{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3118402"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3118402","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"TRAINING AN AGENT TO MOVE TOWARDS A TARGET INTERACTING WITH A COMPLEX ENVIRONMENT","abstract":"Στη σημερινή εποχή, το πρόβλημα της αυτόνομης πλοήγησης στα σύγχρονα κινητά ρομπότ αποτελεί σημείο ενδιαφέροντος για την πλειοψηφία της έρευνας που γίνεται γύρω από τη ρομποτική. Αυτό το θέμα γίνεται ακόμα πιο απαιτητικό, καθώς οι απαιτήσεις στα δυναμικά περιβάλλοντα περιλαμβάνουν αυτονομία υψηλού επιπέδου και ευέλικτες δυνατότητες λήψης αποφάσεων για το ρομπότ, ώστε να επιτευχθεί αποφυγής συγκρούσεων. Το Deep learning κατάφερε να λύσει κάποια κοινά ζητήματα στη ρομποτική, όπως η λήψη αποφάσεων, η πλοήγηση και ο έλεγχος, όμως, με εποπτευόμενο τρόπο. Οι Reinforcement learning τεχνολογίες έχουν συνδυαστεί με το Deep learning, με αποτέλεσμα ένα νέο ερευνητικό θέμα γνωστό ως deep reinforcement learning (DRL). Με τη χρήση του DRL, η διαδικασία μπορεί να αυτοματοποιηθεί με τη μετάφραση δεδομένων αισθητήρων πολλών διαστάσεων σε εντολές κίνησης ρομπότ χωρίς τη χρήση κεντρικοποιημένων πληροφοριών, παρέχοντας έναν μη εποπτευόμενο τρόπο. Αυτό που χρειάζεται, για να ενθαρρυνθεί ο agent μάθησης και μέσω διαδικασίας δοκιμής και σφάλματος με το περιβάλλον, να βρει την καλύτερη δράση για κάθε κατάσταση, είναι μία βαθμωτή συνάρτηση ανταμοιβής. Στην εν λόγω διατριβή, δημιουργήθηκε ένα προσομοιωμένο περιβάλλον με ένα κινητό ρομπότ που αλληλεπιδρά με αυτό. Δύο αλγόριθμοι βασισμένοι στο DRL, οι Actor-Critic και PPO, χρησιμοποιήθηκαν για να εκπαιδεύσουν τον παράγοντα να κινείται με ασφάλεια στο περιβάλλον, αποφεύγοντας τα εμπόδια και στοχεύοντας στην επίτευξη ενός καθορισμένου στόχου. Τα αποτελέσματά τους παρουσιάζονται και συγκρίνονται.","abstract_html":"Στη σημερινή εποχή, το πρόβλημα της αυτόνομης πλοήγησης στα σύγχρονα κινητά ρομπότ αποτελεί σημείο ενδιαφέροντος για την πλειοψηφία της έρευνας που γίνεται γύρω από τη ρομποτική. Αυτό το θέμα γίνεται ακόμα πιο απαιτητικό, καθώς οι απαιτήσεις στα δυναμικά περιβάλλοντα περιλαμβάνουν αυτονομία υψηλού επιπέδου και ευέλικτες δυνατότητες λήψης αποφάσεων για το ρομπότ, ώστε να επιτευχθεί αποφυγής συγκρούσεων. Το Deep learning κατάφερε να λύσει κάποια κοινά ζητήματα στη ρομποτική, όπως η λήψη αποφάσεων, η πλοήγηση και ο έλεγχος, όμως, με εποπτευόμενο τρόπο. Οι Reinforcement learning τεχνολογίες έχουν συνδυαστεί με το Deep learning, με αποτέλεσμα ένα νέο ερευνητικό θέμα γνωστό ως deep reinforcement learning (DRL). Με τη χρήση του DRL, η διαδικασία μπορεί να αυτοματοποιηθεί με τη μετάφραση δεδομένων αισθητήρων πολλών διαστάσεων σε εντολές κίνησης ρομπότ χωρίς τη χρήση κεντρικοποιημένων πληροφοριών, παρέχοντας έναν μη εποπτευόμενο τρόπο. Αυτό που χρειάζεται, για να ενθαρρυνθεί ο agent μάθησης και μέσω διαδικασίας δοκιμής και σφάλματος με το περιβάλλον, να βρει την καλύτερη δράση για κάθε κατάσταση, είναι μία βαθμωτή συνάρτηση ανταμοιβής. Στην εν λόγω διατριβή, δημιουργήθηκε ένα προσομοιωμένο περιβάλλον με ένα κινητό ρομπότ που αλληλεπιδρά με αυτό. Δύο αλγόριθμοι βασισμένοι στο DRL, οι Actor-Critic και PPO, χρησιμοποιήθηκαν για να εκπαιδεύσουν τον παράγοντα να κινείται με ασφάλεια στο περιβάλλον, αποφεύγοντας τα εμπόδια και στοχεύοντας στην επίτευξη ενός καθορισμένου στόχου. Τα αποτελέσματά τους παρουσιάζονται και συγκρίνονται.","abstract_has_math":false,"creators":["Γούλα-Δημητρίου Μιχαήλα","Goula-Dimitriou Michaila"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:45:27Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3118402"],"render_values":[{"text":"uoadl:3118402","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3118402","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3118402","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3118402","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γούλα-Δημητρίου Μιχαήλα","Goula-Dimitriou Michaila"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3118402","https://pergamos.lib.uoa.gr/uoa/dl/object/3118402"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στη σημερινή εποχή, το πρόβλημα της αυτόνομης πλοήγησης στα σύγχρονα κινητά ρομπότ αποτελεί σημείο ενδιαφέροντος για την πλειοψηφία της έρευνας που γίνεται γύρω από τη ρομποτική. Αυτό το θέμα γίνεται ακόμα πιο απαιτητικό, καθώς οι απαιτήσεις στα δυναμικά περιβάλλοντα περιλαμβάνουν αυτονομία υψηλού επιπέδου και ευέλικτες δυνατότητες λήψης αποφάσεων για το ρομπότ, ώστε να επιτευχθεί αποφυγής συγκρούσεων. Το Deep learning κατάφερε να λύσει κάποια κοινά ζητήματα στη ρομποτική, όπως η λήψη αποφάσεων, η πλοήγηση και ο έλεγχος, όμως, με εποπτευόμενο τρόπο. Οι Reinforcement learning τεχνολογίες έχουν συνδυαστεί με το Deep learning, με αποτέλεσμα ένα νέο ερευνητικό θέμα γνωστό ως deep reinforcement learning (DRL). Με τη χρήση του DRL, η διαδικασία μπορεί να αυτοματοποιηθεί με τη μετάφραση δεδομένων αισθητήρων πολλών διαστάσεων σε εντολές κίνησης ρομπότ χωρίς τη χρήση κεντρικοποιημένων πληροφοριών, παρέχοντας έναν μη εποπτευόμενο τρόπο. Αυτό που χρειάζεται, για να ενθαρρυνθεί ο agent μάθησης και μέσω διαδικασίας δοκιμής και σφάλματος με το περιβάλλον, να βρει την καλύτερη δράση για κάθε κατάσταση, είναι μία βαθμωτή συνάρτηση ανταμοιβής. Στην εν λόγω διατριβή, δημιουργήθηκε ένα προσομοιωμένο περιβάλλον με ένα κινητό ρομπότ που αλληλεπιδρά με αυτό. Δύο αλγόριθμοι βασισμένοι στο DRL, οι Actor-Critic και PPO, χρησιμοποιήθηκαν για να εκπαιδεύσουν τον παράγοντα να κινείται με ασφάλεια στο περιβάλλον, αποφεύγοντας τα εμπόδια και στοχεύοντας στην επίτευξη ενός καθορισμένου στόχου. Τα αποτελέσματά τους παρουσιάζονται και συγκρίνονται.","Nowadays, the problem of autonomous navigation in modern mobile robots is the point of interest for the majority of research in robotics. This topic becomes even more challenging as the requirements in dynamic environments include high-level autonomy and flexible decision-making capabilities for the robot, to achieve collision avoidance. Deep learning has succeeded in solving some common issues in robotics, such as decision making, navigation and control, in a supervised manner though. Reinforcement learning frameworks have been combined with deep learning, resulting in a new research topic known as deep reinforcement learning (DRL). With the use of DRL the procedure can become automated by mapping high-dimensional sensory data to robot motion commands without using ground-truth information, providing an unsupervised manner. It simply takes a scalar reward function to encourage the learning agent through trial-and-error interactions with the environment, with the goal of finding the best action for each state. In the project thesis in question, a simulated environment was created with a mobile robot interacting with it. Two DRL-based algorithms, Actor-Critic and PPO were used to train the agent to move safely in the environment, avoiding the obstacles and aiming to reach a specified goal. Their results are presented and compared."]