Πρόβλεψη κατάστασης με ρομπότ με μηχανική μάθηση

Κομήτης, Χρυσοβαλάντης

dc.contributor.advisor	Nikolaou, Grigoris
dc.contributor.author	Κομήτης, Χρυσοβαλάντης
dc.date.accessioned	2023-12-12T13:28:29Z
dc.date.available	2023-12-12T13:28:29Z
dc.date.issued	2023-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/5730
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-5567
dc.description.abstract	Τα τελευταία χρόνια υπάρχει αύξηση της ζήτηση στον τομέα της τεχνητής νοημοσύνης και την μηχανικής μάθησης και αυτό διότι πλέον υπάρχουν μεγάλοι όγκοι δεδομένων που μπορούν να χρησιμοποιηθούν για την δημιουργία μοντέλων τεχνητής νοημοσύνης αλλά και μια πληθώρα εφαρμογών στις οποίες οι ερευνητές και επαγγελματίες του χώρου μπορούν να τα αξιοποιήσουν. Ένας από αυτούς του τομείς είναι η ανίχνευση ανωμαλιών, που βρίσκει εφαρμογή σε τομείς όπως είναι η ιατρική, η βιομηχανία και την ρομποτική, που ανιχνεύει ανωμαλίες σχετικά με την φυσιολογική λειτουργία των οργάνων, αν πρόκειται για έμβιο οργανισμό, ή εξαρτημάτων Στην παρούσα διπλωματική θα γίνει έρευνα σχετικά με την ανίχνευση καινοτομιών στα δεδομένα του αισθητήρα ανίχνευσης θορύβου laser του ρομπότ Clearpath Husky. Στην εργασία αναφέρονται το τι είναι η μηχανική μάθηση, τι είναι η ανίχνευση ανωμαλιών και ποια η διαφορά με την ανίχνευση καινοτομιών ενώ θα γίνει αναφορά στο τι είναι τα Robot Vitals και Robot Health πάνω στα οποία γίνεται η ανίχνευση καινοτομιών για το πείραμα. Για το πειραματικό κομμάτι δημιουργήθηκαν τρία μοντέλα με σκοπό να συγκρίνουμε πιο είναι καταλληλότερο στην ανίχνευση των ακραίων τιμών στο dataset που έχουμε για το laser noise.	el
dc.format.extent	63	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανίχνευση ανωμαλιών	el
dc.subject	Ανίχνευση ακραίων τιμών	el
dc.subject	Ανίχνευση καινοτομίας	el
dc.subject	Isolation forest	el
dc.subject	One Class SVM	el
dc.subject	Local outlier factor	el
dc.subject	Robot vitals	el
dc.subject	Robot health	el
dc.title	Πρόβλεψη κατάστασης με ρομπότ με μηχανική μάθηση	el
dc.title.alternative	Robot's state prediction with machine learning	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Βασιλειάδου, Σουλτάνα
dc.contributor.committee	Drosos, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής	el
dc.description.abstracttranslated	In recent years there has been an increase in demand in the field of artificial intelligence and machine learning and this is because there are now large volumes of data that can be used to create artificial intelligence models and a plethora of applications in which researchers and professionals in the field can use them. One of these areas is anomaly detection, which finds application in areas such as medicine, industry and robotics, which detects anomalies related to the physiological function of organs, if it is a living organism, or components In this thesis, research will be done on detecting innovations in the data of the laser noise detection sensor of Clearpath Husky robot. The thesis will mention what machine learning is, what is anomaly detection and what is the difference with novelty detection and will mention what are Robot VItals and Robot Health on which novelty detection is done for the experiment. For the experimental part three models were created in order to compare which one is more suitable in detecting the outliers in the dataset we have for laser noise.	el

Files in this item

Name:: Komitis_71446444.pdf
Size:: 2.244Mb
Format:: PDF
Description:: Διπλωματική εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές