{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5451888"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5451888","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Hybrid Navigation Algorithms for Autonomous Ground Vehicles in Uncertain Environments","abstract":"Η αυτόνομη πλοήγηση αποτελεί μία από τις θεμελιώδεις προκλήσεις της κινητής ρομποτικής, απαιτώντας αλγορίθμους τοπικού σχεδιασμού τροχιάς ικανούς να παράγουν ασφαλείς, αποδοτικές και υπολογιστικά εφικτές εντολές κίνησης σε πραγματικό χρόνο. Μεταξύ των πλέον διαδεδομένων αντιδραστικών μεθόδων τοπικού σχεδιασμού, ο αλγόριθμος Προσέγγισης Δυναμικού Παραθύρου (Dynamic Window Approach - DWA) έχει αποδείξει την αποτελεσματικότητά του σε άγνωστα περιβάλλοντα, επιλέγοντας επιτρεπτές εντολές ταχύτητας σύμφωνα με τους δυναμικούς περιορισμούς του οχήματος και τις πληροφορίες του τοπικού περιβάλλοντος. Στην συμβατική διατύπωση του DWA, καθώς και στην πλειονότητα των επεκτάσεων της, το στάδιο επιλογής ταχύτητας πραγματοποιείται με δειγματοληπτική διαδικασία στον διακριτοποιημένο χώρο ταχυτήτων. Η μέθοδος αυτή, εισάγει έναν συμβιβασμό μεταξύ ποιότητας λύσης και υπολογιστικής πολυπλοκότητας του αλγορίθμου εύρεσης. Στην παρούσα διπλωματική εργασία προτείνεται ένα υβριδικό πλαίσιο τοπικού σχεδιασμού κίνησης, το οποίο συνδυάζει μία βελτιωμένη παραλλαγή του αλγορίθμου Dynamic Window Approach (Improved Dynamic Window Approach – IDWA) με έναν αλγόριθμο Βελτιστοποίησης Σμήνους Σωματιδίων υπό περιορισμούς (Constrained Particle Swarm Optimization – CPSO) για επίλυση του προβλήματος βελτιστοποίησης στον συνεχή χώρο. Αντί της αξιολόγησης ενός προκαθορισμένου διακριτού συνόλου υποψήφιων εντολών ταχύτητας, η προτεινόμενη μεθοδολογία διατυπώνει την επιλογή ταχύτητας ως πρόβλημα συνεχούς βελτιστοποίησης, με την επίλυση του από τον στοχαστικό αλγόριθμο CPSO. Η βελτιωμένη αντικειμενική συνάρτηση επεκτείνει την κλασική διατύπωση του DWA, ενσωματώνοντας κανονικοποιημένα κριτήρια πλοήγησης που σχετίζονται με την ευθυγράμμιση προς τον στόχο, την αποφυγή εμποδίων, την προτίμηση υψηλότερης μεταφορικής ταχύτητας, την πρόοδο προς τον στόχο και την ομαλότητα της κίνησης. Η αποφυγή συγκρούσεων επιβάλλεται μέσω μιας διατύπωσης περιορισμών βασισμένης σε συναρτήσεις ποινής, επιτρέποντας στον αλγόριθμο σμήνους να εντοπίζει αποδοτικά εφικτές εντολές ταχύτητας, μεγιστοποιώντας ταυτόχρονα την αντικειμενική συνάρτηση πλοήγησης. Το προτεινόμενο πλαίσιο σχεδιασμού υλοποιήθηκε στο περιβάλλον ROS2 Humble και αξιολογήθηκε πειραματικά στον προσομοιωτή Webots, χρησιμοποιώντας μία διαφορικής οδήγησης ρομποτική πλατφόρμα Turtlebot3 Waffle εξοπλισμένη με προσομοιωμένο τρισδιάστατο αισθητήρα LiDAR. Για την απομόνωση της συνεισφοράς της διαδικασίας βελτιστοποίησης, ο προτεινόμενος αλγόριθμος IDWA-CPSO συγκρίθηκε με μία κλασική υλοποίηση του IDWA βασισμένη σε δειγματοληψία πλέγματος, χρησιμοποιώντας την ίδια αντικειμενική συνάρτηση, τους ίδιους δυναμικούς περιορισμούς και την ίδια διαδικασία ελέγχου συγκρούσεων. Η αξιολόγηση πραγματοποιήθηκε σε ένα αντιπροσωπευτικό σενάριο αποφυγής εμποδίου, με την εξαγωγή ποσοτικών δεικτών πλοήγησης, καθώς και αναλύσεων της τροχιάς, των προφίλ ταχυτήτων, της καμπυλότητας και της υπολογιστικής απόδοσης. Τα αποτελέσματα της αξιολόγησης υποδεικνύουν ότι η αντικατάσταση της διακριτής δειγματοληψίας του χώρου ταχυτήτων με συνεχή βελτιστοποίηση βασισμένη στον CPSO, βελτιώνει σημαντικά τη συνολική απόδοση της διαδικασίας πλοήγησης. Συγκεκριμένα, ο προτεινόμενος αλγόριθμος παράγει σταθερά συντομότερες και ομαλότερες τροχιές, μειώνει τον συνολικό χρόνο πλοήγησης και το υπολογιστικό κόστος, ενώ παράλληλα επιτυγχάνει αποτελεσματικότερη αποφυγή εμποδίων, διατηρώντας την ασφαλή πλοήγηση χωρίς συγκρούσεις και την ακριβή επίτευξη του στόχου. Τα ευρήματα αυτά υποδεικνύουν ότι η συνεχής βελτιστοποίηση αποτελεί μία ιδιαίτερα υποσχόμενη εναλλακτική προσέγγιση έναντι των συμβατικών μεθόδων τοπικού σχεδιασμού που βασίζονται στη δειγματοληψία, προσφέροντας μία αποτελεσματική ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ποιότητας τροχιάς για εφαρμογές αυτόνομης πλοήγησης σε πραγματικό χρόνο.","abstract_html":"Η αυτόνομη πλοήγηση αποτελεί μία από τις θεμελιώδεις προκλήσεις της κινητής ρομποτικής, απαιτώντας αλγορίθμους τοπικού σχεδιασμού τροχιάς ικανούς να παράγουν ασφαλείς, αποδοτικές και υπολογιστικά εφικτές εντολές κίνησης σε πραγματικό χρόνο. Μεταξύ των πλέον διαδεδομένων αντιδραστικών μεθόδων τοπικού σχεδιασμού, ο αλγόριθμος Προσέγγισης Δυναμικού Παραθύρου (Dynamic Window Approach - DWA) έχει αποδείξει την αποτελεσματικότητά του σε άγνωστα περιβάλλοντα, επιλέγοντας επιτρεπτές εντολές ταχύτητας σύμφωνα με τους δυναμικούς περιορισμούς του οχήματος και τις πληροφορίες του τοπικού περιβάλλοντος. Στην συμβατική διατύπωση του DWA, καθώς και στην πλειονότητα των επεκτάσεων της, το στάδιο επιλογής ταχύτητας πραγματοποιείται με δειγματοληπτική διαδικασία στον διακριτοποιημένο χώρο ταχυτήτων. Η μέθοδος αυτή, εισάγει έναν συμβιβασμό μεταξύ ποιότητας λύσης και υπολογιστικής πολυπλοκότητας του αλγορίθμου εύρεσης. Στην παρούσα διπλωματική εργασία προτείνεται ένα υβριδικό πλαίσιο τοπικού σχεδιασμού κίνησης, το οποίο συνδυάζει μία βελτιωμένη παραλλαγή του αλγορίθμου Dynamic Window Approach (Improved Dynamic Window Approach – IDWA) με έναν αλγόριθμο Βελτιστοποίησης Σμήνους Σωματιδίων υπό περιορισμούς (Constrained Particle Swarm Optimization – CPSO) για επίλυση του προβλήματος βελτιστοποίησης στον συνεχή χώρο. Αντί της αξιολόγησης ενός προκαθορισμένου διακριτού συνόλου υποψήφιων εντολών ταχύτητας, η προτεινόμενη μεθοδολογία διατυπώνει την επιλογή ταχύτητας ως πρόβλημα συνεχούς βελτιστοποίησης, με την επίλυση του από τον στοχαστικό αλγόριθμο CPSO. Η βελτιωμένη αντικειμενική συνάρτηση επεκτείνει την κλασική διατύπωση του DWA, ενσωματώνοντας κανονικοποιημένα κριτήρια πλοήγησης που σχετίζονται με την ευθυγράμμιση προς τον στόχο, την αποφυγή εμποδίων, την προτίμηση υψηλότερης μεταφορικής ταχύτητας, την πρόοδο προς τον στόχο και την ομαλότητα της κίνησης. Η αποφυγή συγκρούσεων επιβάλλεται μέσω μιας διατύπωσης περιορισμών βασισμένης σε συναρτήσεις ποινής, επιτρέποντας στον αλγόριθμο σμήνους να εντοπίζει αποδοτικά εφικτές εντολές ταχύτητας, μεγιστοποιώντας ταυτόχρονα την αντικειμενική συνάρτηση πλοήγησης. Το προτεινόμενο πλαίσιο σχεδιασμού υλοποιήθηκε στο περιβάλλον ROS2 Humble και αξιολογήθηκε πειραματικά στον προσομοιωτή Webots, χρησιμοποιώντας μία διαφορικής οδήγησης ρομποτική πλατφόρμα Turtlebot3 Waffle εξοπλισμένη με προσομοιωμένο τρισδιάστατο αισθητήρα LiDAR. Για την απομόνωση της συνεισφοράς της διαδικασίας βελτιστοποίησης, ο προτεινόμενος αλγόριθμος IDWA-CPSO συγκρίθηκε με μία κλασική υλοποίηση του IDWA βασισμένη σε δειγματοληψία πλέγματος, χρησιμοποιώντας την ίδια αντικειμενική συνάρτηση, τους ίδιους δυναμικούς περιορισμούς και την ίδια διαδικασία ελέγχου συγκρούσεων. Η αξιολόγηση πραγματοποιήθηκε σε ένα αντιπροσωπευτικό σενάριο αποφυγής εμποδίου, με την εξαγωγή ποσοτικών δεικτών πλοήγησης, καθώς και αναλύσεων της τροχιάς, των προφίλ ταχυτήτων, της καμπυλότητας και της υπολογιστικής απόδοσης. Τα αποτελέσματα της αξιολόγησης υποδεικνύουν ότι η αντικατάσταση της διακριτής δειγματοληψίας του χώρου ταχυτήτων με συνεχή βελτιστοποίηση βασισμένη στον CPSO, βελτιώνει σημαντικά τη συνολική απόδοση της διαδικασίας πλοήγησης. Συγκεκριμένα, ο προτεινόμενος αλγόριθμος παράγει σταθερά συντομότερες και ομαλότερες τροχιές, μειώνει τον συνολικό χρόνο πλοήγησης και το υπολογιστικό κόστος, ενώ παράλληλα επιτυγχάνει αποτελεσματικότερη αποφυγή εμποδίων, διατηρώντας την ασφαλή πλοήγηση χωρίς συγκρούσεις και την ακριβή επίτευξη του στόχου. Τα ευρήματα αυτά υποδεικνύουν ότι η συνεχής βελτιστοποίηση αποτελεί μία ιδιαίτερα υποσχόμενη εναλλακτική προσέγγιση έναντι των συμβατικών μεθόδων τοπικού σχεδιασμού που βασίζονται στη δειγματοληψία, προσφέροντας μία αποτελεσματική ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ποιότητας τροχιάς για εφαρμογές αυτόνομης πλοήγησης σε πραγματικό χρόνο.","abstract_has_math":false,"creators":["Τίγγος Κωνσταντίνος","Tingos Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:51Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5451888"],"render_values":[{"text":"uoadl:5451888","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5451888","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5451888","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%3A5451888","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τίγγος Κωνσταντίνος","Tingos Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5451888","https://pergamos.lib.uoa.gr/uoa/dl/object/5451888"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η αυτόνομη πλοήγηση αποτελεί μία από τις θεμελιώδεις προκλήσεις της κινητής ρομποτικής, απαιτώντας αλγορίθμους τοπικού σχεδιασμού τροχιάς ικανούς να παράγουν ασφαλείς, αποδοτικές και υπολογιστικά εφικτές εντολές κίνησης σε πραγματικό χρόνο. Μεταξύ των πλέον διαδεδομένων αντιδραστικών μεθόδων τοπικού σχεδιασμού, ο αλγόριθμος Προσέγγισης Δυναμικού Παραθύρου (Dynamic Window Approach - DWA) έχει αποδείξει την αποτελεσματικότητά του σε άγνωστα περιβάλλοντα, επιλέγοντας επιτρεπτές εντολές ταχύτητας σύμφωνα με τους δυναμικούς περιορισμούς του οχήματος και τις πληροφορίες του τοπικού περιβάλλοντος. Στην συμβατική διατύπωση του DWA, καθώς και στην πλειονότητα των επεκτάσεων της, το στάδιο επιλογής ταχύτητας πραγματοποιείται με δειγματοληπτική διαδικασία στον διακριτοποιημένο χώρο ταχυτήτων. Η μέθοδος αυτή, εισάγει έναν συμβιβασμό μεταξύ ποιότητας λύσης και υπολογιστικής πολυπλοκότητας του αλγορίθμου εύρεσης. Στην παρούσα διπλωματική εργασία προτείνεται ένα υβριδικό πλαίσιο τοπικού σχεδιασμού κίνησης, το οποίο συνδυάζει μία βελτιωμένη παραλλαγή του αλγορίθμου Dynamic Window Approach (Improved Dynamic Window Approach – IDWA) με έναν αλγόριθμο Βελτιστοποίησης Σμήνους Σωματιδίων υπό περιορισμούς (Constrained Particle Swarm Optimization – CPSO) για επίλυση του προβλήματος βελτιστοποίησης στον συνεχή χώρο. Αντί της αξιολόγησης ενός προκαθορισμένου διακριτού συνόλου υποψήφιων εντολών ταχύτητας, η προτεινόμενη μεθοδολογία διατυπώνει την επιλογή ταχύτητας ως πρόβλημα συνεχούς βελτιστοποίησης, με την επίλυση του από τον στοχαστικό αλγόριθμο CPSO. Η βελτιωμένη αντικειμενική συνάρτηση επεκτείνει την κλασική διατύπωση του DWA, ενσωματώνοντας κανονικοποιημένα κριτήρια πλοήγησης που σχετίζονται με την ευθυγράμμιση προς τον στόχο, την αποφυγή εμποδίων, την προτίμηση υψηλότερης μεταφορικής ταχύτητας, την πρόοδο προς τον στόχο και την ομαλότητα της κίνησης. Η αποφυγή συγκρούσεων επιβάλλεται μέσω μιας διατύπωσης περιορισμών βασισμένης σε συναρτήσεις ποινής, επιτρέποντας στον αλγόριθμο σμήνους να εντοπίζει αποδοτικά εφικτές εντολές ταχύτητας, μεγιστοποιώντας ταυτόχρονα την αντικειμενική συνάρτηση πλοήγησης. Το προτεινόμενο πλαίσιο σχεδιασμού υλοποιήθηκε στο περιβάλλον ROS2 Humble και αξιολογήθηκε πειραματικά στον προσομοιωτή Webots, χρησιμοποιώντας μία διαφορικής οδήγησης ρομποτική πλατφόρμα Turtlebot3 Waffle εξοπλισμένη με προσομοιωμένο τρισδιάστατο αισθητήρα LiDAR. Για την απομόνωση της συνεισφοράς της διαδικασίας βελτιστοποίησης, ο προτεινόμενος αλγόριθμος IDWA-CPSO συγκρίθηκε με μία κλασική υλοποίηση του IDWA βασισμένη σε δειγματοληψία πλέγματος, χρησιμοποιώντας την ίδια αντικειμενική συνάρτηση, τους ίδιους δυναμικούς περιορισμούς και την ίδια διαδικασία ελέγχου συγκρούσεων. Η αξιολόγηση πραγματοποιήθηκε σε ένα αντιπροσωπευτικό σενάριο αποφυγής εμποδίου, με την εξαγωγή ποσοτικών δεικτών πλοήγησης, καθώς και αναλύσεων της τροχιάς, των προφίλ ταχυτήτων, της καμπυλότητας και της υπολογιστικής απόδοσης. Τα αποτελέσματα της αξιολόγησης υποδεικνύουν ότι η αντικατάσταση της διακριτής δειγματοληψίας του χώρου ταχυτήτων με συνεχή βελτιστοποίηση βασισμένη στον CPSO, βελτιώνει σημαντικά τη συνολική απόδοση της διαδικασίας πλοήγησης. Συγκεκριμένα, ο προτεινόμενος αλγόριθμος παράγει σταθερά συντομότερες και ομαλότερες τροχιές, μειώνει τον συνολικό χρόνο πλοήγησης και το υπολογιστικό κόστος, ενώ παράλληλα επιτυγχάνει αποτελεσματικότερη αποφυγή εμποδίων, διατηρώντας την ασφαλή πλοήγηση χωρίς συγκρούσεις και την ακριβή επίτευξη του στόχου. Τα ευρήματα αυτά υποδεικνύουν ότι η συνεχής βελτιστοποίηση αποτελεί μία ιδιαίτερα υποσχόμενη εναλλακτική προσέγγιση έναντι των συμβατικών μεθόδων τοπικού σχεδιασμού που βασίζονται στη δειγματοληψία, προσφέροντας μία αποτελεσματική ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ποιότητας τροχιάς για εφαρμογές αυτόνομης πλοήγησης σε πραγματικό χρόνο.","Autonomous navigation constitutes one of the fundamental challenges in mobile robotics, requiring local path planning algorithms capable of generating safe, efficient, and computationally feasible motion commands in real time. Among the most widely adopted reactive local planning methods, the Dynamic Window Approach (DWA) has demonstrated robust performance in unknown environments by selecting admissible velocity commands according to the robot's dynamic constraints and local obstacle information. Nevertheless, the conventional DWA formulation relies on exhaustive grid-based sampling of the admissible velocity space, resulting in increased computational requirements and limited search resolution, particularly when higher sampling densities are required to improve trajectory quality. This thesis proposes a hybrid local motion planning framework that combines an Improved Dynamic Window Approach (IDWA) with a Constrained Particle Swarm Optimization (CPSO) algorithm for continuous velocity-space optimization. Rather than evaluating a predefined discrete set of candidate velocity commands, the proposed methodology formulates the velocity selection process as a constrained optimization problem over the continuous dynamic window. The improved objective function extends the conventional DWA formulation by incorporating normalized navigation criteria associated with heading alignment, obstacle clearance, translational velocity, goal progress, and motion smoothness. Collision avoidance is enforced through a penalty-based constraint formulation, allowing the swarm optimizer to efficiently identify feasible velocity commands while simultaneously maximizing the navigation objective. The proposed planning framework was implemented in ROS2 Humble and experimentally evaluated within the Webots robotic simulator using a Turtlebot3 Waffle differential-drive platform equipped with a simulated three-dimensional LiDAR sensor. To isolate the contribution of the optimization process, the proposed IDWA-CPSO planner was compared against a classical grid-based implementation employing the same objective function, dynamic constraints, and collision-checking strategy. The evaluation was performed through a representative obstacle-avoidance scenario using quantitative navigation metrics together with trajectory, velocity, curvature, and computational performance analyses. The obtained results demonstrate that replacing exhaustive grid-based velocity sampling with swarm-based continuous optimization significantly improves the overall navigation performance. The proposed hybrid IDWA-CPSO planner generates shorter and smoother trajectories, reduces task execution time, increases computational efficiency, and exhibits more efficient obstacle-avoidance behavior while maintaining collision-free navigation and accurate goal convergence. These findings indicate that continuous optimization constitutes a promising alternative to conventional sampling-based local planning approaches, providing an effective balance between computational efficiency and trajectory quality for real-time autonomous navigation."]},{"key":"dc:title","label":"Title","values":["Hybrid Navigation Algorithms for Autonomous Ground Vehicles in Uncertain Environments"]}]}],"canonical_facts":{"dc:creator":["Τίγγος Κωνσταντίνος","Tingos Konstantinos"],"dc:date":["2026"],"dc:description":["Η αυτόνομη πλοήγηση αποτελεί μία από τις θεμελιώδεις προκλήσεις της κινητής ρομποτικής, απαιτώντας αλγορίθμους τοπικού σχεδιασμού τροχιάς ικανούς να παράγουν ασφαλείς, αποδοτικές και υπολογιστικά εφικτές εντολές κίνησης σε πραγματικό χρόνο. Μεταξύ των πλέον διαδεδομένων αντιδραστικών μεθόδων τοπικού σχεδιασμού, ο αλγόριθμος Προσέγγισης Δυναμικού Παραθύρου (Dynamic Window Approach - DWA) έχει αποδείξει την αποτελεσματικότητά του σε άγνωστα περιβάλλοντα, επιλέγοντας επιτρεπτές εντολές ταχύτητας σύμφωνα με τους δυναμικούς περιορισμούς του οχήματος και τις πληροφορίες του τοπικού περιβάλλοντος. Στην συμβατική διατύπωση του DWA, καθώς και στην πλειονότητα των επεκτάσεων της, το στάδιο επιλογής ταχύτητας πραγματοποιείται με δειγματοληπτική διαδικασία στον διακριτοποιημένο χώρο ταχυτήτων. Η μέθοδος αυτή, εισάγει έναν συμβιβασμό μεταξύ ποιότητας λύσης και υπολογιστικής πολυπλοκότητας του αλγορίθμου εύρεσης. Στην παρούσα διπλωματική εργασία προτείνεται ένα υβριδικό πλαίσιο τοπικού σχεδιασμού κίνησης, το οποίο συνδυάζει μία βελτιωμένη παραλλαγή του αλγορίθμου Dynamic Window Approach (Improved Dynamic Window Approach – IDWA) με έναν αλγόριθμο Βελτιστοποίησης Σμήνους Σωματιδίων υπό περιορισμούς (Constrained Particle Swarm Optimization – CPSO) για επίλυση του προβλήματος βελτιστοποίησης στον συνεχή χώρο. Αντί της αξιολόγησης ενός προκαθορισμένου διακριτού συνόλου υποψήφιων εντολών ταχύτητας, η προτεινόμενη μεθοδολογία διατυπώνει την επιλογή ταχύτητας ως πρόβλημα συνεχούς βελτιστοποίησης, με την επίλυση του από τον στοχαστικό αλγόριθμο CPSO. Η βελτιωμένη αντικειμενική συνάρτηση επεκτείνει την κλασική διατύπωση του DWA, ενσωματώνοντας κανονικοποιημένα κριτήρια πλοήγησης που σχετίζονται με την ευθυγράμμιση προς τον στόχο, την αποφυγή εμποδίων, την προτίμηση υψηλότερης μεταφορικής ταχύτητας, την πρόοδο προς τον στόχο και την ομαλότητα της κίνησης. Η αποφυγή συγκρούσεων επιβάλλεται μέσω μιας διατύπωσης περιορισμών βασισμένης σε συναρτήσεις ποινής, επιτρέποντας στον αλγόριθμο σμήνους να εντοπίζει αποδοτικά εφικτές εντολές ταχύτητας, μεγιστοποιώντας ταυτόχρονα την αντικειμενική συνάρτηση πλοήγησης. Το προτεινόμενο πλαίσιο σχεδιασμού υλοποιήθηκε στο περιβάλλον ROS2 Humble και αξιολογήθηκε πειραματικά στον προσομοιωτή Webots, χρησιμοποιώντας μία διαφορικής οδήγησης ρομποτική πλατφόρμα Turtlebot3 Waffle εξοπλισμένη με προσομοιωμένο τρισδιάστατο αισθητήρα LiDAR. Για την απομόνωση της συνεισφοράς της διαδικασίας βελτιστοποίησης, ο προτεινόμενος αλγόριθμος IDWA-CPSO συγκρίθηκε με μία κλασική υλοποίηση του IDWA βασισμένη σε δειγματοληψία πλέγματος, χρησιμοποιώντας την ίδια αντικειμενική συνάρτηση, τους ίδιους δυναμικούς περιορισμούς και την ίδια διαδικασία ελέγχου συγκρούσεων. Η αξιολόγηση πραγματοποιήθηκε σε ένα αντιπροσωπευτικό σενάριο αποφυγής εμποδίου, με την εξαγωγή ποσοτικών δεικτών πλοήγησης, καθώς και αναλύσεων της τροχιάς, των προφίλ ταχυτήτων, της καμπυλότητας και της υπολογιστικής απόδοσης. Τα αποτελέσματα της αξιολόγησης υποδεικνύουν ότι η αντικατάσταση της διακριτής δειγματοληψίας του χώρου ταχυτήτων με συνεχή βελτιστοποίηση βασισμένη στον CPSO, βελτιώνει σημαντικά τη συνολική απόδοση της διαδικασίας πλοήγησης. Συγκεκριμένα, ο προτεινόμενος αλγόριθμος παράγει σταθερά συντομότερες και ομαλότερες τροχιές, μειώνει τον συνολικό χρόνο πλοήγησης και το υπολογιστικό κόστος, ενώ παράλληλα επιτυγχάνει αποτελεσματικότερη αποφυγή εμποδίων, διατηρώντας την ασφαλή πλοήγηση χωρίς συγκρούσεις και την ακριβή επίτευξη του στόχου. Τα ευρήματα αυτά υποδεικνύουν ότι η συνεχής βελτιστοποίηση αποτελεί μία ιδιαίτερα υποσχόμενη εναλλακτική προσέγγιση έναντι των συμβατικών μεθόδων τοπικού σχεδιασμού που βασίζονται στη δειγματοληψία, προσφέροντας μία αποτελεσματική ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ποιότητας τροχιάς για εφαρμογές αυτόνομης πλοήγησης σε πραγματικό χρόνο.","Autonomous navigation constitutes one of the fundamental challenges in mobile robotics, requiring local path planning