ιε
Κύκλος 3: Self-driving Car & Αντίληψη Περιβάλλοντος για Πλοήγηση σε Γνωστό και Άγνωστο Χώρο
Κύκλος 6 εργαστηρίων | Ηλικίες: 14+ (Γ΄ Γυμνασίου – Γ΄ Λυκείου & φοιτητές)
![Κύκλος 3: Self-driving Car & Αντίληψη Περιβάλλοντος για Πλοήγηση σε Γνωστό και Άγνωστο Χώρο Κύκλος 3: Self-driving Car & Αντίληψη Περιβάλλοντος για Πλοήγηση σε Γνωστό και Άγνωστο Χώρο](/media/10738/aytonoma-systimata-1280x800-several-3.jpg?anchor=center&mode=crop&width=1280&height=800&rnd=133661353990000000)
Σύνολο κύκλου: 60€
2 ώρες κάθε εργαστήριο
Σύνολο κύκλου: 12 ώρες
Προτείνεται για μαθητές ηλικίας 14-18 ετών
(Γ΄ Γυμνασίου – Γ’ Λυκείου) & φοιτητές
Νίκος Ζουρτσάνος
Δημήτρης Πιπερίδης
03/11, 10/11, 17/11, 24/11, 01/12, 08/12, ώρα 15:45 – 17:45
Ο Κύκλος 3 υπάγεται στην εκπαιδευτική δράση Self-driving Cars & AI και αποσκοπεί στην παροχή βασικών γνώσεων σχετικά με τις έννοιες και τους αλγορίθμους αντίληψης περιβάλλοντος και ευφυούς λήψης αποφάσεων κατά την αυτόνομη κίνηση οχήματος σε άγνωστο χώρο. Ο Κύκλος επικεντρώνεται στην ανάλυση, επεξήγηση και σύνθεση αλγορίθμων:
- Αντίληψης περιβάλλοντος από οπτικά δεδομένα
- Κατασκευής χάρτη άγνωστου χώρου
- Εύρεσης βέλτιστης διαδρομής
- Αυτόνομης πλοήγησης με χρήση χάρτη
Σημείωση: Η συμμετοχή στον κύκλο δεν προϋποθέτει την ολοκλήρωση των υπόλοιπων κύκλων του project.
Ο Κύκλος 3 αποτελείται από τα ακόλουθα σεμινάρια:
Σεμινάριο 1: Γενική περιγραφή Κύκλου και εισαγωγή στη θεωρία γράφων
Γενική περιγραφή κύκλου 3 και σύντομη εισαγωγή στην γλώσσα προγραμματισμού python. Περιγραφή προβλήματος εύρεσης συντομότερης διαδρομής και βασική εισαγωγή στην θεωρία γράφων.
Σεμινάριο 2: Εισαγωγή στα νευρωνικά δίκτυα
Εισαγωγή στον τεχνητό νευρώνα (perceptron) και στα πολυεπίπεδα νευρωνικά δίκτυα. Μεθοδολογία εκπαίδευσης ενός νευρωνικού δικτύου. Υλοποίηση και εκτέλεση ενός νευρωνικού δικτύου με χρήση βιβλιοθηκών TensorFlow/Keras.
Σεμινάριο 3: Αναγνώριση διασταυρώσεων με ΑΙ
Συλλογή δεδομένων για την αναγνώριση των βασικών χαρακτηριστικών της διαδρομής. Σχεδιασμός και υλοποίηση CNN μοντέλου για την αντίληψη του περιβάλλοντος με τελικό στόχο την εκπαίδευση και εφαρμογή του μοντέλου στην πράξη.
Σεμινάριο 4: Αλγόριθμοι αναζήτησης βέλτιστης διαδρομής
Εισαγωγή σε βασικούς αλγορίθμους αναζήτησης διαδρομής (DFS, BFS, Dijkstra και Α*). Προγραμματισμός και υλοποίηση των αλγορίθμων αναζήτησης διαδρομής.
Σεμινάριο 5: Δημιουργία χάρτη άγνωστου χώρου
Απεικόνιση χάρτη με τη βοήθεια των διασταυρώσεων. Δημιουργία γράφου του χάρτη και συλλογή δεδομένων με τηλεχειρισμό για την κατασκευή του χάρτη.
Σεμινάριο 6: Αυτόνομη πλοήγηση οχήματος ακολουθώντας τη διαδρομή
Εισαγωγή στην αυτόνομη πλοήγηση του οχήματος με αλγόριθμο ΑΙ και δημιουργία ολοκληρωμένου συστήματος (χάρτης, αναγνώριση διασταυρώσεων, βέλτιστη διαδρομή και εντολές ελέγχου). Τελική πειραματική δοκιμή του ολοκληρωμένου συστήματος.
Βιβλιογραφία - Πρόσθετο υλικό
- https://www.python.org/
- https://jupyter.org/
- https://www.tensorflow.org/
- https://www.w3schools.com/python/
- https://www.learnpython.org/
- https://www.pythontutorial.net/
- Νευρωνικό δίκτυο (ΒΙΚΙΠΑΙΔΕΙΑ)
- Nευρωνικά ∆ίκτυα και Eφαρμογές
- Θεωρία Γράφων
- D3 Grath Theory
- Algorithm Dijkstra
- Algorithm Α*
- Pathfinding Visualizer #1
- Pathfinding Visualizer #2
ιε