Νευρωνικά δίκτυα αιχμών για αντίληψη και έλεγχο σε ρομποτικά συστήματα υποβοήθησης ανθρώπου

Περίληψη

Η αυξανόμενη απαίτηση για ευφυή και ενεργειακά αποδοτικά συστήματα έχει οδηγήσει στην εντατική διερεύνηση των νευρομορφικών υπολογιστικών προσεγγίσεων, όπως είναι τα Νευρωνικά Δίκτυα Αιχμών (Spiking Neural Networks – SNNs). Η παρούσα διδακτορική διατριβή πηγάζει από την ανάγκη σχεδιασμού υπολογιστικά αποδοτικών, βιοεμπνευσμένων μαθησιακών μοντέλων, ικανών να διαχειρίζονται σύνθετα προβλήματα αντίληψης και ελέγχου, ιδίως σε περιπτώσεις περιορισμένου όγκου ρομποτικών λύσεων καθως και περιορισμένων ενεργειακών πόρων. Τα SNNs αποτελούν μία πολλά υποσχόμενη κατεύθυνση χάρη στις δυνατότητες επεξεργασίας πληροφορίας χρονικά και στη συμβατότητά τους με νευρομορφικό υλικό. Η διατριβή αυτή αντιμετωπίζει ένα σύνθετο πρόβλημα στον χώρο της πολυτροπικής αντίληψης και του ελέγχου, αξιοποιώντας τις μοναδικές ιδιότητες των SNNs. Συγκεκριμένα, επικεντρώνεται στην ανάπτυξη και αξιολόγηση αρχιτεκτονικών εκμάθησης βασισμένων σε αιχμές σε τρεις αλληλοσυνδεόμενους τομείς, όπως η πολυτροπική διάκριση χαρακτη ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The growing demand for intelligent and energy-efficient systems in real-world applications has emerged the exploration of neuromorphic computing approaches, such as spiking neural networks (SNNs). The motivation behind this dissertation stems from the need to design computationally efficient, bioinspired learning models capable of handling complex perception and control tasks, particularly under constrained hardware and energy budgets. Spiking neural networks offer a promising path forward due to their temporal processing capabilities and compatibility with neuromorphic hardware. Thus, this thesis tackles a cascade problem in the context of multimodal perception and control by leveraging the unique properties of SNNs. Specifically, it focuses on the development and evaluation of spike-based learning architectures across three interrelated domains: discriminative multimodal feature discrimination, object manipulation and robotic arm control via reinforcement learning (RL). An important ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/59503
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/59503
ND
59503
Εναλλακτικός τίτλος
Spiking neural networks for perception and control in human assistive robotic systems
Συγγραφέας
Οικονόμου, Αικατερίνη-Μαρία (Πατρώνυμο: Αντώνιος)
Ημερομηνία
2025
Ίδρυμα
Δημοκρίτειο Πανεπιστήμιο Θράκης (ΔΠΘ). Σχολή Πολυτεχνική. Τμήμα Μηχανικών Παραγωγής και Διοίκησης. Εργαστήριο Ρομποτικής και Αυτοματισμών
Εξεταστική επιτροπή
Γαστεράτος Αντώνιος
Αργυρός Αντώνιος
Γάτος Βασίλειος
Κοσματόπουλος Ηλίας
Συρακούλης Γεώργιος
Βότης Κωνσταντίνος
Αμανατιάδης Άγγελος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Ρομποτική
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Αυτοματισμοί και Συστήματα ελέγχου
Λέξεις-κλειδιά
Νευρωνικά δίκτυα αιχμής; Οικονόμου, Αικατερίνη Μαρία; Δημοκρίτειο Πανεπιστήμιο Θράκης; Οικονόμου; Νευρωνικά δίκτυα αιχμών για αντίληψη και έλεγχο σε ρομποτικά συστήματα υποβοήθησης ανθρώπου; Ξάνθη; 2025
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.