dc.contributor.advisor | Drosos, Christos | |
dc.contributor.author | Μικέλη, Βασιλική | |
dc.date.accessioned | 2024-05-13T08:49:04Z | |
dc.date.available | 2024-05-13T08:49:04Z | |
dc.date.issued | 2024-03 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/6693 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-6529 | |
dc.description.abstract | Τη σύγχρονη εποχή η χρήση μοντέλων μηχανικής μάθησης έχει συμβάλλει στην εξέλιξη πολλών προ υπαρχόντων αλγορίθμων. Ένας τομέας στον οποίων η χρήση μηχανικής μάθησης μπορεί να εφαρμοστεί πολύ άμεσα και αποτελεσματικά, είναι τα μη επανδρωμένα οχήματα . Η αντικατάσταση των συμβατικών αλγορίθμων λήψης αποφάσεων (decision making), από
πολυπαραμετρικά μοντέλα τεχνητής νοημοσύνης, έχει οδηγήσει στην βελτιστοποίηση της αποτελεσματικότητας τους.
Η παρούσα διπλωματική εργασία στοχεύει στην κατασκευή ενός μη επανδρωμένου οχήματος με την ικανότητα της χρήσης τεχνητής νοημοσύνης, και πιο συγκεκριμένα με μοντέλα νευρωνικών δικτυών. Γίνετε μια αναλυτική περιγραφή της κατασκευής (συναρμολόγησης ) ενός τετρακόπτερου, το οποίο θα ελέγχετε αρχικά από ένα σύστημα τηλεκατεύθυνσης και μελλοντικά ο έλεγχος θα γίνετε αυτόματα μέσω υπολογιστή. Το λογισμικό το οποίο θα μας επιτρέψει την χρήση του flight controller, μέσω με την τηλεκατεύθυνσης είναι το Clean Flight. Η έκδοση που χρησιμοποιήσαμε είναι η 2.6.0 που είναι η τελευταία και είναι συμβατή με τον
ελεγκτή πτήσης που επιλέξαμε. Τελικός στόχος της εργασίας αυτής είναι, ο έλεγχος του νευρωνικό δικτύου να γίνετε μέσω
ενός μικροελεγκτή (Arduino) ο οποίος και θα ενσωματωθεί απευθείας πάνω στο σύστημα του τετρακόπτερου, δίνοντας τη δυνατότητα λήψης αποφάσεων σε πραγματικό χρόνο αναφορικά με την κατεύθυνση του. | el |
dc.format.extent | 62 | 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 | Τετρακόπτερο | el |
dc.subject | Νευρωνικά δίκτυα | el |
dc.subject | Τεχνητή νοημοσύνη | el |
dc.subject | Drone | el |
dc.subject | Μη επανδρωμένα ιπτάμενα οχήματα | el |
dc.title | Κατασκευή UAV για σάρωση και συλλογή δεδομένων βασισμένο σε νευρωνικά δίκτυα | el |
dc.title.alternative | UAV construction for scanning and data collection based on neural networks | el |
dc.type | Διπλωματική εργασία | el |
dc.contributor.committee | Laskaris, Nikolaos | |
dc.contributor.committee | Παπουτσιδάκης, Μιχαήλ | |
dc.contributor.faculty | Σχολή Μηχανικών | el |
dc.contributor.department | Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής | el |
dc.description.abstracttranslated | In the modern era, the use of machine learning models has contributed to the advanced of many existing algorithms. One area where the application of machine learning can be applied very directly and effectively is unmanned vehicles. The replacement of conventional decisionmaking algorithms with parametric models of artificial intelligence has led to the optimization of their efficiency. This thesis aims to construct an unmanned vehicle with the ability to use artificial intelligence specifically neural network models. A detailed description of the assembly of a quadcopter is provided, initially controlled by a remote control system, and eventually of a quadcopter is automated through a computer. The software that allows us to use the flight controller through
remote control is Clean Flight. The version we used is 2.6.0, which is the latest and compatible with the chosen flight controller.
The final goal of this work is for the neural network control to be carried out through a microcontroller (Arduino), which will be integrated directly into the quadcopter system, providing the ability to make real-time decision regarding its direction. | el |