Πλοήγηση ανά Συγγραφέας "Papageorgiou, Dimitrios"
Τώρα δείχνει 1 - 3 of 3
Αποτελέσματα ανά σελίδα
Επιλογές ταξινόμησης
Τεκμήριο Learning-based control of multi-agent systems(ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2025-03-12) Gkoutzounis, Dimitrios; Γκουτζούνης, Δημήτριος; Papageorgiou, Dimitrios; Παπαγεωργίου, Δημήτριος; Baumann, DominikIn this thesis, we develop a set of algorithms capable of learning and controlling unknown system dynamics of Multi-Agent Systems (MAS). Our key contribution is ensuring that we learn control while ensuring the safety of the MAS. In contrast to traditional Reinforcement Learning (RL) and neural network techniques, our algorithms are sample-efficient and assume no prior model knowledge. This enables our algorithms to operate directly on the hardware, mitigating modeling and sim—to—real transfer concerns. We employ Bayesian optimization (BO) and Gaussian processes (GPs) to model the surrogate function under approximation. Herein, we formulate our task as a cooperative Markov Decision Process (MDP) environment and quantify the performance of each experiment as a scalar reward. In our setting, the agents are heterogeneous and autonomous; we, therefore, need to learn separate policies for each agent. This entails a distributed framework approach, that scales to larger MAS while reducing dependency on communication. Our first approach uses local rewards to decipher the rewarding actions w.r.t the global reward and GPs to predict the optimal parameters for each agent. Consequently, with our second approach, we constraint optimization under the critical aspect of safety and utilize only a single communication instance to update the agent policies. The proposed approaches are evaluated using simulated and hardware experiments. Our results show that both algorithms succeed in learning the unknown objective in very few iterations, showing competitive results to prior techniques. In addition, compared to the current state—of—the—art algorithm, our approach improves in predicting higher rewards in the same number of iterations. The research concludes by providing useful insights toward safe MARL.Τεκμήριο Εκπαίδευση ρομπότ συνδυάζοντας οπτικά δεδομένα και κιναισθητικές ανθρώπινες επιδείξεις(ΕΛΜΕΠΑ, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2025-10-03) Αθανασιάδης, Χαράλαμπος; Athanasiadis, Charalampos; Παπαγεωργίου, Δημήτριος; Papageorgiou, DimitriosΟ τρόπος εκπαίδευσης μεταξύ ανθρώπων πραγματοποιείται με διάφορες μορφές επικοινωνίας όπως η λεκτική, οπτική, κιναισθητική, το οποίο αποδεδειγμένα βελτιώνει την επικοινωνία μεταξύ μαθητή και εκπαιδευτή. Η παρούσα διπλωματική επεκτείνει τη συγκεκριμένη έννοια, μεταξύ ανθρώπου-εκπαιδευτή και ρομπότ, προτείνοντας ένα σχήμα ελέγχου μάθησης από επίδειξη (Learning by Demonstration - LbD), το οποίο χρησιμοποιεί οπτικά δεδομένα και εστιάζει στην αντικατάσταση της ασαφούς πληροφορίας βάθους, μέσω του συνδυασμού με κιναισθητική εκπαίδευση. Η προτεινόμενη μέθοδος αξιοποιεί την οπτικά αντιληπτή κίνηση του ανθρώπινου χεριού, με σκοπό να παρέχει απτική καθοδήγηση κατά τη διάρκεια της κιναισθητικής εκπαίδευσης, διευκολύνοντας τον εκπαιδευτή στις διαστάσεις που παρατηρείται η μεγαλύτερη ασάφεια. Η μέθοδος αξιολογείται πειραματικά χρησιμοποιώντας μια κάμερα RGB και το ρομπότ UR10e, και αξιολογείται με μονόπλευρες προσεγγίσεις δηλαδή, με καθαρά οπτική εκπαίδευση ή κιναισθητική. Το πείραμα απέδειξε ότι η προτεινόμενη μέθοδος υπερτερεί έναντι αυτών των προσεγγίσεων τόσο ως προς την απόδοση εκμάθησης κινήσεων όσο και ως προς τη φυσική καταπόνηση που δέχεται ο εκπαιδευτής κατά τη διάρκεια της εκπαίδευσης.Τεκμήριο Συνεργατική́ μετακίνηση αντικειμένου μεταξύ ανθρώπου και τετράποδου ρομπότ(ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2025-07-02) Πλώτας, Κωνσταντίνος; Plotas, Konstantinos; Παπαγεωργίου, Δημήτριος; Papageorgiou, DimitriosΗ συνεργατική μεταφορά αντικειμένων μεταξύ ανθρώπου και τετράποδου ρομπότ αναδεικνύεται ως ένας διαφορετικός τρόπος για την αύξηση της αποτελεσματικότητας και της προσαρμοστικότητας σε διάφορους τύπους εργασιών, ιδιαίτερα σε δυναμικά και απαιτητικά περιβάλλοντα. Τα τετράποδα ρομπότ προσφέρουν σημαντικά πλεονεκτήματα λόγω του μεγέθους, βάρους και τον τρόπου της κίνησής τους, καθώς μπορούν να πλοηγούνται με σχετική ευκολία σε πολύπλοκα εδάφη. Η παρούσα διπλωματική εργασία εστιάζει στη χρήση τετράποδων ρομπότ για τη συνεργατική μεταφορά αντικειμένου, με έμφαση στην ανάπτυξη ισχυρών στρατηγικών ελέγχου που θα διευκολύνουν τη συνεργασία μεταξύ ανθρώπων και ρομπότ. Η έρευνα αυτή χρησιμοποιεί και προτείνει ένα σχήμα ελέγχου στη ρομποτική και στη θεωρία ελέγχου, σε συνδυασμό με ένα καινοτόμο σύστημα ανεπτυγμένο από την ομάδα του ΙΤΕ που λειτουργεί ως αισθητήρας δύναμης και βοηθά στην προσκόλληση του αντικειμένου με το ρομπότ, με σκοπό να αντιμετωπίσει τις προκλήσεις που σχετίζονται με τον συντονισμό και την επικοινωνία ανθρώπων και αυτόνομων ρομποτικών συστημάτων σε συνεργατικές εργασίες. Το αξιοσημείωτο εύρημα της έρευνας είναι η μαθηματική απόδειξη της ικανότητας του προτεινόμενου σχήματος ελέγχου να προσαρμόζεται δυναμικά στις απαιτήσεις των κινήσεων που παρουσιάζονται κατά την διάρκεια της μεταφοράς, με βασικό κριτήριο την αποφυγή αποκόλλησης του αντικειμένου από την αρπάγη. Εφόσον η ορθότητα της προτεινόμενης μεθόδου επιβεϐαιώνεται μέσω μαθηματικής απόδειξης, εξασφαλίζοντας έτσι τη θεωρητική εγκυρότητα του ελέγχου, διατυπώνεται και μια ενότητα στην οποία περιγράφονται και παρουσιάζονται εκτενώς τα πειράματα και τα αποτελέσματα που διεξήχθησαν. Τα πειράματα αυτά επιϐεϐαιώνουν και αποδεικνύουν την αποτελεσματικότητα του προτεινόμενου σχήματος εξασφαλίζοντας με αυτό τον τρόπο και την πρακτική εγκυρότητα του σχήματος ελέγχου αλλα και την ορθότητα της απόδειξης αυτής.