{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3237716"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3237716","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Application of Reinforcement Learning methods in solving a Lunar Landing game","abstract":"Σε αυτή τη διπλωματική εργασία ασχοληθήκαμε με την εφαρμογή διάφορων αλγορίθμων Ενισχυτικής Μάθησης, καθώς και την ανάπτυξη ενός PID controller, με στόχο την επίλυση ενός Lunar Landing παιχνιδιού. Αρχικά σχεδιάζουμε ένα Lunar Landing παιχνίδι σε Python3, χρησιμοποιώντας τη βιβλιοθήκη Pygame. Στη συνέχεια υλοποιούμε τους αλγορίθμους Ενισχυτικής Μάθησης Deep Q-Learning και Double Deep Q-Learning για την επίλυση του παιχνιδιού, για 2 reward functions, και συγκρίνουμε τις αποδόσεις που πετυχαίνει ο καθένας τους. Για την ανάπυξη του περιβάλλοντος εκμάθησης, χρησιμοποιήσαμε τη βιβλιοθήκη Gym του OpenAI. Tέλος, χρησιμοποιώντας το ίδιο Gym περιβάλλον, κατασκευάζουμε και ρυθμίζουμε έναν ΡID controller, ο οποίος προσπαθεί να ελέγξει το ύψος και τη γωνία του διαστημόπλοιού μας, προκειμένου να το προσγειώσει με ασφάλεια.","abstract_html":"Σε αυτή τη διπλωματική εργασία ασχοληθήκαμε με την εφαρμογή διάφορων αλγορίθμων Ενισχυτικής Μάθησης, καθώς και την ανάπτυξη ενός PID controller, με στόχο την επίλυση ενός Lunar Landing παιχνιδιού. Αρχικά σχεδιάζουμε ένα Lunar Landing παιχνίδι σε Python3, χρησιμοποιώντας τη βιβλιοθήκη Pygame. Στη συνέχεια υλοποιούμε τους αλγορίθμους Ενισχυτικής Μάθησης Deep Q-Learning και Double Deep Q-Learning για την επίλυση του παιχνιδιού, για 2 reward functions, και συγκρίνουμε τις αποδόσεις που πετυχαίνει ο καθένας τους. Για την ανάπυξη του περιβάλλοντος εκμάθησης, χρησιμοποιήσαμε τη βιβλιοθήκη Gym του OpenAI. Tέλος, χρησιμοποιώντας το ίδιο Gym περιβάλλον, κατασκευάζουμε και ρυθμίζουμε έναν ΡID controller, ο οποίος προσπαθεί να ελέγξει το ύψος και τη γωνία του διαστημόπλοιού μας, προκειμένου να το προσγειώσει με ασφάλεια.","abstract_has_math":false,"creators":["Μαυρίκου Βασιλική","Mavrikou Vasiliki"],"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":"2026-11-19T06:19:58Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3237716"],"render_values":[{"text":"uoadl:3237716","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3237716","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3237716","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%3A3237716","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαυρίκου Βασιλική","Mavrikou Vasiliki"]}]},{"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:3237716","https://pergamos.lib.uoa.gr/uoa/dl/object/3237716"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε αυτή τη διπλωματική εργασία ασχοληθήκαμε με την εφαρμογή διάφορων αλγορίθμων Ενισχυτικής Μάθησης, καθώς και την ανάπτυξη ενός PID controller, με στόχο την επίλυση ενός Lunar Landing παιχνιδιού. Αρχικά σχεδιάζουμε ένα Lunar Landing παιχνίδι σε Python3, χρησιμοποιώντας τη βιβλιοθήκη Pygame. Στη συνέχεια υλοποιούμε τους αλγορίθμους Ενισχυτικής Μάθησης Deep Q-Learning και Double Deep Q-Learning για την επίλυση του παιχνιδιού, για 2 reward functions, και συγκρίνουμε τις αποδόσεις που πετυχαίνει ο καθένας τους. Για την ανάπυξη του περιβάλλοντος εκμάθησης, χρησιμοποιήσαμε τη βιβλιοθήκη Gym του OpenAI. Tέλος, χρησιμοποιώντας το ίδιο Gym περιβάλλον, κατασκευάζουμε και ρυθμίζουμε έναν ΡID controller, ο οποίος προσπαθεί να ελέγξει το ύψος και τη γωνία του διαστημόπλοιού μας, προκειμένου να το προσγειώσει με ασφάλεια.","In this thesis we observe the performance of several Reinforcement Learning algo- rithms, as well as a PID controller trying to solve a Lunar Landing problem. First we develop our Lunar Landing game in Python3 using the Pygame module. Then we implement and compare the performance of Deep Q-Learning and Double Deep Q-Learning algorithms trying to solve it. For the development of our learning agent, we create a custom Gym Environment based on the game we created, using OpenAI’s Gym module. Moreover, we review how different reward functions affect the agent’s learning process. Finally using the same custom Gym environment, we develop and tune a PID controller, that tries to control the altitude and the angle of the lander, in order to guide it to a soft landing."]},{"key":"dc:title","label":"Title","values":["Application of Reinforcement Learning methods in solving a Lunar Landing game"]}]}],"canonical_facts":{"dc:creator":["Μαυρίκου Βασιλική","Mavrikou Vasiliki"],"dc:date":["2022"],"dc:description":["Σε αυτή τη διπλωματική εργασία ασχοληθήκαμε με την εφαρμογή διάφορων αλγορίθμων Ενισχυτικής Μάθησης, καθώς και την ανάπτυξη ενός PID controller, με στόχο την επίλυση ενός Lunar Landing παιχνιδιού. Αρχικά σχεδιάζουμε ένα Lunar Landing παιχνίδι σε Python3, χρησιμοποιώντας τη βιβλιοθήκη Pygame. Στη συνέχεια υλοποιούμε τους αλγορίθμους Ενισχυτικής Μάθησης Deep Q-Learning και Double Deep Q-Learning για την επίλυση του παιχνιδιού, για 2 reward functions, και συγκρίνουμε τις αποδόσεις που πετυχαίνει ο καθένας τους. Για την ανάπυξη του περιβάλλοντος εκμάθησης, χρησιμοποιήσαμε τη βιβλιοθήκη Gym του OpenAI. Tέλος, χρησιμοποιώντας το ίδιο Gym περιβάλλον, κατασκευάζουμε και ρυθμίζουμε έναν ΡID controller, ο οποίος προσπαθεί να ελέγξει το ύψος και τη γωνία του διαστημόπλοιού μας, προκειμένου να το προσγειώσει με ασφάλεια.","In this thesis we observe the performance of several Reinforcement Learning algo- rithms, as well as a PID controller trying to solve a Lunar Landing problem. First we develop our Lunar Landing game in Python3 using the Pygame module. Then we implement and compare the performance of Deep Q-Learning and Double Deep Q-Learning algorithms trying to solve it. For the development of our learning agent, we create a custom Gym Environment based on the game we created, using OpenAI’s Gym module. Moreover, we review how different reward functions affect the agent’s learning process. Finally using the same custom Gym environment, we develop and tune a PID controller, that tries to control the altitude and the angle of the lander, in order to guide it to a soft landing."],"dc:identifier":["uoadl:3237716","https://pergamos.lib.uoa.gr/uoa/dl/object/3237716"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Application of Reinforcement Learning methods in solving a Lunar Landing game"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:19:58Z"}