Μέθοδοι μηχανικής μάθησης για το σχεδιασμό τροχιών ελευθέρων συγκρούσεων

Περίληψη

Οι ασφαλείς και αποτελεσματικές μεταφορές, όσον αφορά το κόστος, το χρόνο και την απόσταση που καλύπτεται, στον τομέα των αερομεταφορών παρέχονται μέσω του συστήματος διαχείρισης εναέριας κυκλοφορίας, το οποίο περιλαμβάνει όλες τις εναέριες και επίγειες λειτουργίες που απαιτούνται για την εξασφάλιση ασφαλούς και αποτελεσματικής ροής της κυκλοφορίας. Κάθε χρόνο ο όγκος της εναέριας κυκλοφορίας αυξάνεται και ωθεί το σύστημα διαχείρισης εναέριας κυκλοφορίας στα όριά του, απαιτώντας από αυτό να διαχειρίζεται μεγαλύτερη πολυπλοκότητα και πιο πυκνή κυκλοφορία. Διάφορες πρωτοβουλίες παγκοσμίως, όπως η NextGen στις ΗΠΑ και η SESAR στην Ευρώπη, έχουν διερευνήσει την εφαρμογή αυτοματοποίησης για τη βελτίωση της αποτελεσματικότητας και της σχέσης κόστους-αποτελεσματικότητας του συστήματος διαχείρισης της εναέριας κυκλοφορίας. Για την επίτευξη αυτού του στόχου εξετάζονται μέθοδοι τεχνητής νοημοσύνης και μηχανικής μάθησης για την ακριβή πρόβλεψη τροχιών πτήσεων και την αντιμετώπιση ζητημάτων πολυπλ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Safe and efficient transportation, in terms of cost, time and distance covered, in the aviation domain is provided through the Air Traffic Management (ATM) system, which includes all airborne and ground-based operations required to ensure safe and efficient traffic flow. Every year the volume of air traffic increases pushing the ATM system to its limits, requiring it to handle greater complexity and density of traffic. Different initiatives worldwide, such as NextGen in the US and SESAR in Europe, have been investigating the implementation of automation to enhance the efficiency and cost-effectiveness of the Αir Τraffic Μanagement (ATM) system. Towards this goal Artificial Intelligence and Machine Learning (AI/ML) methods are considered for providing accurate predictions of flight trajectories and addressing complexity issues while ensuring safety. During airborne operations safety between aircraft is provided by the Air Traffic Control (ATC) service. According to International Civil A ...
περισσότερα
DOI
10.12681/eadd/56848
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56848
ND
56848
Εναλλακτικός τίτλος
Machine learning methods for planning conflict-free trajectories
Συγγραφέας
Μπάστας, Αλεβίζος (Πατρώνυμο: Αθανάσιος)
Ημερομηνία
2024
Ίδρυμα
Πανεπιστήμιο Πειραιώς. Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων
Εξεταστική επιτροπή
Βούρος Γεώργιος
Τελέλης Ορέστης
Μπλέκας Κωνσταντίνος
Θεοδωρίδης Ιωάννης
Τσουμάκας Γρηγόριος
Παλιούρας Γεώργιος
Γιαννακόπουλος Θεόδωρος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Ανθρωποκεντρική τεχνητή νοημοσύνη; Μηχανική μάθηση; Mιμητική μάθηση; Επιβλεπόμενη μάθηση; Διαχείρηση εναέριας κυκλοφορίας; Έλεγχος εναέριας κυκλοφορίας
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.