Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Permanent URI for this collection

Browse

Recent Submissions

Now showing 1 - 20 of 754
  • ItemOpen Access
    Ανάπτυξη και υλοποίηση νευρωνικού δικτύου σε υλικό για εφαρμογές υπολογιστικής όρασης για edge/iot εφαρμογές
    (2024-06-20) Γεωργίου, Γιώργος; Georgiou, George
    Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη και υλοποίηση νευρωνικού δικτύου σε υλικό για αλγορίθμους υπολογιστικής όρασης σε εφαρμογές Edge/IoT. Ο αλγόριθμος τεχνίτης νοημοσύνης που επιλέχθηκε είναι ένας αλγόριθμος μηχανικής μάθησης (machine learning) στον οποίο η επεξεργασία της εικόνας γίνεται μέσω Συνελκτικών Νευρωνικών Δικτύων (Convolutional Neural Networks, CNNs) . Σε εφαρμογές Edge/IoT η χρήση συνελίξεων για επεξεργασία της εικόνας είναι μια κλασσική επιλογή, δεδομένου των επιλογών που προσφέρουν για βελτιστοποίηση της ταχύτητάς επεξεργασίας και ελαχιστοποίηση της επιφάνειας ολοκλήρωσης. Η αρχιτεκτονική που επιλέχθηκε συνδυάζει τις επιμέρους αρχιτεκτονικές Επαναχρησιμοποίησης υλικού (Reuse) και Ξεδιπλώματος βρόγχου (loop Unrolling) , καθώς περιλαμβάνει και επικοινωνία με εξωτερική μνήμη. Οι αρχιτεκτονικές αυτές επιλέχθηκαν με γνώμονα a) την επαναληπτική φύση του αλγορίθμου μηχανικής μάθησης b) τις απαιτήσεις για υψηλή ταχύτητα και μικρή επιφάνεια που επιβάλει το πεδίο των Edge/IoT εφαρμογών και c) της υψηλής επεκτασιμότητα ως προς το μέγεθος του δικτύου που μας προσφέρουν. Ο σχεδιασμός κάθε στοιχείου της υλοποίησης, των μνημών καθώς και του διαύλου δεδομένων (data bus) έχουν ως στόχο την μέγιστη δυνατή αξιοποίηση των οφελών των δύο παραπάνω σχεδιαστικών τεχνικών. Οι υπέρ-παράμετροι της υλοποίησης είναι ο παράγοντας unrolling και ο παράγοντας tiling. Ο λόγος που επιλέχθηκαν είναι γιατί μας επιτρέπουν να παρατηρήσουμε αξιοσημείωτες μεταβολές στις πειραματικές μετρήσεις διατηρώντας την υλοποίηση πλήρως παραμετροποίηση. Για τον παράγοντα unrolling χρησιμοποιήθηκαν οι τιμές 1,3 και 9 ενώ για τον παράγοντα tiling οι τιμές 1, 2 και 4. Η επιλογή των τιμών αυτών έγινε με βάση το μέγεθος όλων των στρωμάτων του δικτύου, το μέγεθος της εικόνας εισόδου, καθώς και από στοιχεία που κατατέθηκαν σε παλιότερη έρευνα . Η περιγραφή των αλγορίθμων έγινε σε γλώσσα C και η μετατροπή τους σε γλώσσα περιγραφής υλικού VHDL έγινε από το λογισμικό VIVADO HLS έκδοσης 2019.1. Για την επιβεβαίωση της ορθής λειτουργίας της υλοποίησης, αναπτύχθηκαν προγράμματα σε γλώσσα C και Python καθώς έγινε χρήση του co-simulation της VIVADO HLS που συγκρίνει τα αποτελέσματα που παράγει ο αλγόριθμος σε γλώσσα C με την VHDL υλοποίηση. Τα δεδομένα για την επιβεβαίωση προήλθαν από μια βάση δεδομένων με QR εικόνες και για την εκπαίδευση του machine learning αλγορίθμου χρησιμοποιήθηκε το Pytorch framework της Python . Την επιβεβαίωσης ορθής λειτουργίας ακολούθησε η πραγματοποίηση πειραματικών μετρήσεων με χρήση του VIVADO HLS. Τα μεγέθη τα οποία επιλέχθηκαν να παρθούν πειραματικά είναι η Μέγιστη Συχνότητα Λειτουργίας (Maximum Frequency), η Επιφάνεια Ολοκλήρωσης (Area), ο Ρυθμός επεξεργασίας (Throughput) και ο ρυθμός επεξεργασίας ανά Επιφάνεια Ολοκλήρωσης (Throughput/Area). Τα συμπεράσματα για την απόδοση της αρχιτεκτονικής για όλους τους διαθέσιμους συνδυασμούς υπερπαραμέτρων διεξάχθηκαν από την μελέτη της συμπεριφοράς τους ως προς αυτά τα μεγέθη όταν εφαρμόζονταν οι προαναφερόμενες υπερ-παράμετροι. Για την διεξαγωγή των μετρήσεων επιλέχθηκε η συσκευή FPGA xc7k70t-fbv6v6-1 της οικογένειας Kintex-7. Από την μελέτη των πειραματικών μετρήσεων εξάγουμε το συμπέρασμα ότι για την υλοποίηση με παράγοντα unrolling ίσο με τρία και παράγοντα tiling ίσο με δύο (T2-U3) παρατηρείται η καλύτερη από κοινού απόδοση στους λόγους ρυθμού επεξεργασίας προς χρήση BRAM και ρυθμού επεξεργασίας προς χρήση Slices του FPGA. Και στις δύο αυτές κατηγορίες η προαναφερόμενη υλοποίηση καταλαμβάνει την δεύτερη υψηλότερη θέση, ενώ ταυτόχρονα ο ρυθμός με τον οποίο επεξεργάζεται τις εικόνες αγγίζει την τιμή των 21 καρέ το δευτερόλεπτο (frames per second, fps), επίδοση αρκετά υψηλή για το φάσμα των εφαρμογών Edge/IoT στο οποίο συγκαταλέγονται ρυθμοί επεξεργασίας από 5 μέχρι 15 fps. Επίσης το ίδιο δίκτυο υλοποιήθηκε στους μικρό-ελεγκτές ADZS-BF707-BLIP2 της Analog Devices (ADI) , GR-MANGO της Renesas και RA8D1 της Renesas, από όπου μετρήθηκαν οι ρυθμοί επεξεργασίας 5, 10 και 28 fps αντίστοιχα. Επομένως αντιλαμβανόμαστε ότι η υλοποίηση του δικτύου στον xc7k70t-fbv6v6-1 μπορεί να ανταγωνιστεί όχι μόνο τους πιο περιορισμένους σε πόρους μικρό-ελεγκτές όπως ο ADZS-BF707-BLIP2, αλλά και τους πιο καινούργιος και γρήγορους μικρό-ελεγκτές όπως ο RA8D1.
  • ItemOpen Access
    Σύγκριση αντιθετικών συναρτήσεων κόστους με χρήση συνελικτικών νευρωνικών δικτύων
    (2024-06-20) Ζούλφος, Γεώργιος; Zoulfos, Georgios
    Η Αντιθετική Μάθηση (Contrastive Learning) είναι μια τεχνική μάθησης η οποία επικεντρώνεται στην εκμάθηση χρήσιμων αναπαραστάσεων θετικών και αρνητικών ζευγαριών δεδομένων. Η βασική αρχή στην οποία βασίζεται η συγκεκριμένη τεχνική είναι η ακόλουθη: “όμοια δεδομένα, ή δεδομένα από την ίδια κλάση θα πρέπει να απεικονίζονται κοντά στον λανθάνοντα χώρο, ενώ ανόμοια δεδομένα, δηλαδή δεδομένα από διαφορετικές κλάσεις θα πρέπει να απεικονίζονται σε σημεία του λανθάνοντα χώρου που απέχουν πολύ μεταξύ τους.” Βασιζόμενοι σε αυτή την ιδέα έχουν προταθεί στην διεθνή βιβλιογραφία διαφορετικές συναρτήσεις κόστους και πλαίσια εργασίας όπως: • η Αντιθετική Συνάρτηση Κόστους (Contrastive Loss), • η Κανονικοποιημένη Αντιθετική Συνάρτηση κόστους (NT-xent loss), καθώς και • η Επιβλεπόμενη Αντιθετική Συνάρτηση κόστους (Supervised Contrastive Loss). Στόχος μας, σε αυτή την εργασία είναι η αξιολόγηση και η σύγκριση των παραπάνω συναρτήσεων κόστους καθώς και η μελέτη της επίδρασης των υπερπαραμέτρων που απαιτούνται για την εκπαίδευση του μοντέλου. Η αξιολόγηση των παραπάνω θα βασίζεται στις επιδόσεις αντίστοιχων νευρωνικών δικτύων που θα εκπαιδευτούν στο γνωστό σύνολο δεδομένων Fashion – MNIST.
  • ItemOpen Access
    Energy consumption prediction of household appliances using automated machine learning
    (2024-06-10) Κοντός, Στέφανος; Kontos, Stefanos
    This thesis explores developing and applying advanced predictive models for energy consumption and air conditioning (AC) status prediction in residential homes, leveraging machine learning and deep learning techniques to enhance energy management and efficiency. The research is motivated by the critical need to optimize energy use in buildings, constituting a significant portion of global energy consumption. Accurate predictions of energy consumption and AC status can substantially improve energy efficiency, cost savings, and environmental sustainability. The study begins with a comprehensive data exploration phase, including preprocessing steps and feature engineering techniques such as rolling mean and standard deviation for temperature and relative humidity. These features capture the temporal dynamics of environmental factors, providing a richer context for predictive modeling. For AC status prediction, a Decision Tree Classifier was implemented using temperature, relative humidity, and DateTime as features. This model achieved high accuracy and minimal error rates, proving effective for real-time monitoring and control of AC systems. For energy consumption prediction, multiple regression models were evaluated, including Random Forest Regressor, Recurrent Neural Networks (RNN) with Long Short-Term Memory (LSTM) layers, and Automated Machine Learning (AutoML) using the AutoGluon framework. This thesis contributes to the field of energy management by developing robust predictive models that can inform smarter energy use and enhance sustainability efforts. The practical implications of these models for smart home technologies include optimizing energy consumption, improving operational efficiency, and supporting proactive energy management strategies.
  • ItemOpen Access
    Gap properties in random intersection graphs
    (2024-03-27) Καρέλας, Γεώργιος-Νικόλαος; Karelas, Georgios-Nikolaos
    Networks, which mathematically can be modeled using graphs, are widely used during the last years to represent systems with entities (nodes) that interact with each other (edges). Thanks to their structure, networks can be applied in many different settings and that is why we can find applications of them in many fields of science, such as biology, economics, chemistry, social sciences and computer science. One of the most important open problems in the study of graphs is that of finding, in an arbitrary graph, its maximum clique, that is a subset of its vertices which are all connected to each other. The problem of finding a clique can be translated, in the case of social networks, to a community detection problem. Here, we focus on random graphs, which were initially considered in order to study the properties of "typical" graphs. Specifically, we focus on the random intersection graph model which consists of two parts; an attribute set (labels) and all the graphs whose nodes choose each one of the attributes (labels) independently and equiprobably. Two nodes, in a graph of this model, are connected if they have at least one label in common. This creates a dependency between the edges, making this model an accurate representation of social networks. The goal of this thesis is to study dense random intersection graphs and try to capture the difficulty of detecting a maximum clique in this setting. We give an extended review on random intersection graphs, providing some basic structural results on the model. In addition, we present some related work to the maximum clique problem and include the notion of average-case hardness for the maximum clique problem in our setting defined by [35]. Our work leads to the conjecture that finding a maximum clique using the adjacency matrix of the graph requires superpolynomial time. Furthermore, we use a result by [20] which helps us get our second conjecture on the generalization of the Single Label Clique theorem [36].
  • ItemOpen Access
    Ασφάλεια προσωπικών δεδομένων σε εφαρμογές λογισμικού υγείας (e-health) ενσωματωμένων συστημάτων
    (2022-02-22) Δημοπούλου, Μαριάνα; Dimopoulou, Mariana
    Το οικοσύστημα των έξυπνων κινητών τηλεφώνων, καθώς και των εφαρμογών τους, είναι ραγδαία εξελισσόμενο τα τελευταία χρόνια, με δισεκατομμύρια χρήστες κινητών, οι οποίοι συνεχώς αυξάνονται και κάθε ένας από αυτούς έχει δεκάδες εφαρμογές, διαφόρων κατηγοριών, εγκατεστημένες στο τηλέφωνό του. Ένας ιδιαίτερα αναπτυσσόμενος τομέας, είναι οι εφαρμογές mHealth, η χρήση των οποίων αφορά τόσο τους απλούς χρήστες, όσο και τους επαγγελματίες υγείας, προσφέροντας εργαλεία και υπηρεσίες υποστήριξης της υγείας των χρηστών, κάνοντας χρήση δεδομένων που προέρχονται είτε άμεσα από τους ίδιους τους χρήστες με χειροκίνητη εισαγωγή, είτε έμμεσα από το περιβάλλον τους, μέσω αισθητήρων που μετρούν σωματικές και περιβαλλοντικές ενδείξεις. Η χρήση τέτοιου είδους εφαρμογών συνεπάγεται την επεξεργασία ευαίσθητων προσωπικών δεδομένων, όπως οι καρδιακοί παλμοί, η τοποθεσία ή η λίστα επαφών τους. Στην εποχή του Big Data, πραγματοποιείται συλλογή και διασταύρωση πληροφοριών από διαφορετικές πηγές, με στόχο τη δημιουργία περιεκτικών προφίλ χρήστη, η ύπαρξη και μόνο των οποίων αποτελεί σημαντική απειλή στην ιδιωτικότητα των χρηστών. Από το 2018 στην Ευρωπαϊκή Ένωση εφαρμόστηκε ο GDPR, ο οποίος όριζε το νομικό πλαίσιο για την προστασία των προσωπικών δεδομένων των ευρωπαίων πολιτών. Ο GDPR επηρέασε την έννοια της προστασίας προσωπικών δεδομένων παγκοσμίως, καθώς οποιοσδήποτε οργανισμός επεξεργάζεται προσωπικά δεδομένα πολιτών της Ευρώπης, άσχετα με την έδρα του, θα πρέπει να συμμορφώνεται σε αυτόν. Στον πυρήνα του GDPR βρίσκονται η Προστασία Δεδομένων by default και by design, η διαφάνεια, η λογοδοσία, καθώς και η ελεύθερη, ενημερωμένη συναίνεση των χρηστών για την επεξεργασία των δεδομένων τους. Τα χρόνια που πέρασαν από την εφαρμογή του GDPR, και υπό τον φόβο υψηλών προστίμων, γίνεται προσπάθεια συμμόρφωσης στο νομικό πλαίσιο, ωστόσο η επισκόπηση της υπάρχουσας βιβλιογραφίας αποκαλύπτει πως υπάρχουν αρκετές ελλείψεις. Μια ανεξέλεγκτη απειλή προς την ιδιωτικότητα των χρηστών αποτελεί η συνηθισμένη πρακτική των προγραμματιστών να ενσωματώνουν στις εφαρμογές τους βιβλιοθήκες τρίτων, στον κώδικα των οποίων δεν έχουν ούτε οι ίδιοι πρόσβαση. Ειδικά στα συστήματα Android, που κατέχουν το κυρίαρχο κομμάτι της αγοράς, οι ενσωματωμένες βιβλιοθήκες αποκτούν τα ίδια δικαιώματα πρόσβασης με τις host εφαρμογές. Έτσι, δημοφιλείς βιβλιοθήκες μπορούν μέσω διαφορετικών εφαρμογών, να αποκτήσουν πλήρη πρόσβαση σε ευαίσθητα προσωπικά δεδομένα χρηστών (Intra-Library Collusion). Στην παρούσα εργασία πραγματοποιήθηκε ανάλυση και καταγραφή της λειτουργίας 9 δημοφιλών δωρεάν mHealth εφαρμογών Android. Για την στατική και δυναμική ανάλυσή τους χρησιμοποιήθηκαν οι εφαρμογές Exodus και TrackerControl. Οι άδειες πρόσβασης που αιτούνται οι εφαρμογές, κατά πόσο είναι απαραίτητες για τη λειτουργία τους, οι Trackers, διαφόρων κατηγοριών, οι οποίοι εντοπίστηκαν στον κώδικα των εφαρμογών και κατά πόσο υπήρξε επικοινωνία μαζί τους αναλύοντας την κίνηση δικτύου της κάθε εφαρμογής, και κατά πόσο η πολιτική απορρήτου της κάθε εφαρμογής ενημέρωνε επαρκώς τον χρήστη για την επεξεργασία των δεδομένων του, ήταν θέματα που εξετάστηκαν. Τα ευρήματα της παρούσας εργασίας έρχονται σε συμφωνία με την υπάρχουσα βιβλιογραφία, εντοπίζοντας σημεία αναφορικά στην ασφάλεια των προσωπικών δεδομένων των χρηστών, τα οποία θα μπορούσαν να βελτιωθούν.
  • ItemOpen Access
    Enhancing federated learning through blockchain : addressing challenges and unlocking potential
    (2024-02) Ανδρονικίδης, Γεώργιος; Ανδρονικίδης, Γεώργιος
    The rapid advancements in data-driven decision-making have increased the need for effective machine learning and deep learning models, which often require vast amounts of data for training. A groundbreaking methodology called Federated Learning (FL) enables collaborative machine learning without the need for centralized training data. FL addresses various challenges identified in conventional machine learning including privacy, data ownership, and communication bottlenecks. FL enables training on decentralized edge devices while aggregating local models into a global model. However, FL has several drawbacks such as security and integrity, accountability and transparency, and model provenance and security. This thesis explores the potential of leveraging blockchain technology to address these challenges and enhance FL capabilities. Blockchain’s decentralized and immutable nature offers several advantages, such as transparency, tamper resistance, and trustworthiness, which are crucial for addressing those challenges. By utilizing blockchain, key challenges such as model provenance and security, data privacy, model poisoning, and others can be effectively addressed. The integration of blockchain technology into the FL process has the potential to revolutionize the field by enabling a safer, more accountable, transparent, and trustworthy model. Future research directions and potential implementation challenges are also highlighted to encourage further exploration and development in this emerging field.
