Παρακολούθηση μη-επανδρωμένου αεροχήματος βασισμένη σε βαθύ νευρωνικό δίκτυο στο AirSim
| datacite.contributor.RelatedPerson | Χατζηδούκας, Παναγιώτης | |
| datacite.contributor.RelatedPerson | Ψαράκης, Εμμανουήλ | |
| datacite.contributor.Supervisor | Ζερβάκης, Γεώργιος | |
| dc.contributor.author | Μηλιώνης, Βασίλειος | |
| dc.contributor.other | Milionis, Vasileios | |
| dc.date.accessioned | 2023-11-06T07:07:40Z | |
| dc.date.available | 2023-11-06T07:07:40Z | |
| dc.date.issued | 2023-10-26 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Ένα από τα πιο κλασικά προβλήματα στο χώρο της Υπολογιστικής Όρασης (Computer Vision) και της Επεξεργασίας Εικόνας (Image Processing) είναι ο εντοπισμός και η παρακολούθηση αντικειμένων σε ακολουθία από εικόνες - βίντεο. Η αξιοποίηση της Μηχανικής Μάθησης και ιδιαίτερα των Συνελικτικών Νευρωνικών Δικτύων έχει ανανεώσει τον συγκεκριμένο ερευνητικό τομέα. Στην παρούσα διπλωματική εργασία αναπτύσσεται ένα pipeline που συνδιάζει κλασικές μεθόδους, όπως το Kalman φίλτρο, με ένα Βαθύ Νευρωνικό Δίκτυο (DNN), ώστε να επιτευχθεί η παρακολούθηση αεροοχήματος σε πραγματικό χρόνο. Για την παρακολούθηση χρησιμοποιείται ένα Μη-επανδρωμένο Αεροόχημα (UAV), με μια μόνο κάμερα, ο έλεγχος του οποίου γίνεται με αυτόματο τρόπο, αξιοποιώντας την πληροφορία του pipeline. Επιτάσσεται επίσης μια Δομημένη (Structured) Pruning τεχνική ώστε να επιταχυνθεί η απόκριση του Βαθιού Νευρωνικού Δικτύου, με στόχο να επιτευχθούν υψηλές ταχύτητες επεξεργασίας των εικόνων (fps), μιας και οδηγούν σε καλύτερη παρακολούθηση. Για την υλοποίηση και την πειραματική αξιολόγηση χρησιμοποιήθηκε το AirSim, προσομοιωτής ανοικτού κώδικα, σχεδιασμένος για προβλήματα μηχανικής μάθησης. Το περιβάλλον στο οποίο εκτελέστηκαν τα πειράματα είναι άδειο, μιας και δεν υλοποιείται κάποια τεχνική αποφυγής εμποδίων (Obstacle Avoidance). Τέλος, για την εκπαίδευση του DNN αναπτύχθηκε αυτόματος τρόπος παραγωγής δεδομένων, τόσο της εικόνας, όσο και του Bounding Box. | |
| dc.description.translatedabstract | One of the most classical problems in Computer Vision and Image Processing is object Detection and Tracking in an image sequence - video. The use of Machine Learning and Convolutional Neural Networks has renovated the field. In this thesis a pipeline is developed that combines traditional methods, like the Kalman Filter, with Deep Neural Networks, in order to achieve real-time tracking of an Unmanned Aerial Vehicle (UAV). For the tracker we use a UAV, equipped with a single camera. The UAV is controlled automatically using information provided by the pipeline. To enhance processing speed and achieve higher frame rates (fps), for improved tracking, we employ Structured Pruning techniques. For the implementation and experimentation, AirSim was used, an open-source simulator designed for Machine Learning. It's important to note that no obstacle avoidance algorithm was developed, so the environment in which the experiments took place had to be empty. Additionally, in order to train the DNN a dataset was required. For this purpose a data generation scheme that utilizes the AirSim API was developed, producing images along with a Bounding Box. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26154 | |
| dc.language.iso | el | |
| dc.subject | Αυτόματος έλεγχος | |
| dc.subject | Βαθιά νευρωνικά δίκτυα | |
| dc.subject | Επιτάχυνση | |
| dc.subject | Μη-επανδρωμένα αεροσκάφη | |
| dc.subject | Φίλτρο Kalman | |
| dc.subject.alternative | Acceleration | |
| dc.subject.alternative | AirSim | |
| dc.subject.alternative | Automated control | |
| dc.subject.alternative | Deep neural networks | |
| dc.subject.alternative | Kalman filters | |
| dc.subject.alternative | Structured pruning | |
| dc.subject.alternative | Tracking | |
| dc.subject.alternative | Unmanned aerial vehicles | |
| dc.title | Παρακολούθηση μη-επανδρωμένου αεροχήματος βασισμένη σε βαθύ νευρωνικό δίκτυο στο AirSim | |
| dc.title.alternative | DNN-based UAV tracking in AirSim |