Συντάχθηκε 08-09-2026 11:45
Τόπος: Δ4 - Κτίριο ΜΠΔ, Δ4.021
Έναρξη: 15/09/2026 10:00
Λήξη: 15/09/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ημερομηνία: Τρίτη, 15 Σεπτεμβρίου 2026, 10:00
Αίθουσα: Εργαστήριο Ευφυών Συστημάτων και Ρομποτικής, Δ4.021
Ονοματεπώνυμο: ΠΑΛΑΣΣΗΣ ΝΙΚΟΛΑΟΣ
Θέμα: Σχεδιασμός και ανάπτυξη συστήματος αντίληψης για αυτόνομα ρομποτικά οχήματα, με χρήση μεθοδολογιών βαθιάς μάθησης
Title: Design and Development of a Perception System for Autonomous Robotic Vehicles Using Deep Learning Methodologies
Εξεταστική Επιτροπή
- ΔΟΪΤΣΙΔΗΣ ΕΛΕΥΘEΡΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΜΠΑΛΑΣΚΑ ΒΑΣΙΛΙΚΗ, Επίκουρος Καθηγητής
- ΠΙΠΕΡΙΔΗΣ ΣΑΒΒΑΣ, ΕΔΙΠ
Περίληψη
Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός συστήματος αντίληψης για αυτόνομα ρομπο- τικά οχήματα. Το προτεινόμενο σύστημα επεξεργάζεται δεδομένα που παρέχονται από αισθητήρες τοποθετη- μένους στο ρομποτικό όχημα για την ανίχνευση αντικειμένων, την απόκτηση χωρικών πληροφοριών και την προσέγγισή τους. Για την υλοποίηση της εργασίας χρησιμοποιήθηκε το ρομποτικό όχημα Jackal UGV, στο οποίο ήταν ενσωμα- τωμένοι αισθητήρες στερεοσκοπικής κάμερας, LiDAR και IMU. Έγινε εκπαίδευση μοντέλων βαθιάς μάθησης YOLO για την ανίχνευση τριών κλάσεων μπαλονιών πράσινου, κόκκινου και κίτρινου χρώματος. Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από διαφορετικές πηγές και περιβάλλοντα, ενώ η επισήμανσή τους πραγ- ματοποιήθηκε στην πλατφόρμα Roboflow. Με χρήση αρχικά του YOLOv8n, έγινε αξιολόγηση και βελτιστο- ποίηση της ικανότητας γενίκευσης του μοντέλου με τις μεθόδους k-fold, group k-fold και stratified group k-fold cross-validation, με στόχο τον περιορισμό της διαρροής δεδομένων και τη διατήρηση της κατανομής των κλά- σεων. Με χρήση της τελευταίας, πραγματοποιήθηκε σύγκριση έξι διαφορετικών μοντέλων YOLO (YOLOv8n, YOLOv8s, YOLOv11n, YOLOv11s, YOLO26n, YOLO26s), επιλέγοντας ως καταλληλότερο το YOLOv8n για την τελική εφαρμογή. Σε αυτήν, το μοντέλο εκπαιδεύτηκε στο σύνολο των διαθέσιμων δεδομένων του cross- validation. Στη συνέχεια, αναπτύχθηκε σύστημα χωρικής αντίληψης για την αποθήκευση της θέσης των κόκκινων μπα- λονιών στο σύστημα αναφοράς του χάρτη, ο οποίος δημιουργήθηκε με χρήση LiDAR και SLAM toolbox. Έγινε χρήση φίλτρων για την αξιόπιστη αποθήκευση μεμονωμένων και πολλαπλών στόχων. Η καταγραφή των στό- χων πραγματοποιούνταν με παράλληλη ευθύγραμμη κίνηση του οχήματος με σταθερή ταχύτητα, ενώ η προ- σέγγιση ενός στόχου επιτυγχανόταν κυρίως με χρήση αναλογικού ελεγκτή, ο οποίος ρύθμιζε την γωνιακή τα- χύτητα βάσει του γωνιακού σφάλματος. Τα αποτελέσματα της κίνησης αξιολογήθηκαν με γραφήματα σφαλ- μάτων τροχιάς, θέσης και γωνίας. Το μοντέλο YOLOv8n, στην περίπτωση του stratified group k-fold cross-validation, πέτυχε μέση τιμή mAP@50- 95 0.8195 με τυπική απόκλιση 0.0234, ενώ στην τελική εκπαίδευση στο σύνολο ελέγχου πέτυχε τιμή mAP@50- 95 ίση με 0.892, διατηρώντας ικανοποιητικά γραφήματα εκπαίδευσης και επικύρωσης. Στο σύστημα κίνησης, τα τρία γραφήματα, επιβεβαίωσαν την ορθή λειτουργία του ρομπότ στις πειραματικές διατάξεις.
Abstract
This thesis focuses on the design and development of a perception system for autonomous mobile vehicles. The proposed perception system processes data provided by sensors mounted on the robot vehicle for object detection, spatial information acquisition, and target approach. The Clearpath Jackal UGV robotic vehicle was used for the implementation of this work and was equipped with a stereo camera, a LiDAR and an IMU sensor. YOLO deep models were trained to detect three balloon classes; green, red and yellow. The dataset was collected from different sources and environments, while data annotation was performed using the Roboflow platform. Initially, the YOLOv8n model was used, and its generalization capability was evaluated and optimized using k-fold, group k-fold, and stratified group k-fold cross-validation, aiming to reduce data leakage and preserve the original class distribution. Using the stratified group k-fold approach, six different YOLO models (YOLOv8n, YOLOv8s, YOLOv11n, YOLOv11s, YOLO26n, and YOLO26s) were compared, with YOLOv8n being selected as the most suitable model for the final implementation. The selected model was then trained using the complete cross-validation dataset. A spatial perception system was developed to estimate and store the positions of the detected red balloons in the map reference frame. The map was generated using the LiDAR sensor and the SLAM Toolbox package. Filtering techniques were applied for the reliable storage of both single and multiple targets. Target positions were recorded while the vehicle was moving along a straight path at a constant speed, whereas target approach was achieved primarily using a proportional controller that regulated the robot’s angular velocity based on the angular error. The motion system was evaluated using trajectory, position, and angular error plots. The YOLOv8n model achieved a mean mAP@50-95 of 0.8195 with a standard deviation of 0.0234 under stratified group k-fold cross-validation. During the final evaluation on the test set, it achieved a mAP@50-95 of 0.892 while maintaining satisfactory training and validation performance. The motion evaluation results confirmed the correct operation of the robotic vehicle in the experimental setups.