  • ItemOpen Access
    Ανάλυση δεδομένων από σοβαρά παιχνίδια με τεχνικές μηχανικής μάθησης
    (2024-01-26) Ζαχαροπούλου, Ηλιάνα; Zacharopoulou, Iliana
    Η γήρανση του πληθυσμού αυξάνεται κατακόρυφα παγκοσμίως. Συνέπεια της μείωσης που σχετίζεται με την ηλικία είναι η κλινική κατάσταση της αδυναμίας, η οποία ορίζεται ως ευπάθεια. Η ευπάθεια είναι ένα βιολογικό σύνδρομο που ενέχει αυξημένο κίνδυνο για κακή έκβαση της υγείας, συμπεριλαμβανομένων πτώσεων, περιστατικών αναπηρίας, νοσηλείας και θνησιμότητας. Ωστόσο, η αδυναμία αυτή είναι μια δυναμική και όχι μία μη αναστρέψιμη διαδικασία και φαίνεται ότι μπορεί να προληφθεί, να καθυστερήσει ή να αντιστραφεί. Το σύστημα FrailSafe παρέχει μία νέα προσέγγιση σε αυτό το περίπλοκο, ιατρικό, κοινωνικό και δημόσιο πρόβλημα υγείας. Αποτελείται από διάφορα μέρη, όπως διάφορους αισθητήρες ικανούς να καταγράφουν με διακριτικότητα μεγάλο όγκο δεδομένων, παιχνίδια, φορητές συσκευές εξοπλισμένες με αισθητήρες και άλλες συσκευές, καθώς και εφαρμογές λογισμικού για συλλογή και επεξεργασία δεδομένων και εφαρμογές smartphone. Στόχος του είναι η καλύτερη κατανόηση της αδυναμίας και της σχέσης της με συννοσηρότητες, για τον εντοπισμό ποσοτικών και ποιοτικών μετρήσεων μέσω προηγμένων προσεγγίσεων εξόρυξης δεδομένων σε πολυπαραμετρικά δεδομένα, και στη χρήση τους για την πρόβλεψη βραχυπρόθεσμων και μακροπρόθεσμων αποτελεσμάτων και κινδύνου αδυναμίας. Η σουίτα παιχνιδιών του FrailSafe αποτελείται από μία ποικιλία παιχνιδιών που στοχεύουν τόσο στη κατανόηση της φυσιολογικής και γνωστικής κατάστασης των ηλικιωμένων, όσο και στην παροχή ασκήσεων αποκατάστασης. ΄Ολα τα παιχνίδια είναι διαφορετικά ως προς τη γνωστική αξιολόγηση και σχεδιάστηκαν για να στοχεύουν διαφορετικούς γνωστικούς και φυσικούς τομείς, όπως η μνήμη, η αντοχή/δύναμη, ισορροπία, παρατηρητικότητα, λήψη αποφάσεων κ.α. Η εργασία αυτή αποσκοπεί στην αξιοποίηση αυτών των δεδομένων για ανάλυση χρησιμοποιώντας τεχνικές μηχανικής μάθησης, ώστε να καθοριστεί ένα μοτίβο που θα εξηγούσε την παρουσία αδυναμίας μεταξύ των εθελοντών. ΄Ετσι θα βοηθούσε το ηλικιωμένο άτομο να λάβει μέτρα ώστε να αποφύγει ανεπιθύμητα γεγονότα που θα μπορούσαν να επηρεάσουν την κλινική, φυσική και γνωστική κατάστασή του, με σκοπό να αποτρέψει την εμφάνιση της αδυναμίας.
  • ItemOpen Access
    Ανάλυση με προσομοίωση διαδικασιών λειτουργίας και συντήρησης στόλου αεροσκαφών
    (2023-11-15) Τσούκας, Βασίλειος; Tsoukas, Vasileios
    Η παρούσα διπλωματική εργασία παρουσιάζει μια ανάλυση των διαδικασιών λειτουργίας και συντήρησης του στόλου αεροσκαφών χρησιμοποιώντας τεχνικές προσομοίωσης και ανάλυσης. Ο στόχος της μελέτης είναι να παράσχει πληροφορίες για την απόδοση των στρατηγικών διαχείρισης στόλου και να εντοπίσει σημεία προς βελτίωση. Το μοντέλο προσομοίωσης υλοποιείται χρησιμοποιώντας τη βιβλιοθήκη PythonSim και βασίζεται σε δεδομένα που συλλέγονται από μια Σχολή Πιλότων. Το μοντέλο χρησιμοποιείται για την αξιολόγηση της επίδρασης διαφορετικών σεναρίων στους βασικούς δείκτες απόδοσης, όπως η διαθεσιμότητα του στόλου και το κόστος συντήρησης. Τα αποτελέσματα δείχνουν ότι το μοντέλο προσομοίωσης μπορεί να αποτυπώσει αποτελεσματικά την πολυπλοκότητα της διαδικασίας διαχείρισης στόλου και να παρέχει πολύτιμες πληροφορίες για τη λήψη αποφάσεων. Η μελέτη συμβάλλει στην έρευνα για τη διαχείριση αεροπορικού στόλου, επιδεικνύοντας τις δυνατότητες της ανάλυσης προσομοίωσης για τη βελτίωση της λειτουργικής απόδοσης και τη μείωση του κόστους. Τα ευρήματα της μελέτης έχουν πρακτικές επιπτώσεις για τις αεροπορικές εταιρείες και μπορούν να χρησιμοποιηθούν για τη βελτιστοποίηση των στρατηγικών διαχείρισης του στόλου τους. Συνολικά, αυτή η διατριβή παρέχει μια ολοκληρωμένη ανάλυση των διαδικασιών λειτουργίας και συντήρησης του στόλου αεροσκαφών και προσφέρει πληροφορίες για μελλοντική έρευνα.
  • ItemOpen Access
    Efficient algorithms and novel big data management techniques and their applications in ubiquitous computing
    (2023-09-01) Βονιτσάνος, Γεράσιμος; Vonitsanos, Gerasimos
    The thesis explores the pivotal role of data mining in computer science and data analysis, particularly in the context of the 4th Industrial Revolution. With the exponential increase in data generation from various sources like databases, mobile devices, and social media, the demand for effective data mining tools has become imperative. Data mining aims to unveil patterns and insights from large, complex, and structured datasets, enabling the identification of often hidden trends and interactions. This thesis covers diverse domains where data mining is applied, ranging from business analysis and bioinformatics to financial forecasting and sentiment analysis. It explores into clustering, classification, and anomaly detection algorithms, harnessing data analysis tools and visualization techniques for presenting findings. One key focus of the research is the application of data mining techniques using Apache Spark, specifically addressing challenges posed by heterogeneous and semi-structured data. The architecture of Apache Spark is leveraged for data management and analysis. Real-time information retrieval from cultural content is emphasized through extensive dataset analysis, leading to customized content for users and improved engagement. The adoption of Apache Spark ensures efficient processing and analysis of massive data volumes, utilizing its streaming architecture for managing data streams. The study validates the proposed approach with Twitter data, employing Apache Spark streaming for real-time cultural content analysis. The thesis further explores Collaborative Filtering (CF) technique for recommendation systems, extending its application to higher-order systems using GeoSpark. This technique enhances understanding of user behavior by gathering inputs from varying distances. Another significant aspect of the research involves the utilization of GeoSpark for managing and analyzing spatiotemporal data. By employing methods like Decision Trees and Random Forests, the study aims to extract insights from spatiotemporal data while focusing on privacy management. The thesis also investigates preprocessing of documents for analysis, utilizing the Term FrequencyInverse Document Frequency (TF-IDF) approach to create representative vectors. Furthermore, it presents predictive modeling for stock movements and explores the integration of emotional information from Twitter using Apache Spark. Chapters explore into diverse applications like community detection algorithms, protein structure prediction, and genetic variations analysis. The application of data mining in movie recommendations and understanding cryptocurrency sentiment through Twitter data is also discussed.
  • ItemOpen Access
    Algorithms and architectures for reconfigurable-intelligent-surface-aided wireless communications for 6G
    (2023-07-14) Κομποστιώτης, Δημήτριος; Kompostiotis, Dimitrios
    This M.Sc. thesis focuses on a new infrastructure for 6G wireless networks, namely Reconfigurable Intelligent Surfaces (RISs). The thesis assumes existing channel models that take into account RISs, and also considers algorithms that determine the quality of communication between the transmitter and receiver and that make the best use of these new infrastructures. A RIS comprises a multitude of cells, each of which can be independently controlled to change the reflection angle of an incident wave. RIS’s goal is to send directional lobes (beamforming) of the signal incident on it towards specific locations/directions in space. In particular, depending on the position of the receiver in the network, it is required that the parameters of each cell, assume a value so that the incident (on each cell) signal, is reflected by the surface at such an angle, inducing a phase difference, so that positive confluence occurs at the receiver, maximizing the received power. This is a positive signal contribution logic. Thus, the signal is now limitedly attenuated. Initially, the research for the RIS involves studying the relevant literature on problems that arise at the physical layer of wireless networks (e.g. security issues in 6G networks and beamforming). In particular, models are developed that include RIS at the physical layer of the network, followed by simulations that take into account eavesdropping and jamming phenomena where illegal users try to either intercept or destroy information from a legitimate communication. Consequently, the aim is to develop appropriate algorithms (existing and new ones), which, having or not Channel State Information (CSI) between transmitter and receiver, can find the best possible configuration, i.e., make the best possible decision on what values the capacitors and/or resistors of the RIS should take in order to maximize the power reaching the receiver and minimize the power of an illegal user in the case of this scenario. The aim is also to incorporate as far as possible practical phenomena in the model, where i) the RIS elements reflect the incident signal not ideally but with reduced power depending on the phase- reflection amplitude, ii) the neighbouring surface elements are influenced by each other in terms of the reflection angle (mutual coupling effect) iii) the RIS reflection angles are quantized and iv) frequency selective channels are used for the simulations with Orthogonal Frequency Division Multiplexing (OFDM) transmission, used by a multitude of scientific works. Finally, since in 6G networks the speeds required are very high, some hardware implementations suitable for existing algorithms are given that try to maximize the data downlink/uplink rate to the users of a network, using RISs.
  • ItemOpen Access
    Ordinary differential equations in machine learning : continuous mappings
    (2023-08-25) Γεωργαντόπουλος, Παναγιώτης; Georgantopoulos, Panagiotis
    In this thesis the use of Ordinary Differential Equations as machine learning models such as the Neural Ordinary Differential Equations (NODEs) and Continuous Normalizing Flows (CNFs), is investigated. Those models constitute an alternative to neural networks based on residual architectures whose the number of layers could be considered that result from the sampling of the trajectory of a NODE or a CNF. It is well known that the modeling of a highly non linear function by a deep neural network leads to a highly non linear prob- lem that is not amenable to close form solution. By modeling a deep neural network by a NODE, numerical integrators can be used for their training by solving in each solver’s step the resulting adjoint equations. By doing so, in contrast to the classical back-propagation algorithm that demands the storing of all the intermediate partial derivatives with respect to the network’s parameters in memory, the use of constant sized memory is needed. To showcase the performance of of NODEs and CNFs on basic machine learning problems, we test the use of NODEs and CNFs in simple classification and non-parametric density matching problems respectively, and compare their performances against typical ResNet based models.
  • ItemOpen Access
    Υλοποίηση και αξιολόγηση μεθόδων βαθιάς ενισχυτικής μάθησης σε προβλήματα εύρεσης βέλτιστης διαδρομής ρομποτικών οχημάτων που κινούνται εκτός δρόμου
    (2023-10-30) Δεμερτζή, Ηλιάνα; Demertzi, Iliana
    Το πεδίο της Ενισχυτικής Μάθησης είναι εμπνευσμένο από τα βιολογικά συστήματα και επι- τρέπει σε ένα πράκτορα να αποκτά γνώση μέσα από μία διαδικασία δοκιμής και λάθους, αλληλεπιδρώντας με ένα περιβάλλον, βασιζόμενος στην απόκριση του περιβάλλοντος αυτού. Ο συνδυασμός της Ενισχυτικής Μάθησης με τη Βαθιά Μάθηση οδήγησε τα τελευταία χρόνια στην ανάπτυξη πολλαπλών αλγορίθμων με αξιοσημείωτα αποτελέσματα σε πολλούς τομείς. Στα πλαίσια της εργασίας υλοποιήθηκαν οι αλγόριθμοι Βαθιάς Ενισχυτικής Μάθησης DQN, PPO, DDPG και SAC, αναπτύσσοντας τους αντίστοιχους πράκτορες. Οι πράκτορες αρχικά εκπαιδεύτηκαν στο απλό περιβάλλον του CartPole. Στη συνέχεια δημιουργήσαμε ένα περιβάλλον Ενισχυτικής Μάθησης αποτελούμενο από ένα ρομποτικό όχημα εξοπλισμένο με αισθητήρες απόστασης που κινείται σε άγνωστο χώρο με εμπόδια σε τυχαίες θέσεις. Εκπαιδεύσαμε τους πράκτορες έτσι ώστε το ρομποτικό όχημα να βρίσκει τη βέλτιστη διαδρομή προς ένα σημείο-στόχο αποφεύγοντας ταυτόχρονα τα εμπόδια. Η εργασία αποτελείται από πέντε κεφάλαια. Στο πρώτο κεφάλαιο πραγματοποιείται εισαγωγή στα βασικά ζητήματα και θέματα της διπλωματικής εργασίας. Στο δεύτερο κεφάλαιο αναλύονται θεμελιώδη στοιχεία της Μηχανικής Μάθησης. Στο τρίτο κεφάλαιο εμβαθύνουμε στην Ενισχυτική Μάθηση και στο θεωρητικό υπόβαθρο των αλγορίθμων της, ενώ παρουσιάζονται υλοποιήσεις των αλγορίθμων στο παιχνίδι CartPole. Στο τέταρτο κεφάλαιο εφαρμόζουμε τους αλγορίθμους στο πρόβλημα εύρεσης βέλτιστης διαδρομής ενός ρομποτικού οχήματος και παρουσιάζουμε τα πειραματικά αποτελέσματα. Κλείνοντας στο πέμπτο κεφάλαιο αναφέρουμε τα συμπεράσματά μας και προτάσεις για πιθανή μελλοντική έρευνα.
