BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20260703T100926Z
LAST-MODIFIED:20260703T100926Z
DTSTAMP:20260809T185738Z
UID:1786291058@tuc.gr
SUMMARY:Παρουσίαση διπλωματικής εργασίας κ. 
 ΜΠΑΝΕΛΑ ΠΑΝΑΓΙΩΤΗ, σχολή ΜΠΔ
LOCATION:Δ4 - Κτίριο ΜΠΔ
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=8533&cHash=a2
 283097a5bb91791476e0909430a007\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Μηχανικών Παρ
 αγωγής και Διοίκησης\n Πρόγραμμα Προ
 πτυχιακών Σπουδών\n  \n ΠΑΡΟΥΣΙΑΣΗ Δ
 ΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ημερομηνία: Τ
 ετάρτη, 8 Ιουλίου 2026, 15:00\n Αίθο
 υσα: Εργαστήριο Ευφυών Συστημάτων κα
 ι Ρομποτικής\n Ονοματεπώνυμο: ΜΠΑΝΕΛ
 ΑΣ ΠΑΝΑΓΙΩΤΗΣ\n Θέμα: Έλεγχος και Σχ
 εδιασμός τροχιάς μη επανδρωμένου ενα
 έριου οχήματος με χρήση ενισχυτικής 
 μάθησης\n Title: Unmanned Aerial Veh
 icle (UAV) path planning and control
  using a reinforcement learning base
 d approach\n Εξεταστική Επιτροπή\n \
 n \nΔΟΪΤΣΙΔΗΣ ΕΛΕΥΘEΡΙΟΣ, Αναπληρωτή
 ς Καθηγητής (επιβλέπων)\n \nΙΨΑΚΗΣ Δ
 ΗΜΗΤΡΗΣ, Αναπληρωτής Καθηγητής\n \nΠ
 ΙΠΕΡΙΔΗΣ ΣΑΒΒΑΣ, ΕΔΙΠ\n \n Περίληψη\
 n Η αυτόνομη πλοήγηση μη επανδρωμένω
 ν αεροσκαφών (UAV) σταθερής πτέρυγας
  πάνω από μια περιοχή μεταβαλλόμενης
  μορφολογίας αποτελεί ένα απαιτητικό
  πρόβλημα καθώς το αεροσκάφος θα πρέ
 πει ταυτόχρονα να φτάσει στον προορι
 σμό του, να διατηρήσει ασφαλή απόστα
 ση από το ορεινό έδαφος και να παραμ
 είνει εντός των ορίων ασφαλούς λειτο
 υργίας. Το πρόβλημα συνήθως διαχωρίζ
 εται σε δύο αλληλένδετα προβλήματα, 
 το σχεδιασμό τροχιάς και την ακριβής
  παρακολούθηση αυτής. Η παρούσα διπλ
 ωματική εργασία παρουσιάζει ένα πλαί
 σιο λειτουργίας όπου προτείνονται με
 θοδολογίες σχεδιασμού τροχιάς και τα
 υτόχρονης παρακολούθησης αυτής. Στο 
 στάδιο του σχεδιασμού, γίνεται χρήση
  του αλγορίθμου Lazy Theta* που λαμβ
 άνει υπόψη το ανάγλυφο του εδάφους υ
 πολογίζει μια σύντομη διαδρομή, η οπ
 οία προσεγγίζεται με τη χρήση καμπυλ
 ών Bézier και αποτελεί την τροχιά αν
 αφοράς. Στο στάδιο της εκτέλεσης, τέ
 σσερις αλγόριθμοι συνεχούς ελέγχου (
 DDPG, TD3, PPO και Soft Actor-Critic
 ) εκπαιδεύονται μέσα σε ένα προσαρμο
 σμένο περιβάλλον MATLAB, ώστε να παρ
 άξουν πράκτορες που θα έχουν τη δυνα
 τότητα να ακολουθούν αυτή την τροχιά
 . Ένας ελεγκτής PID λειτουργεί καθ' 
 όλη τη διάρκεια ως βάση αναφοράς και
  παράλληλα σε ορισμένες περιπτώσεις 
 αποτελεί τη βάση για την ανάπτυξη στ
 ρατηγικών εκπαίδευσης. Οι προτεινόμε
 νες προσεγγίσεις έχουν δοκιμαστεί πε
 ιραματικά με χρήση προσομοίωσης.\n A
 bstract\n Autonomous navigation of f
 ixed-wing UAVs over complex terrain 
 is a demanding problem, since the ai
 rcraft must reach its goal, hold saf
 e clearance above uneven terrain and
  stay within the limits of its own d
 ynamics, simultaneously. The task is
  usually divided in two coupled prob
 lems. The first is planning a route 
 that is short yet smooth enough for 
 a fixed-wing platform to fly and the
  second is tracking that route accur
 ately at cruise speed. A controller 
 based on classical approaches can ac
 hieve the task in certain cases, but
  it may struggle to operate efficien
 tly in the case of rapid altitude ch
 anges. This thesis presents a framew
 ork for terrain-aware UAV navigation
  that pairs classical path planning 
 with deep reinforcement learning. Du
 ring the planning phase, a terrain-a
 ware Lazy Theta* algorithm computes 
 a short any-angle path, and a Bézier
  formulation then smooths it into a 
 continuous, flyable reference trajec
 tory over real elevation data in NED
  coordinates. In the execution stage
 , four algorithms, namely DDPG, TD3,
  PPO and Soft Actor-Critic are used 
 to train agents that are able to fol
 low the derived trajectory while kee
 ping the cross-track error low. A tu
 ned PID controller runs throughout a
 s the baseline and acts as an initia
 l point across three training strate
 gies, pure reinforcement learning, i
 mitation warm-starting, and residual
  learning, which were developed and 
 tested during this thesis. The propo
 sed methodologies have been tested i
 n a simulated environment.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260708T150000
DTEND:20260708T160000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR