| Περίληψη: | Οι τεχνολογίες οπτικής αναγνώρισης εικόνων εμφανίζονται ολοένα και περισσότερο στον βιομηχανικό τομέα τα τελευταία χρόνια. Οι τεχνικές μηχανικής μάθησης (machine learning) συμβάλουν στην ταχεία πρόοδο στον τομέα των προβλέψεων και των αποφάσεων που βασίζονται σε δεδομένα, και συσχετίζονται άμεσα με τα συστήματα οπτικής αναγνώρισης (computer vision systems). Στη συγκεκριμένη εργασία, η μηχανική μάθηση χρησιμοποιείται για αντίληψη του περιβάλλοντος (context awareness), μέσω της εφαρμογής σε μια έξυπνη πλατφόρμα κινητικότητας. Για τον σκοπό αυτό, ακολουθείται μίας ελαφριά προσέγγιση που βασίζεται στη χρήση ενός σχετικά μικρού συνόλου εικόνων ως δεδομένα σε ένα δυναμικό περιβάλλον. Ο κύριος στόχος είναι να εντοπιστεί η θέση της ίδιας της κάμερας και η εμφάνιση εμποδίων εντός μιας προκαθορισμένης περιοχής. Χρησιμοποιείται επιτηρούμενη μηχανική μάθηση (supervised machine learning) με τεχνητά νευρωνικά δίκτυα (artificial neural networks) που τροφοδοτούνται από δεδομένα με μειωμένη διαστασιμότητα. Για την περαιτέρω μείωση της επεξεργαζόμενης πληροφορίας, έχει εφαρμοστεί ανάλυση ιεραρχικής κατάταξης (hierarchical cluster analysis) για την ομαδοποίηση παρόμοιων παρατηρήσεων σε ομάδες. Επιπροσθέτως, μελετήθηκε ο σχεδιασμός διαδρομής (path planning) μέσω της εφαρμογής του αλγορίθμου Dijkstra και της 8-συνδεσιμότητας (8-connectivity), καθώς και της εφαρμογής αλγόριθμου πιθανολογικού χάρτη (probabilistic roadmap) με σκοπό τη δημιουργία της μικρότερης διαδρομής ανάμεσα σε μια αρχική και την επιθυμητή θέση. Η αποφυγή σύγκρουσης πραγματοποιείται με την μελέτη των προαναφερθέντων αλγορίθμων σε περιβάλλον με παρεμβολή στατικών εμποδίων. Το σύστημα αντίληψης περιβάλλοντος και σχεδιασμού πορείας σχεδιάζεται, επιπλέον, υπό το πλαίσιο των Συστημάτων Υπηρεσιών Προϊόντων (Product Service System).
|
|---|
