Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Μηχανική μάθηση και πολυπρακτορικά συστήματα για αποτελεσματικές ομάδες ανθρώπων – μηχανών

Trigkas Nikolaos

Πλήρης Εγγραφή

---

Περίληψη

H παρούσα μεταπτυχιακή εργασία προτείνει καινοτόμους αλγορίθμους μηχανικής μάθησης και πολυπρακτορικών συστημάτων για την αποτελεσματική συνεργασία ανθρώπων και μηχανών. Πιο συγκεκριμένα, προτείνει ένα νέο αλγοριθμικό εργαλείο βασισμένο σε Τεχνητή Νοημοσύνη, προκειμένου να επιτρέψει σε ομάδες μη επανδρωμένων εναέριων οχημάτων (UAVs) να βοηθήσουν στον εντοπισμό και τη διάσωση των θυμάτων, σε περίπτωση συμβάντων (λχ, εγκλωβισμού) μετά από χιονοστιβάδα. Η εργασία μας αποτελείται από δύο βασικούς ερευνητικούς άξονες που οδήγησαν στην παραγωγή αντιστοίχων «αλγοριθμικών εργαλείων»: Ο πρώτος άξονας αφορά την επεξεργασία και ανάλυση εικόνων τοπίων μετά από χιονοστιβάδα (προκειμένου τα UAVs να μπορούν να αναγνωρίζουν τα θύματα) μέσω της χρήσης και της βελτίωσης γνωστών τεχνικών επεξεργασίας εικόνας. Ο δεύτερος άξονας αφορά τη δημιουργία ενός νέου πλαισίου σχηματισμού συνασπισμών, το οποίο επιτρέπει την συνεργασία και τον συντονισμό των UAVs.Σε σχέση με τον πρώτο άξονα της εργασίας μας, για τον εντοπισμό των θυμάτων χρησιμοποιούμε τρεις αλγόριθμους αναγνώρισης εικόνων, συνδυάζοντας τεχνικές ανίχνευσης αντικειμένων και ακμών που χρησιμοποιούνται για πρώτη φορά στη βιβλιογραφία για την ανάλυση εικόνων επιχειρήσεων Έρευνας και Διάσωσης (Search and Rescue Operations) μετά από χιονοστιβάδα. Πιο συγκεκριμένα, εφαρμόζουμε (α) μια μέθοδο αποκορεσμού χρώματος, στην οποία διαχειριζόμαστε τη μείωση των πληροφοριών εικόνας χρησιμοποιώντας τεχνικές φιλτραρίσματος των χρωμάτων, (β) μια νέα έκδοση του γνωστού αλγορίθμου ανίχνευσης άκρων (Sobel), ο οποίος βελτιώνει τις παρακολουθούμενες ακμές του φόντου και τα επιθυμητά αντικείμενα σε αυτό, και (γ) τη μέθοδο ανίχνευσης αντικειμένων «Faster R-CNN», η οποία χρησιμοποιεί τεχνολογία αιχμής για την επιλογή περιοχής και τμηματοποίηση εικόνας. Και οι τρεις αλγόριθμοι δοκιμάζονται σε προσομοιώσεις σε πραγματικό χρόνο, με τον καλύτερο εκ των οποίων σε συνδυαστική αποτελεσματικότητα (δηλαδή την μέθοδο «Faster R-CNN») να χρησιμοποιείται σε μεταγενέστερα στάδια της έρευνάς μας. Ταυτόχρονα, στο δεύτερο άξονα της εργασίας μας προτείνουμε ένα νέο πλαίσιο σχηματισμού συνασπισμών που συμπεριλαμβάνει πολλαπλά στοιχεία. Πρώτον, έναν προτεινόμενο αλγόριθμο αρχικής τοποθέτησης UAVs (προσαρμογή ενός γνωστού αλγόριθμου Βελτιστοποίησης "Brain-Storming" στις ρυθμίσεις μας). Δεύτερον, ένα πρωτόκολλο δημιουργίας δομών συνασπισμού που επιτρέπει τον - σε άμεσο χρόνο - υπολογισμό της αξίας του κάθε συνασπισμού (που αντικατοπτρίζει την αξία συνεργασίας των UAVs που συμμετέχουν στον συνασπισμό), που θα καθοδηγήσει τελικά την προσπάθεια διάσωσης. Kαι τρίτον, ένα απλό αλλά αποτελεσματικό πρωτόκολλο συνάθροισης και αξιολόγησης απόψεων, το οποίο μπορεί να χρησιμοποιηθεί για την ιεράρχηση επιχειρήσεων διάσωσης σε περιπτώσεις «διφορούμενων» ευρημάτων των UAVs. Ο συνδυασμός των παραπάνω σκοπεύει στην μεγιστοποίηση του αριθμού των θυμάτων που μπορούν να εντοπιστούν και να διασωθούν, βάσει των συνεργατικών ανακαλύψεων από τα UAVs, και στην ολοκλήρωση της διαδικασίας στο συντομότερο δυνατό χρονικό διάστημα.Η μεθοδική πειραματική αξιολόγηση που διεξήχθη σε μια πληθώρα διαφορετικών σεναρίων προσομοίωσης, επαληθεύει τη δυνατότητα εφαρμογής και την αποτελεσματικότητα του πλαισίου μας και των επιμέρους στοιχείων του. Τέλος, αξίζει να σημειωθεί ότι η εργασία μας οδήγησε στην μετά από κρίση δημοσίευση ενός ερευνητικού άρθρου με τίτλο "Coalitions of UAVs for Victims Localization in Post-Avalanche Events Using Advanced Image Processing Techniques & Algorithms", το οποίο περιλαμβάνεται στα πρακτικά του (διεθνούς) 12ου Συνεδρίου Τεχνητής Νοημοσύνης που διοργανώνεται από την Ελληνική Εταιρεία Τεχνητής Νοημοσύνης (SETN 2022).

Διαθέσιμα αρχεία

Υπηρεσίες