algorithms capable of generating safe, efficient, and computationally feasible motion commands in real time. Among the most widely adopted reactive local planning methods, the Dynamic Window Approach (DWA) has demonstrated robust performance in unknown environments by selecting admissible velocity commands according to the robot's dynamic constraints and local obstacle information. Nevertheless, the conventional DWA formulation relies on exhaustive grid-based sampling of the admissible velocity space, resulting in increased computational requirements and limited search resolution, particularly when higher sampling densities are required to improve trajectory quality. This thesis proposes a hybrid local motion planning framework that combines an Improved Dynamic Window Approach (IDWA) with a Constrained Particle Swarm Optimization (CPSO) algorithm for continuous velocity-space optimization. Rather than evaluating a predefined discrete set of candidate velocity commands, the proposed methodology formulates the velocity selection process as a constrained optimization problem over the continuous dynamic window. The improved objective function extends the conventional DWA formulation by incorporating normalized navigation criteria associated with heading alignment, obstacle clearance, translational velocity, goal progress, and motion smoothness. Collision avoidance is enforced through a penalty-based constraint formulation, allowing the swarm optimizer to efficiently identify feasible velocity commands while simultaneously maximizing the navigation objective. The proposed planning framework was implemented in ROS2 Humble and experimentally evaluated within the Webots robotic simulator using a Turtlebot3 Waffle differential-drive platform equipped with a simulated three-dimensional LiDAR sensor. To isolate the contribution of the optimization process, the proposed IDWA-CPSO planner was compared against a classical grid-based implementation employing the same objective function, dynamic constraints, and collision-checking strategy. The evaluation was performed through a representative obstacle-avoidance scenario using quantitative navigation metrics together with trajectory, velocity, curvature, and computational performance analyses. The obtained results demonstrate that replacing exhaustive grid-based velocity sampling with swarm-based continuous optimization significantly improves the overall navigation performance. The proposed hybrid IDWA-CPSO planner generates shorter and smoother trajectories, reduces task execution time, increases computational efficiency, and exhibits more efficient obstacle-avoidance behavior while maintaining collision-free navigation and accurate goal convergence. These findings indicate that continuous optimization constitutes a promising alternative to conventional sampling-based local planning approaches, providing an effective balance between computational efficiency and trajectory quality for real-time autonomous navigation."],"dc:identifier":["uoadl:5451888","https://pergamos.lib.uoa.gr/uoa/dl/object/5451888"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Hybrid Navigation Algorithms for Autonomous Ground Vehicles in Uncertain Environments"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:51Z"}