Συντάχθηκε 16-07-2026 09:35
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/07/2026 16:30
Λήξη: 17/07/2026 17:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεωργίου Μάντη
με θέμα
Αυτόνομη Πλοήγηση Οχήματος υπό Κλίμακα σε Μικρογραφία Αστικού Περιβάλλοντος για τον Διαγωνισμό Bosch Future Mobility Challenge
Autonomous Navigation of a Scaled Vehicle in Miniature Urban Environments for the Bosch Future Mobility Challenge
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (Σχολή ΗΜΜΥ)
Καθηγητής Παναγιώτης Παρτσινέβελος (Σχολή ΜΗΧΟΠ)
Περίληψη
Η μετάβαση προς τις αυτόνομες μεταφορές βασίζεται σε αξιόπιστα συστήματα πλοήγησης που μπορούν αυτόνομα να αντιληφθούν το περιβάλλον τους, να εκτιμήσουν τη θέση τους και να λάβουν αποφάσεις οδήγησης σε πραγματικό χρόνο. Παρόλο που αυτές οι δεξιότητες έχουν εξελιχθεί σημαντικά τα τελευταία χρόνια, η εφαρμογή τους σε ενσωματωμένες πλατφόρμες με περιορισμένη επεξεργαστική ισχύ, μνήμη και ενεργειακούς πόρους παραμένει μια μεγάλη πρόκληση, ειδικά σε αυτόνομα οχήματα υπό κλίμακα. Η παρούσα διπλωματική εργασία παρουσιάζει τον σχεδιασμό και την υλοποίηση ενός ελαφρού, βασισμένου στη σύνθεση ανεξάρτητων υπομονάδων, αξιόπιστου συστήματος αυτόνομης πλοήγησης για ένα όχημα κλίμακας 1/10, το οποίο αναπτύχθηκε για τον διαγωνισμό Bosch Future Mobility Challenge. Το όχημα καλείται να λειτουργήσει σε μια μικρογραφία αστικού περιβάλλοντος που περιέχει πινακίδες κυκλοφορίας, δυναμικά εμπόδια και ρεαλιστικούς κανόνες οδήγησης, βασιζόμενο αποκλειστικά στους ενσωματωμένους αισθητήρες και το δικό του υπολογιστικό υλικό. Για την ικανοποίηση αυτών των απαιτήσεων, αναπτύχθηκε μια υπολογιστική αρχιτεκτονική χρησιμοποιώντας ένα Raspberry Pi 5, μια κάμερα χωρικής τεχνητής νοημοσύνης Luxonis OAK-D Lite και έναν μικροελεγκτή STM32 Nucleo. Οι υπολογιστικά απαιτητικές εργασίες αντίληψης εκτελούνται στον ενσωματωμένο επεξεργαστή τεχνητής νοημοσύνης της κάμερας, όπου ένα κατάλληλα εκπαιδευμένο μοντέλο YOLOv8n εκτελεί ανίχνευση αντικειμένων, παράλληλα με μια τοπική μέθοδο δειγματοληψίας 5ου εκατοστημορίου για αξιόπιστη εκτίμηση στερεοσκοπικού βάθους. Ο εντοπισμός θέσης του οχήματος χειρίζεται από ένα υβριδικό πιθανοτικό σύστημα, το οποίο συνδυάζει την τεχνική Adaptive Monte Carlo Localization για την εκτίμηση της απόλυτης θέσης με ένα φίλτρο Extended Kalman Filter για συνεχή παρακολούθηση θέσης σε πραγματικό χρόνο. Η πλοήγηση επιτυγχάνεται μέσω του σχεδιασμού διαδρομών με τον αλγόριθμο αναζήτησης A*, της δημιουργία τροχιών με κυβικές καμπύλες Bézier για την «τυφλή» διέλευση διασταυρώσεων και ενός τροποποιημένου ελεγκτή Stanley για τη διατήρηση της θέσης εντός των λωρίδων και τον έλεγχο κατεύθυνσης. Το προτεινόμενο σύστημα αξιολογήθηκε τόσο σε προσομοιώσεις, όσο και σε πειράματα στον πραγματικό κόσμο. Η κατανεμημένη αρχιτεκτονική διατήρησε έναν σταθερό ρυθμό επεξεργασίας 8 FPS (Frames Per Second), ενώ κράτησε τις καθυστερήσεις επεξεργασίας από άκρο σε άκρο κάτω από 125 χιλιοστά του δευτερολέπτου, αποτρέποντας την θερμική υπερφόρτωση του ενσωματωμένου υλικού κατά τη λειτουργία. Το σύστημα εντοπισμού θέσης ανέκαμψε με επιτυχία από σενάρια «απαγωγής ρομπότ» και το πλήρες σύστημα πλοήγησης έδειξε αξιόπιστη απόδοση καθ’ όλη τη διάρκεια του διαγωνισμού. Αυτά τα αποτελέσματα συνέβαλαν στην κατάκτηση της 7ης θέσης από το όχημα μεταξύ 78 διεθνών ομάδων στο Bosch Future Mobility Challenge 2026 που έλαβε χώρα στο Cluj-Napoca της Ρουμανίας τον Μάιο του 2026, αποδεικνύοντας ότι η αποτελεσματική αυτόνομη πλοήγηση μπορεί να επιτευχθεί ακόμη και σε υπολογιστικά-περιορισμένες ενσωματωμένες πλατφόρμες.
Abstract
The transition towards autonomous transportation depends on reliable navigation systems that can autonomously perceive their surroundings, estimate their position and make driving decisions in real time. While these capabilities have advanced significantly in recent years, implementing them on embedded platforms with limited processing power, memory and energy resources remains a major challenge, particularly in scaled autonomous vehicles. This diploma thesis presents the design and implementation of a lightweight, modular and reliable autonomous navigation system for a 1/10-scale vehicle developed for the Bosch Future Mobility Challenge. The vehicle is required to operate in a miniature urban environment containing traffic signs, dynamic obstacles and realistic traffic rules, while relying solely on its onboard sensors and computing hardware. To meet these requirements, a computing architecture was developed using a Raspberry Pi 5, a Luxonis OAK-D Lite spatial Artificial Intelligence (AI) camera and an STM32 Nucleo microcontroller. Computationally demanding perception tasks are executed on the camera’s onboard AI processor, where a custom-trained YOLOv8n model performs object detection alongside a localized 5th-percentile patch sampling method for robust stereo depth estimation. Vehicle localization is handled by a hybrid probabilistic framework that combines Adaptive Monte Carlo Localization for global pose estimation with an Extended Kalman Filter for continuous real-time position tracking. Navigation is achieved through A* path planning, cubic Bézier curve trajectory generation for negotiating “blind” intersections and a modified Stanley controller for lane-following and steering control. The proposed system was evaluated in both simulation and real-world experiments. The distributed architecture maintained a stable processing rate of 8 FPS (Frames Per Second), while keeping end-to-end processing latency below 125 milliseconds, preventing thermal throttling of the embedded hardware during operation. The localization framework successfully recovered from “kidnapped robot” scenarios and the complete navigation system demonstrated reliable performance throughout the competition. These results contributed to the vehicle achieving the 7th place among 78 international teams in the Bosch Future Mobility Challenge 2026 that took place in Cluj-Napoca, Romania in May 2026, demonstrating that effective autonomous navigation can be achieved even on computationally-constrained embedded platforms.
Meeting ID: 97319181712
Password: 804909
