Υλοποίηση δυναμικού σχεδιασμού κίνησης με χρήση επαναλαμβανόμενων νευρωνικών δικτύων για ρομποτική συναρμολόγηση
| datacite.contributor.RelatedPerson | Χρήστος Μακρής | |
| datacite.contributor.RelatedPerson | Ευάγγελος Δερματάς | |
| datacite.contributor.Supervisor | Σωτήριος Μακρής | |
| dc.contributor.author | Γεωργιάδης, Χρήστος | |
| dc.contributor.other | Georgiadis, Christos | |
| dc.date.accessioned | 2025-03-05T10:07:26Z | |
| dc.date.available | 2025-03-05T10:07:26Z | |
| dc.date.issued | 2025-02-26 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα έρευνα εισάγει μια νέα προσέγγιση για τη βελτίωση της αποδοτικότητας κίνησης των ρομπότ μέσω της ενσωμάτωσης επιλογής προσαρμοστικού προγραμματιστή κίνησης βασισμένου σε LSTM με αρχιτεκτονική βασισμένη σε ROS. Το προτεινόμενο framework εστιάζει στην αξιοποίηση του RNN για τη δυναμική επιλογή του καταλληλότερου προγραμματιστή κίνησης με βάση τις αξιολογήσεις σε πραγματικό χρόνο της κατάστασης και των στόχων του ρομπότ. Σε αντίθεση με τις παραδοσιακές μεθόδους στατικής επιλογής προγραμματιστή, η προσέγγισή μας προσφέρει προσαρμοστικότητα στις απαιτήσεις της εκάστοτε εργασίας, ενισχύοντας έτσι την αποτελεσματικότητα των κινήσεων του ρομποτικού βραχίονα σε περίπλοκα περιβάλλοντα. Επιπλέον, η πλατφόρμα ενσωματώνει την αρχιτεκτονική ROS για ολοκληρωμένο έλεγχο και συντονισμό, καθώς και δυνατότητες διεπαφής με βιομηχανικές κάμερες για τη διευκόλυνση βελτιωμένης αντίληψης. Αυτή η μελέτη δείχνει ότι η προτεινόμενη λύση λειτουργεί σε ορισμένες βιομηχανικές καταστάσεις αναλύοντας τη θεωρητικά και εφαρμόζοντάς τη στην πράξη. Αποδεικνύεται ότι μπορεί να επιτύχει τους καθορισμένους στόχους και να βελτιώσει την απόδοση της κίνησης των ρομπότ. | |
| dc.description.translatedabstract | This research introduces a novel approach to improving robot motion efficiency by integrating LSTM-based adaptive motion planner selection with a ROS-based architecture. The proposed framework focuses on leveraging RNN (recurrent neural network) to dynamically select the most suitable motion planner based on real-time assessments of the robot’s condition and objectives. Unlike traditional static planner selection methods, our approach offers adaptability to task requirements, thereby enhancing the flexibility and effectiveness of robotic arm movements in diverse settings. Furthermore, the framework incorporates integration with ROS architecture for comprehensive control and coordination, along with interfacing capabilities with industrial cameras to facilitate enhanced perception. The study demonstrates that the proposed solution meets set objectives and improves robotic motion performance, as evidenced by both theoretical analysis and practical implementation. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29197 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Ρομπότ | |
| dc.subject | Δυναμική επιλογή | |
| dc.subject | Σχεδιαστής κίνησης | |
| dc.subject.alternative | Recurrent Neural Network (RNN) | |
| dc.subject.alternative | Robots | |
| dc.subject.alternative | Dynamic selection | |
| dc.subject.alternative | Motion planner | |
| dc.title | Υλοποίηση δυναμικού σχεδιασμού κίνησης με χρήση επαναλαμβανόμενων νευρωνικών δικτύων για ρομποτική συναρμολόγηση | |
| dc.title.alternative | Towards RNN-based dynamic motion planning for robotic assembly operations |