  • ItemOpen Access
    Εκτίμηση ευθραυστότητας και δυσμενών γεγονότων με την χρήση δεδομένων κίνησης και συμπεριφοράς
    (2023-10-12) Καφτάνης, Γεώργιος; Kaftanis, Georgios
    Η παρούσα διπλωματική στοχεύει στην ανασκόπηση του προγράμματος Frail Safe, μέσω της συγκέντρωσης όλων των ερευνών και εργασιών που έχουν πραγματοποιεί σχετικά με αυτό. Παράλληλα, γίνεται προσπάθεια για υλοποίηση νέων μεθόδων, οι οποίες διαφοροποιούνται από τις ήδη υπάρχουσες κυρίως όσον αφορά τις μετρήσεις και τα δεδομένα που αξιοποιούνται, αλλά και ορισμένα μοντέλα ταξινόμησης. Στο πλαίσιο της διπλωματικής εργασίας υλοποιήθηκε μια εφαρμογή σε Python, η οποία περιλαμβάνει την κατάλληλη διεπαφή (interface) για την εκτέλεση διαφορετικών μεθόδων επεξεργασίας δεδομένων και κατηγοριοποίησης δεδομένων χρονικού παραθύρου ή δραστηριότητας σε 3 ("Non-Frail", "Pre-Frail", "Frail") ή 2 κλάσεις ("Non-Frail" , "Frail"), δηλαδή με βάση τον δείκτη ευπάθειας του συμμετέχοντα. Τα δεδομένα τα οποία αξιοποιήθηκαν περιορίζονται μόνο σε δεδομένα κίνησης και συμπεριφοράς τα οποία μπορούν να αντληθούν από ένα «έξυπνο» ρολόι ή τηλέφωνο. Αυτό αποσκοπεί στην εξαγωγή μεθόδων κατηγοριοποίησης ευπάθειας με την χρήση εύχρηστων συσκευών. Για την αντιμετώπιση του προβλήματος των μη ισορροπημένων δεδομένων δοκιμάζονται οι τεχνικές SMOTE, Tomek Links , ένας συνδυασμός αυτών, καθώς και η χρήση βαρών. Στην συνέχεια, διαχωρίζονται τα δεδομένα σε δεδομένα εκπαίδευσης και δοκιμής με 2 διαφορετικούς τρόπους. Για την χρήση τον χρονικών παραθύρων διαχωρίζονται τα δεδομένα για κάθε συμμετέχοντα ξεχωριστά, ενώ για τα παράθυρα με βάση την δραστηριότητα ο διαχωρισμός εφαρμόζεται στο σύνολο των δεδομένων. Παράλληλα, εφαρμόζονται τεχνικές εξαγωγής χαρακτηριστικών και κανονικοποίησης των δεδομένων. Τα μοντέλα κατηγοριοποίησης που ελέγχθηκαν και αξιοποιήθηκαν είναι grandient boosting (μέσω XGBoost), K-Nearest Neighbors classifier, Convolutional Neural Networks (CNN), Artificial Neural Networks (ANN) καθώς και Long Short Term Memory (LSTM) δίκτυα. Τα αποτελέσματα που προέκυψαν για την κατηγοριοποίηση των χρονικών παραθύρων έφτασε στο 83,95% με την χρήση των LSTM δικτύων, ενώ για κάθε δραστηριότητα μέσω του XGBoost ήταν στο 82,64% (ταξινόμηση σε 3 κλάσεις). Με βάση τα περιορισμένα δεδομένα που αξιοποιήθηκαν οι ακρίβειες κρίνονται ικανοποιητικές και τα συγκεκριμένα μοντέλα θα μπορούσαν να παρέχουν επικουρική και συμβουλευτική επιτήρηση στους ηλικιωμένους.
  • ItemOpen Access
    Θεματική κατηγοριοποίηση κειμένων και ανάκτηση πληροφορίας σε κατανεμημένα συστήματα
    (2023-09-08) Καλογερόπουλος, Νικήτας-Ρήγας; Kalogeropoulos, Nikitas - Rigas
    Αρχικός, στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη τεχνικών συνδυασμού μοντέλων ανάκτησης πληροφορίας με γραφήματα. Επίσης, μελετώνται μοντέλα αναπαράστασης κείμενων με τεχνικές που εφαρμόζονται σε προβλήματα θεματικής κατηγοριοποίησης και επιχειρείται η ένταξης τους σε μοντέλα ανάκτησης πληροφορίας, τα οποία με τη σειρά τους χρησιμοποιούν γραφήματα. Απώτερος σκοπός των παραπάνω τεχνικών είναι ο εμπλουτισμός της διαδικασίας της ανάκτησης πληροφορίας με σημασιολογική και συντακτική πληροφορία. ΄Ενας επιπρόσθετος στόχος είναι η παραλληλοποίηση του επεκτεταμένου με γραφήματα Set-Based μοντέλου στο κατανεμημένο περιβάλλον του Apache Spark, εκμεταλλευόμενοι τα πλεονεκτήματα τέτοιων συστημάτων. ΄Εμφαση δίνεται, αρχικά, στον τρόπο ευρετηρίασης και κατασκευής γραφημάτων εκσυγχρονίζοντας και επεκτείνοντας μεθόδους που εφαρμόστηκαν στο MapReduce μοντέλο.