},{"key":"dc:title","label":"Title","values":["TRAINING AN AGENT TO MOVE TOWARDS A TARGET INTERACTING WITH A COMPLEX ENVIRONMENT"]}]}],"canonical_facts":{"dc:creator":["Γούλα-Δημητρίου Μιχαήλα","Goula-Dimitriou Michaila"],"dc:date":["2022"],"dc:description":["Στη σημερινή εποχή, το πρόβλημα της αυτόνομης πλοήγησης στα σύγχρονα κινητά ρομπότ αποτελεί σημείο ενδιαφέροντος για την πλειοψηφία της έρευνας που γίνεται γύρω από τη ρομποτική. Αυτό το θέμα γίνεται ακόμα πιο απαιτητικό, καθώς οι απαιτήσεις στα δυναμικά περιβάλλοντα περιλαμβάνουν αυτονομία υψηλού επιπέδου και ευέλικτες δυνατότητες λήψης αποφάσεων για το ρομπότ, ώστε να επιτευχθεί αποφυγής συγκρούσεων. Το Deep learning κατάφερε να λύσει κάποια κοινά ζητήματα στη ρομποτική, όπως η λήψη αποφάσεων, η πλοήγηση και ο έλεγχος, όμως, με εποπτευόμενο τρόπο. Οι Reinforcement learning τεχνολογίες έχουν συνδυαστεί με το Deep learning, με αποτέλεσμα ένα νέο ερευνητικό θέμα γνωστό ως deep reinforcement learning (DRL). Με τη χρήση του DRL, η διαδικασία μπορεί να αυτοματοποιηθεί με τη μετάφραση δεδομένων αισθητήρων πολλών διαστάσεων σε εντολές κίνησης ρομπότ χωρίς τη χρήση κεντρικοποιημένων πληροφοριών, παρέχοντας έναν μη εποπτευόμενο τρόπο. Αυτό που χρειάζεται, για να ενθαρρυνθεί ο agent μάθησης και μέσω διαδικασίας δοκιμής και σφάλματος με το περιβάλλον, να βρει την καλύτερη δράση για κάθε κατάσταση, είναι μία βαθμωτή συνάρτηση ανταμοιβής. Στην εν λόγω διατριβή, δημιουργήθηκε ένα προσομοιωμένο περιβάλλον με ένα κινητό ρομπότ που αλληλεπιδρά με αυτό. Δύο αλγόριθμοι βασισμένοι στο DRL, οι Actor-Critic και PPO, χρησιμοποιήθηκαν για να εκπαιδεύσουν τον παράγοντα να κινείται με ασφάλεια στο περιβάλλον, αποφεύγοντας τα εμπόδια και στοχεύοντας στην επίτευξη ενός καθορισμένου στόχου. Τα αποτελέσματά τους παρουσιάζονται και συγκρίνονται.","Nowadays, the problem of autonomous navigation in modern mobile robots is the point of interest for the majority of research in robotics. This topic becomes even more challenging as the requirements in dynamic environments include high-level autonomy and flexible decision-making capabilities for the robot, to achieve collision avoidance. Deep learning has succeeded in solving some common issues in robotics, such as decision making, navigation and control, in a supervised manner though. Reinforcement learning frameworks have been combined with deep learning, resulting in a new research topic known as deep reinforcement learning (DRL). With the use of DRL the procedure can become automated by mapping high-dimensional sensory data to robot motion commands without using ground-truth information, providing an unsupervised manner. It simply takes a scalar reward function to encourage the learning agent through trial-and-error interactions with the environment, with the goal of finding the best action for each state. In the project thesis in question, a simulated environment was created with a mobile robot interacting with it. Two DRL-based algorithms, Actor-Critic and PPO were used to train the agent to move safely in the environment, avoiding the obstacles and aiming to reach a specified goal. Their results are presented and compared."],"dc:identifier":["uoadl:3118402","https://pergamos.lib.uoa.gr/uoa/dl/object/3118402"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["TRAINING AN AGENT TO MOVE TOWARDS A TARGET INTERACTING WITH A COMPLEX ENVIRONMENT"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:45:27Z"}