Συνεργασία πλοίου και Μη-Επανδρωμένων ιπτάμενων συστημάτων για την αποκατάσταση θαλάσσιων υδάτωνΣυνεργασία πλοίου και Μη-Επανδρωμένων ιπτάμενων συστημάτων για την αποκατάσταση θαλάσσιων υδάτωνShip-UAVs cooperation for the restoration of marine areas Διπλωματική Εργασία Diploma Work 2022-03-142022elΗ εναπόθεση στις θάλασσες υλικών και υλών (ΥΥ) που προκαλούν ρύπανση των θαλάσσιων υδάτων ολοένα και αυξάνεται. Ο χρόνος αποσύνθεσης τους δύναται να ξεπεράσει τα 500 χρόνια. Οι κίνδυνοι που ελλοχεύουν λόγω αυτής της κατάστασης επηρεάζουν ολόκληρο το οικοσύστημα. Η παρούσα διπλωματική εργασία προτείνει την δημιουργία ενός πολυπρακτορικού συστήματος για την εξερεύνηση των θαλάσσιων υδάτων με σκοπό τον εντοπισμό ρυπογόνων ΥΥ. Η βασική μας επιδίωξη ήταν η προσαρμογή ήδη υπαρχόντων αλγορίθμων ανίχνευσης αντικειμένων στις ανάγκες τις εργασίας μας, και ο συνδυασμός των παραπάνω αλγορίθμων ανίχνευσης στα πλαίσια ενός πολυπρακτορικού συστήματος που αποτελείται από αυτόνομους πράκτορες που έχουν σκοπό τον εντοπισμό όλων των ρυπογόνων ΥΥ που υπάρχουν σε υδάτινες περιοχές. Επίσης, προτείνουμε την εφαρμογή συγκεκριμένων βελτιστοποιήσεων στην λειτουργία του πολυπρακτορικού συστήματος, ενώ αναπτύξαμε ένα αρκετά ρεαλιστικό περιβάλλον προσομοίωσης της λειτουργίας του πολυπρακτορικού μας συστήματος. Πιο συγκεκριμένα, η μελέτη μας υποθέτει την ύπαρξη ενός πλοίου σε περιοχές που επιθυμούμε να ερευνηθεί η ύπαρξη ρυπογόνων ΥΥ. Από το πλοίο αναχωρούν αυτόνομα Μη Επανδρωμένα Εναέρια Οχήματα (ΜΕΕO) που θα κληθούν να συνεργαστούν και να εντοπίσουν τα ΥΥ, προκειμένου να ακολουθηθεί μια διαδικασία συλλογής και απομάκρυνσης των ρυπογόνων παραγόντων. Για την ανίχνευση των ΥΥ χρησιμοποιήσαμε τους αλγορίθμους βαθέων συνελικτικών νευρωνικών δικτύων Faster R-CNN και Yolo, προσαρμόζοντας τους στις ανάγκες της έρευνας μας, και συνδυάσαμε τα αποτελέσματά τους με κατάλληλο ευριστικό αλγόριθμο που δημιουργήσαμε. Ο έλεγχος καθώς και η παρακολούθηση του πολυπρακτορικού συστήματος που υλοποιήσαμε γίνεται μέσω ενός συστήματος προσομοίωσης που σχεδιάσαμε, το οποίο προσδίδει στα ΜΕΕO ελευθερία κινήσεων στους x,y,z άξονες, και προσομοιώνει την λειτουργία αισθητήρων ανίχνευσης (radar, Mονάδα Aδρανειακής Mέτρησης (Μ.Α.Μ.)) της κατάστασης των πρακτόρων, που είναι η θέση, η ταχύτητα, η κατεύθυνση τους, καθώς και την λειτουργία των καναλιών επικοινωνίας τόσο μεταξύ των πρακτόρων όσο και της επικοινωνίας των πρακτόρων με το πλοίο. Επιπρόσθετα, αναπτύξαμε έναν νέο ευριστικό αλγόριθμο καθώς και μια παραλλαγή του γνωστού αλγορίθμου Kalman Fil- ter για τον προσδιορισμό της κατάστασης των πρακτόρων με βάση τα δεδομένα που προκύπτουν από τους αισθητήρες ανίχνευσης της κατάστασης των πρακτόρων, ενώ επίσης δημιουργήσαμε την δικιά μας γλώσσα επικοινωνίας που χρησιμοποιούν οι πράκτορες για την επικοινωνία μεταξύ τους αλλά και με το πλοίο. Επιπλέον, εκμεταλλευτήκαμε τον k-means αλγόριθμο για να χωρίσουμε την περιοχή ανίχνευσης σε υποομάδες ανάλογα με τον αριθμό των πρακτόρων που συμμετέχουν, και αναπτύξαμε έναν ευριστικό αλγόριθμο για την κάλυψη της περιοχής που ανατίθεται στους πράκτορες για ανίχνευση ΥΥ. Τέλος, αναπτύξαμε έναν αλγόριθμο για την εκτίμηση της ενεργειακής κατανάλωσης των πρακτόρων. Το εγχείρημα του εντοπισμού ρυπογόνων ΥΥ στην παρούσα εργασία προφανώς λαμβάνει χώρα εξ’ ολοκλήρου σε υδάτινο περιβάλλον. Παρ’ όλα αυτά, η συγκεκριμένη έρευνα και η μεθοδολογία που ακολουθήθηκε θα μπορούσε να χρησιμοποιηθεί με ελάχιστες αλλαγές και σε άλλα πεδία, όπως για παράδειγμα σε αποστολές έρευνας και διάσωσης. The deposition in the seas of substances and materials that cause pollution of marine waters is increasing. The decomposition time of such polluting factors can exceed 500 years. This situation poses enormous dangers, affecting as they do the entire ecosystem. The present dissertation puts forward the development of a multiagent system for the exploration of marine waters in order to detect polluting substances and materials. Our main goal was to adapt existing object detection algorithms to the needs of our work, and to combine the above detection algorithms within a multiagent system consisting of autonomous agents that aim to detect all polluting substances and materials present in water. In addition, we propose the implementation of specific algorithmic solutions that enhance the operation of the multiagent system, while we have developed a fairly realistic environment to simulate the operation of our multi-agent system. In more detail, our study assumes the existence of a moving sea vessel (e.g., a ship) in areas where we wish to investigate the existence of polluting substances and materials. Autonomous Unmanned Aerial Vehicles (UAVs) depart from the ship and will be called upon to cooperate and locate the polluting factors, in order to eventually follow a process of collection and removal of pollutants. To detect the polluting factors, we used the well-known Faster R-CNN and Yolo deep convolutional neural network algorithms, adapting them to the needs of our research, and combining their results with an appropriate heuristic algorithm we created. The control as well as the monitoring of our proposed multiagent system is performed via a simulation system that we designed, which gives the UAVs freedom of movement on the x, y, z axes, and simulates the function of detection sensors to detect the state of the agents (which comprises of their position, speed, and direction), as well as the operation of the communication channels both among the agents and the communication between the agents and the ship. In addition, we developed a novel heuristic algorithm as well as one variant of the well-known Kalman Filter algorithm, for determining the state of the agents based on data obtained from sensors; while we also created a problem-oriented communication language used by the agents to communicate with each other and with the sea vessel. In addition, we utilized the well-known k-means algorithm to divide the detection area into subgroups according to the number of agents involved, and developed a heuristic algorithm to cover the area assigned to pollutant detection agents. Finally, we developed an algorithm for estimating the agents' energy consumption. The task of locating pollutants in the present work obviously takes place entirely in an aquatic environment. Nevertheless, the specific research and methodology proposed and followed, could be used with minimal changes in other settings, such as in search and rescue missions.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνMakatzoris_Konstantinos_Dip_2022.pdfChania [Greece]Library of TUC2022-03-14application/pdf38.7 MBfree Makatsoris Konstantinos Μακατσωρης Κωνσταντινος Chalkiadakis Georgios Χαλκιαδακης Γεωργιος Partsinevelos Panagiotis Παρτσινεβελος Παναγιωτης Samoladas Vasilis Σαμολαδας Βασιλης Πολυτεχνείο Κρήτης Technical University of Crete MAS Simulator Machine learning Detection algorithms Sensor fusion Multi-Agent-System