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...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Καρατζάς, Ανδρέας
Άλλοι συγγραφείς: Karatzas, Andreas
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