| Περίληψη: | Η παρούσα διπλωματική εργασία διερευνά την χρήση επιφανειακών ηλεκτρομυϊκών σημάτων ως σημάτων ελέγχου στην προσπάθεια υλοποίησης μιας προσομοίωσης πραγματικού χρόνου, κάνοντας χρήση τεχνικών βαθιάς μάθησης. Αρχικά, περιγράφεται η διαδικασία καταγραφής και επεξεργασίας των ηλεκτρομυϊκών σημάτων, προκειμένου να αναφερθούν μέθοδοι που θα χρησιμοποιηθούν στην συνέχεια. Έπειτα, αναλύεται η λειτουργία του Myo Armband, ενός περιβραχιονίου με 8 αισθητήρες και IMU, το οποίο συνιστά τον βασικό διαθέσιμο εξοπλισμό. Παράλληλα, γίνεται αναφορά στην βάση δεδομένων NinaPro, στην οποία βρίσκονται ομαδοποιημένες καταγραφές από ηλεκτρομυϊκά σήματα, βάσει του τρόπου συλλογής τους. Πρόκειται να γίνει χρήση του 5ου dataset της βάσης αυτής, στο οποίο περιέχονται δεδομένα καταγεγραμμένα με το Myo Armband. Στην συνέχεια, γίνεται μια εκτενής μελέτη των χαρακτηριστικών της βαθιάς μάθησης, καταλήγοντας στην επιλογή χρήσης Συνελικτικών Νευρωνικών Δικτύων. Κάνοντας χρήση όλων των παραπάνω, υλοποιείται μια αρχιτεκτονική νευρωνικού δικτύου με την βιβλιοθήκη keras της Python και εκπαιδευμένη στο Google Colab. Παρατηρώντας, όμως, από τα ποσοστά ακρίβειας πως το μέγεθος της βάσης δεδομένων δεν επαρκεί για μια καθολική λύση στο πρόβλημα, δημιουργείται ένα πρωτόκολλο ελέγχου, που εκμεταλλεύεται την κωδικοποίηση αλληλουχιών κινήσεων με υψηλό ποσοστό ακρίβειας, ώστε να επιτύχει αντιστοίχιση σε περισσότερες λειτουργίες της εφαρμογής. Έχοντας δημιουργήσει μια μέθοδο που παράγει ικανοποιητικά αποτελέσματα δοθέντων των υπαρχόντων περιορισμών, τελικά σχεδιάζεται η προσομοίωση ελέγχου, σε πραγματικό χρόνο, ενός UAV στο περιβάλλον Unity, κάνοντας χρήση των γλωσσών προγραμματισμού C# και Python.
|
|---|