  • ItemOpen Access
    Saliency-driven perceptual compression for static point clouds
    (2023-09-29) Ψαθά, Ελευθερία; Psatha Eleftheria
    3D Point Clouds (PCs) are becoming increasingly prevalent in the current multimedia landscape, as the preferred method of depicting 3D data. They are widely used in fields such as virtual and augmented reality. This rising popularity of PCs can be attributed to their ability to accurately capture the complex geometry and texture of objects and environments in a 3D space. A Point Cloud (PC) is a data representation that uses an unordered set of points to describe the surface of a 3D object or environment. Standard PCs typically consist of millions of points, which results in a large memory footprint and significant bandwidth requirements. Therefore, the need for efficient compression methods is imperative. This thesis introduces an adaptive bit allocation strategy for geometry-based point cloud compression (PCC). It is based on a visual perception model that determines how human observers distribute their visual attention in a 3D scene, given their position and viewing direction. Concentrating bits in more perceptually interesting visual areas can achieve higher compression ratios with minimal perceived quality degradation. We calculate a saliency heatmap by combining several perceptual features: a) foveation, b) depth from the viewpoint, c) visibility information, and d) geometric importance. The combined map indicates the overall visual significance of each point and therefore we quantize different regions with a different number of bits during the encoding process. The decoder reconstructs the point cloud making use of delta coordinates and solving a sparse linear system. The proposed scheme is called SDP-PCC (Saliency-Driven Perceptual Point Cloud Compression). Evaluation and comparison with current leading methods demonstrated that the proposed method achieves significantly better results for extremely low bit rates. Although our reconstruction method relies on solving sparse linear systems, it has shown promising potential. As a result, the proposed saliency-driven compression strategy can be integrated into all existing PCC techniques to optimize the balance between compression rate and reconstruction quality and maintain great visual accuracy, even at aggressive bitrates.
  • ItemOpen Access
    Deployment of temporal GNNs for mining large social networks over Spark on Kubernetes
    (2023-09-26) Σοφούλης, Φώτης; Sofoulis, Fotis
    This master thesis explores the field of graph neural networks and their applications in analyzing large social networks for node feature prediction. The objective of the thesis is twofold: firstly, leveraging the capabilities of Apache Spark on a Kubernetes-managed cluster, the research accentuates the significance of deploying such implementations on physical clusters. This approach sheds light on the inherent challenges posed by real network infrastructure, like network delays, synchronization discrepancies, and slow propagation of critical data. Secondly, the study focuses on the applicability of temporal graph neural networks, in capturing dynamic behaviors within large social graphs, such as label prediction and community detection. Through a structured approach, the research spans the foundations of machine learning concepts, delves into graph neural networks, elaborates on large social network analysis with Spark, and presents an overview of modern infrastructure trends. The thesis concludes by presenting a detailed exploration of the proposed infrastructure and the experimental results.
  • ItemOpen Access
    Ανάλυση της ενεργειακής κατανάλωσης οικιακών συσκευών και εφαρμογές μεθόδων μηχανικής μάθησης στο πρόβλημα του ενεργειακού επιμερισμού
    (2023-09-11) Γεραρίδης, Ευάγγελος; Geraridis, Evangelos
    ́Ενα από τα πλέον σημαντικά προβλήματα της εποχής μας είναι η αποτελεσματική διαχείριση της ενέργειας, καθώς η παραγωγή της παραμένει μια διαδικασία ρυπογόνα και κοστοβόρα, αφού περίπου το 80 % αυτής ακόμη και στις αναπτυγμένες χώρες παρέχεται από μη ανανεώσιμες πηγές ενέργειας. Γνωρίζοντας ο καταναλωτής πόση ενέργεια καταναλώνει η κάθε οικιακή συσκευή που διαθέτει ξεχωριστά, μπορεί ο ίδιος να εξοικονομήσει χρήματα περιορίζοντας τη χρήση των πιο εργοβόρων συσκευών ενώ παράλληλα μπορεί να μειώσει και το αποτύπωμα άνθρακα που ο ίδιος παράγει. Ταυτόχρονα ο πάροχος της ηλεκτρικής ενέργειας θα γνωρίζει εκ των προτέρων πόση ενέργεια χρειάζεται να παραχθεί, αποφεύγοντας έτσι την άσκοπη παραγωγή αυτής, ενώ ταυτοχρόνως καθίσταται δυνατό να αποφευχθεί μια ενδεχόμενη υπερφόρτωση του δικτύου λόγω αυξημένης ζήτησης. Επιπροσθέτως ο χρήστης, μέσω των δεδομένων της καθεμίας επιμέρους συσκευής, μπορεί να διαπιστώσει αν η εν λόγω συσκευή δυσλειτουργεί, κάτι που ενδεχομένως να προμηνύει κάποια βλάβη. Μια προσέγγιση που θα μπορούσε να δοθεί προκειμένου να μπορέσει να υπάρξει μια αποτελεσματική και ακριβής μέτρηση της κατανάλωσης της εκάστοτε οικιακής ηλεκτρικής συσκευής, είναι μέσω της εγκατάστασης ενός μετρητή σε κάθε συσκευή ξεχωριστά και η καταμέτρηση της καταναλώσεως στο τέλος κάποιων περιόδων. 'Ομως κάτι τέτοιο εκτός από κοστοβόρο, είναι και πρακτικά δύσκολο να υλοποιηθεί καθώς σε κάθε οικία θα πρέπει να βρίσκονται πολλαπλοί μετρητές, αυξάνοντας έτσι και την πιθανότητα κάποιος από αυτούς να πάψει να λειτουργεί σωστά κάποια χρονική στιγμή. Βασισμένοι στην υπολογιστική εξέλιξη του σήμερα, το πρόβλημα αυτό μπορεί να αντιμετωπιστεί αποτελεσματικότερα με τη χρήση μεθόδων μηχανικής μάθησης, όπου με την αξιοποίηση ενός και μόνο κεντρικού μετρητή ανά οικία θα μπορέσουμε να εξάγουμε ακριβή συμπεράσματα για την κατανάλωση των επιμέρους οικιακών συσκευών. Μέσω αυτής της προσέγγισης το πρόβλημα αυτό μετατρέπεται αυτομάτως σε λιγότερα κοστοβόρο και περισσότερα αξιόπιστο, καθώς χρειάζεται μόνο ο έλεγχος της σωστής λειτουργίας του μοναδικού κεντρικού μετρητή. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη τέτοιων μοντέλων και η σύγκριση αυτών , με απώτερο σκοπό την πρόβλεψη των ενεργειακών αναγκών κάθε συσκευής αλλά και οικίας συνολικά.
  • ItemOpen Access
    Stochastic k-means for efficient higher order clustering
    (2023-07-03) Γεραμούτσου, Βασιλική; Geramoutsou, Vasiliki
    The advent of digital technologies has resulted in a wealth of data across various domains, including the airline and music industries. This abundance of data allows for detailed insights into consumer preferences, pop culture trends, and customer satisfaction with airline applications or services. By systematically analyzing this data and leveraging machine learning models, valuable insights can be derived. This work introduces a stochastic variant of the widely used k-means clustering algorithm and provides guidelines for its implementation in Python. The stochastic kmeans algorithm offers improved scalability and computational efficiency compared to its traditional counterpart, making it suitable for large datasets and handling unknown attributes. Comprehensive guidelines are presented for the Python implementation, covering essential steps such as data preprocessing, distance calculation, centroid updating, and convergence criteria. These guidelines serve as a valuable resource for future approaches, enabling the adoption and development of stochastic clustering algorithms in data analysis. By following these guidelines, researchers and practitioners can effectively apply the stochastic k-means algorithm and contribute to advancements in the field. In conclusion, the combination of data analysis, machine learning, and the stochastic k-means algorithm provides a powerful framework for gaining insights into customer satisfaction and preferences. By leveraging these techniques, organizations in the airline industry can make informed decisions to enhance their services and meet the evolving needs of their customers.
  • ItemOpen Access
    Σχεδίαση και ανάπτυξη πλατφόρμας παρακολούθησης ανθρώπινης δραστηριότητας μέσω έξυπνου δαχτυλιδιού
    (2023-06-19) Λουκέρη, Νίκη (Νικαέλα); Loukeri, Niki (Nikaela)
    Η παρούσα διπλωματική εργασία πραγματεύεται την δυνατότητα σχεδίασης και ανάπτυξης μιας ολοκληρωμένης πλατφόρμας συλλογής, καταγραφής, παρακολούθησης και απεικόνισης της ανθρώπι- νης δραστηριότητας του ατόμου μέσω χρήσης του έξυπνου δαχτυλιδιού, Oura Ring Generation 2, με απώτερο στόχο την ανάπτυξη ενός πλήρους συστήματος που θα έχει την δυνατότητα αφενός να απεικονίζει και αφετέρου να προειδοποιεί το άτομο για τυχόν ανωμαλίες στην υγεία του με βάση τις ημερήσιες καταγραφές. Το προσωποκεντρικό σύστημα που θα αναπτυχθεί θα μπορεί να συλλέγει, να αποθηκεύει και να απεικονίζει μετρήσεις, σε ημερήσια βάση, βασιζόμενο σε 3 καίριους δείκτες, την ποιότητα του ύπνου του ατόμου, την επάρκεια της καθημερινής του δραστηριότητας καθώς και την συνολική ευεξία και την ετοιμότητά του οργανισμού του να ανταπεξέλθει στις απαιτήσεις της επόμενης ημέρας με βάση τις συνολικές μετρήσεις της προηγούμενης ημέρας. Επιπλέον, θα παρέχονται δυνατότητες προειδοποίησης του ατόμου σχετικά με το αν κάποια ημερήσια τιμή αποτελεί ένδειξη μη φυσιολογικής θετικής ή αρνητικής λειτουργίας του οργανισμού λαμβάνοντας υπόψη την συνολική εικόνα της υγείας του ατόμου σε σχέση με την προηγούμενη ημέρα, εβδομάδα και μήνα. Τέλος, εκτός απο την ημερήσια παρακολούθηση και ανίχνευση ανωμαλιών στην υγεία του ατόμου ανά μεταβλητή, το σύστημα θα παρέχει και την δυνατότητα συλλογικής ανάλυσης των δεδομένων του εκάστοτε χρήστη με απώτερο στόχο τόσο την ανακάλυψη των ημερών που αποτέλεσαν σήμα προειδοποίησης για την ποιότητα της υγείας του όσο και το ποιες μεταβλητές οδήγησαν στο συμπέρασμα αυτό, καθιστώντας δυνατή την παρακολούθηση των διακυμάνσεων και της αλληλοσυσχέτισης μεταξύ των μεταβλητών.
  • ItemOpen Access
    Ανίχνευση και παρακολούθηση αντικειμένων από αυτόνομα οχήματα με συνδυαστική χρήση καμερών και LiDAR
    (2023-06-19) Δαμανάκη, Μαρία; Damanaki, Maria
    Τα συστήματα αυτόνομης οδήγησης αποτελούν έναν αναπτυσσόμενο και πολύ ενδιαφέροντα κλάδο στον τομέα των μεταφορών. Τα αυτόνομα οχήματα μπορούν να προσφέρουν οδηγητική ασφάλεια, μείωση αυτοκινητιστικών ατυχημάτων, μετακίνηση για όλες τις ομάδες ανθρώπων, όπως για παράδειγμα σε άτομα με ειδικές ανάγκες κα. Ο βαθμός αυτονομίας σε συστήματα σχετικά με την οδήγηση καθορίζει και το επίπεδο αυτονομίας τους από τον άνθρωπο-χειριστή τους. Η πλήρης αντίληψη του περιβάλλοντος από τους αισθητήρες και η λήψη σωστών αποφάσεων για τις δράσεις του είναι οι κύριες συνιστώσες για την ασφάλεια ενός τέτοιου συστήματος. Το αυτόνομο όχημα μπορεί να αντλεί τις πληροφορίες του χώρου είτε μόνο μέσω των αισθητήρων του είτε συνδυάζοντας τους σε συνεργασία με άλλα οχήματα και συσκευές, με τη χρήση συνεργατικών δικτύων. Στην αυτόνομη οδήγηση, βασικό κομμάτι αποτελεί η ανίχνευση, η ταξινόμηση, η αναγνώριση και η παρακολούθηση των αντικειμένων που συναντώνται στο περιβάλλον του οχήματος, όπως η ανίχνευση και η παρακολούθηση άλλων οχημάτων ή πεζών. Η ακριβής ανίχνευση και ιχνηλάτιση επηρεάζει τη λήψη κατάλληλων αποφάσεων σχετικά με μια δράση του οχήματος. Δυο κύριοι αισθητήρες που συλλέγουν πληροφορία από το χώρο είναι η κάμερα και το LiDAR. Η κάμερα παρέχει δισδιάστατη απεικόνιση του χώρου, με πλούσια οπτική πληροφορία που χρησιμοποιείται στην ταξινόμηση των αντικειμένων. Ο αισθητήρας LiDAR προσφέρει τριών διαστάσεων αραιή πληροφορία σχετικά με την απόσταση των αντικειμένων. Ο συνδυασμός των πολυτροπικών δεδομένων (fusion) προσδίδει καλύτερη απεικόνιση του χώρου, σε αντίθεση με τη μεμονωμένη πληροφορία του κάθε αισθητήρα. Στα πλαίσια της παρούσας εργασίας μελετώνται τεχνικές συνδυασμού τέτοιων δεδομένων για την αποτελεσματικότερη ανίχνευση και παρακολούθηση αντικειμένων. Ο στόχος της μεταπτυχιακής εργασίας είναι η ανάπτυξη αλγορίθμων που παρέχουν υψηλής ακρίβειας αποτελέσματα σε σύντομο χρόνο για την ανίχνευση και ιχνηλάτιση αντικειμένων.