Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση
Τα μη επανδρωμένα εναέρια οχήματα είναι συστήματα που διαθέτουν λύσεις σε ένα ευρύ πεδίο εφαρμογών, συνεχώς αυξανόμενο. Επομένως, θα ήταν μεγάλη πρόοδος να μπορούν αυτά τα συστήματα να πλοηγούνται αυτόνομα και χωρίς την ανάγκη επιτήρησης από κάποιον άνθρωπο. Σε αυτήν τη διπλωματική εργασία ενσωματών...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2021
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/15277 |
id |
nemertes-10889-15277 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-152772022-09-05T20:34:16Z Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση Towards autonomous drones using deep learning Καρατζάς, Ανδρέας Karatzas, Andreas Νευρωνικά δίκτυα Τεχνητή νοημοσύνη Ενισχυτική μάθηση Εναέρια ρομπότ Μη επανδρωμένα εναέρια οχήματα Συνελικτικά νευρωνικά δίκτυα Αυτόνομη πλοήγηση Neural networks Artificial intelligence Reinforcement learning Aerial robotics Drones Python PyTorch AirSim Rainbow DQN Convolutional neural networks Autonomous navigation Τα μη επανδρωμένα εναέρια οχήματα είναι συστήματα που διαθέτουν λύσεις σε ένα ευρύ πεδίο εφαρμογών, συνεχώς αυξανόμενο. Επομένως, θα ήταν μεγάλη πρόοδος να μπορούν αυτά τα συστήματα να πλοηγούνται αυτόνομα και χωρίς την ανάγκη επιτήρησης από κάποιον άνθρωπο. Σε αυτήν τη διπλωματική εργασία ενσωματώνονται σύγχρονες μέθοδοι τεχνητής νοημοσύνης με στόχο την αυτονομία σε επίπεδο πλοήγησης για μη επανδρωμένα εναέρια οχήματα. Μέσα από τη μελέτη της ικανότητας εκμάθησης αλγορίθμων ενισχυτικής μάθησης σε περιβάλλοντα με διακριτό χώρο ενεργειών προκύπτει ένα μοντέλο με πυρήνα που χρησιμοποιεί γραμμικά επίπεδα για την εξαγωγή προτύπων. Ο πράκτορας που ορίζεται ακολουθεί την τεχνική Rainbow για βαθιά Q δίκτυα. Για την εκπαίδευση του πράκτορα χρησιμοποιείται ο προσομοιωτής AirSim. Το λογισμικό που χρησιμοποιείται είναι γραμμένο σε Python, ενώ η βιβλιοθήκη που επιλέχθηκε για τις ανάγκες προγραμματισμού των μοντέλων μηχανικής μάθησης είναι το PyTorch. Ακόμα, γίνονται δοκιμές χρησιμοποιώντας υβριδικές αρχιτεκτονικές νευρωνικών δικτύων. Τέλος, γίνεται ανασκόπηση των μελλοντικών κατευθύνσεων και μερικών μεθόδων που θα μπορούσαν να αποτελέσουν βάση και σε τεχνικές μηχανικής μάθησης με σκοπό την αυτονομία των μη επανδρωμένων εναέριων οχημάτων ως προς την πλοήγησή τους. Drones are systems that provide solutions for a wide range of applications, which is rapidly increasing. Therefore, it would be a great upgrade for those systems to navigate through space autonomously and without the need of a human supervisor. In this thesis, some state-of-the-art artificial intelligence methods are integrated and effectively make drones navigate autonomously. After reviewing some reinforcement learning algorithms designed for environments of a discrete action space, a multilayer Perceptron model is assembled for feature extraction. The agent utilized for this thesis’ experiments is a Rainbow DQN agent. The agent is trained using the AirSim simulator. The code used in the experiments is written in Python and the deep learning framework used is PyTorch. Further testing is carried out using hybrid neural network architectures. Finally, future work regarding autonomous drones navigation is described while referencing some existing ideas and ways of integration with machine learning algorithms. 