́Ελεγχος οπτικής ανατροφοδότησης πολυκόπτερου με χρήση ενισχυτικής μάθησης για παρακολούθηση κινούμενου στόχου

Μητακίδης, Ανδρέας; Μητακίδης, Ανδρέας

dc.contributor.author	Μητακίδης, Ανδρέας	el
dc.contributor.author	Μητακίδης, Ανδρέας	en
dc.date.accessioned	2023-01-19T10:11:50Z
dc.date.available	2023-01-19T10:11:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56774
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24472
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Πολυκόπτερα	el
dc.subject	Οπτική ανατροφοδότηση	el
dc.subject	Βαθιά Συνελικτικά Δίκτυα	el
dc.subject	Machine Learning	en
dc.subject	Reinforcement Learning	en
dc.subject	Multirotors	en
dc.subject	Visual Servoing	en
dc.subject	Convolutional Neural Networks	en
dc.title	́Ελεγχος οπτικής ανατροφοδότησης πολυκόπτερου με χρήση ενισχυτικής μάθησης για παρακολούθηση κινούμενου στόχου	el
heal.type	bachelorThesis
heal.classification	Ενισχυτική Μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-22
heal.abstract	Το αντικείμενο αυτής της διπλωματικής εργασίας είναι η ακολούθηση ενός επίγειου ρομποτ, που εκτελεί ρόλο οδηγού, από ένα εναέριο ρομπότ δηλαδή το πολυκόπτερο. Ο έλεγχος του πολυκόπτερου γίνεται αυτόνομα λαμβάνοντας την εικόνα του οδηγού από μία κάμερα με την οποία είναι εφοδιασμένο. Η χρήση της ενισχυτικής μάθησης επιτρέπει στο πολυκόπτερο να μάθει τη καλύτερη στρατηγική ακολούθησης του οδηγού και τελικά να μπορεί να εκτελέσει πιο απότομους ελιγμούς (aggressive maneuvering) σε σχέση με μία κλασική στρατηγική ελέγχου με οπτική ανατροφοδότηση. Για την εκπαίδευση ενός τέτοιου δικτύου είναι απαραίτητη η εκτέλεση πολλών επεισοδίων, γεγονός που καθιστά απαραίτητη τη χρήση προσομοίωσης όλων των συστημάτων. Αποδεικνύεται ότι το δίκτυο που είναι εκπαιδευμένο στη προσομοίωση είναι άμεσα εφαρμόσιμο σε πραγματικές συνθήκες επιτρέποντας έτσι την απευθείας πειραματική δοκιμή. Για την εφαρμογή αυτή αξιοποιούνται πολλές διαφορετικές τεχνολογίες και μεθοδολογίες ώστε να πραγματοποιηθεί με επιτυχία. Απαραίτητη είναι η χρήση βαθιών συνελικτικών δικτύων για την αναγνώριση και προσδιορισμό της θέσης του οδηγού στην εικόνα που με τη σειρά της απαιτεί σημαντικούς υπολογιστικούς πόρους. Για την ικανοποίηση αυτών των απαιτήσεων το πολυκόπτερο φέρει έναν υπολογιστή τεχνητής νοημοσύνης (onboard AI computer) ειδικά σχεδιασμένο για τη γρήγορη και αποδοτική εφαρμογή της μηχανικής μάθησης. Τέλος, πολύ σημαντική για την εφαρμογή αυτή και περαιτέρω για τη διπλωματική ειναι η πειραματική επιβεβαίωση των μεθοδολογιών που χρησιμοποιούνται και η ανάλυση των αποτελεσμάτων για την εξαγωγή χρήσιμων συμπερασμάτων.	el
heal.advisorName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Κόλλιας, Στεφανος	el
heal.committeeMemberName	Κυριακόπουλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	69 σ.	el
heal.fullTextAvailability	false