan inovatif dalam teknologi SLAM (Simultaneous Localization and Mapping) yang menggabungkan pembelajaran mesin kontemporer dengan metode computer vision tradisional untuk menghasilkan rekonstruksi tiga dimensi real-time dengan tingkat akurasi tinggi pada lingkungan kompleks skala besar.

Penulis

Swante Adi Krisna

Penikmat musik Ska, Reggae dan Rocksteady sejak 2004. Gooners sejak 1998. Blogger dan ai paruh waktu sejak 2014. Graphic Designer autodidak sejak 2001. Website Programmer autodidak sejak 2003. Woodworker autodidak sejak 2024. Sarjana Hukum Pidana dari salah satu Perguruan Tinggi Negeri di Surakarta. Magister Hukum Pidana di bidang cybercrime dari salah satu Perguruan Tinggi Swasta di Surakarta. Magister Kenotariatan di bidang hukum teknologi, khususnya cybernotary dari salah satu Perguruan Tinggi Negeri di Surakarta. Bagian dari Keluarga Besar Kementerian Pertahanan Republik Indonesia.

GUEST POSTS