2021-10-08T05:48:49Z 2021-10-08T05:48:49Z 2021-09-01 http://hdl.handle.net/10889/15277 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Νευρωνικά δίκτυα Τεχνητή νοημοσύνη Ενισχυτική μάθηση Εναέρια ρομπότ Μη επανδρωμένα εναέρια οχήματα Συνελικτικά νευρωνικά δίκτυα Αυτόνομη πλοήγηση Neural networks Artificial intelligence Reinforcement learning Aerial robotics Drones Python PyTorch AirSim Rainbow DQN Convolutional neural networks Autonomous navigation |
spellingShingle |
Νευρωνικά δίκτυα Τεχνητή νοημοσύνη Ενισχυτική μάθηση Εναέρια ρομπότ Μη επανδρωμένα εναέρια οχήματα Συνελικτικά νευρωνικά δίκτυα Αυτόνομη πλοήγηση Neural networks Artificial intelligence Reinforcement learning Aerial robotics Drones Python PyTorch AirSim Rainbow DQN Convolutional neural networks Autonomous navigation Καρατζάς, Ανδρέας Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
description |
Τα μη επανδρωμένα εναέρια οχήματα είναι συστήματα που διαθέτουν λύσεις σε ένα ευρύ πεδίο εφαρμογών, συνεχώς αυξανόμενο. Επομένως, θα ήταν μεγάλη πρόοδος να μπορούν αυτά τα συστήματα να πλοηγούνται αυτόνομα και χωρίς την ανάγκη επιτήρησης από κάποιον άνθρωπο. Σε αυτήν τη διπλωματική εργασία ενσωματώνονται σύγχρονες μέθοδοι τεχνητής νοημοσύνης με στόχο την αυτονομία σε επίπεδο πλοήγησης για μη επανδρωμένα εναέρια οχήματα. Μέσα από τη μελέτη της ικανότητας εκμάθησης αλγορίθμων ενισχυτικής μάθησης σε περιβάλλοντα με διακριτό χώρο ενεργειών προκύπτει ένα μοντέλο με πυρήνα που χρησιμοποιεί γραμμικά επίπεδα για την εξαγωγή προτύπων. Ο πράκτορας που ορίζεται ακολουθεί την τεχνική Rainbow για βαθιά Q δίκτυα. Για την εκπαίδευση του πράκτορα χρησιμοποιείται ο προσομοιωτής AirSim. Το λογισμικό που χρησιμοποιείται είναι γραμμένο σε Python, ενώ η βιβλιοθήκη που επιλέχθηκε για τις ανάγκες προγραμματισμού των μοντέλων μηχανικής μάθησης είναι το PyTorch. Ακόμα, γίνονται δοκιμές χρησιμοποιώντας υβριδικές αρχιτεκτονικές νευρωνικών δικτύων. Τέλος, γίνεται ανασκόπηση των μελλοντικών κατευθύνσεων και μερικών μεθόδων που θα μπορούσαν να αποτελέσουν βάση και σε τεχνικές μηχανικής μάθησης με σκοπό την αυτονομία των μη επανδρωμένων εναέριων οχημάτων ως προς την πλοήγησή τους. |
author2 |
Karatzas, Andreas |
author_facet |
Karatzas, Andreas Καρατζάς, Ανδρέας |
author |
Καρατζάς, Ανδρέας |
author_sort |
Καρατζάς, Ανδρέας |
title |
Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
title_short |
Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
title_full |
Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
title_fullStr |
Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
title_full_unstemmed |
Αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
title_sort |
αυτονομία των μη επανδρωμένων εναέριων οχημάτων χρησιμοποιώντας βαθιά μάθηση |
publishDate |
2021 |
url |
http://hdl.handle.net/10889/15277 |
work_keys_str_mv |
AT karatzasandreas autonomiatōnmēepandrōmenōnenaeriōnochēmatōnchrēsimopoiōntasbathiamathēsē AT karatzasandreas towardsautonomousdronesusingdeeplearning |
_version_ |
1771297319293026304 |