Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διπλωματικής Εργασίας κ. Κυριαζάκη Κλεάνθη - Σχολή ΗΜΜΥ

  • Συντάχθηκε 21-07-2023 12:40 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 24/07/2023 10:00
    Λήξη: 24/07/2023 11:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Προπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

    ΚΛΕΑΝΘΗ ΚΥΡΙΑΖΑΚΗ

    με θέμα

    Σχεδίαση και Ανάπτυξη μιας Autonomous-Ready Ηλεκτρικής Μοτοσυκλέτας με χρήση του Drive PX2
    Design and Implementation of an Autonomous-Ready Electric Motorcycle using Drive PX2

    Εξεταστική Επιτροπή

    Καθηγητής Μιχαήλ Γ. Λαγουδάκης (επιβλέπων)
    Καθηγητής Ευτύχιος Κουτρούλης
    Επίκουρος Καθηγητής Ελευθέριος Δοϊτσίδης (Σχολή ΜΠΔ, ΠΚ)

    Περίληψη

    Η ιστορία των οχημάτων μαζικής παραγωγής κινείται τα τελευταία χρόνια προς δύο κατευθύνσεις: ηλεκτροκίνηση και αυτόνομη οδήγηση. Μάλιστα, ο συνδυασμός αυτών των δύο χαρακτηριστικών φαίνεται ότι θα κυριαρχήσει στις επόμενες δεκαετίες, καθώς αφιερώνεται μεγάλος όγκος πόρων στην ανάπτυξη αυτών των τεχνολογιών. Ανταποκρινόμενη σ’ αυτήν την τάση, στις ίδιες κατευθύνσεις κινείται πρόσφατα και η βιομηχανία μοτοσυκλετών, παρουσιάζοντας ήδη τα πρώτα πρωτότυπα με εντυπωσιακά χαρακτηριστικά ασφάλειας ως προς την ισορροπία και την οδήγηση. Η παρούσα διπλωματική εργασία προτείνει ένα σύστημα αυτόνομης πλοήγησης χαμηλού κόστους, σχεδιασμένο για μια πρωτότυπη, autonomous-ready ηλεκτρική μοτοσυκλέτα που αναπτύσσεται στο Πολυτεχνείο Κρήτης. Το προτεινόμενο σύστημα βασίζεται στην υπολογιστική πλατφόρμα Drive PX2 της Nvidia, η οποία λειτουργεί ως ο κύριος εγκέφαλος του οχήματος, καθώς και σε δύο κάμερες υψηλής ανάλυσης, οι οποίοι λειτουργούν ως κύριοι αισθητήρες αντίληψης. Με τη χρήση της γλώσσας προγραμματισμού Python και της βιβλιοθήκης TensorFlow, αναπτύχθηκε ένα σύστημα οπτικής ανίχνευσης αντικειμένων σε πραγματικό χρόνο, βασισμένο σε ένα συνελικτικό νευρωνικό δίκτυο, το οποίο ειδικεύεται στην ανίχνευση οχημάτων και σημάτων οδικής κυκλοφορίας. Παράλληλα, αναπτύχθηκε και ένα σύστημα Adaptive Cruise Control για την αυτόνομη ρύθμιση της ταχύτητας και της διεύθυνσης της μοτοσυκλέτας, βάσει της αντίληψης της τρέχουσας κατάστασης στον δρόμο. Πληροφορίες και δεδομένα προβάλλονται στον αναβάτη της μοτοσυκλέτας μέσω μιας οθόνης αφής, η οποία προσφέρει διάφορες λειτουργίες μέσα από ένα φιλικό γραφικό περιβάλλον χρήστη, καθώς και ανάλυση συγκεκριμένων σεναρίων. Η διασύνδεση όλων των υποσυστημάτων, συμπεριλαμβανομένης και της τροφοδοσίας από τις μπαταρίες της μοτοσυκλέτας, επιτυγχάνεται μέσω ενός ειδικά σχεδιασμένου κυκλώματος και κατάλληλης συνδεσμολογίας. Το προτεινόμενο σύστημα είναι έτοιμο για τοποθέτηση on-board στην πρωτότυπη, autonomous-ready ηλεκτρική μοτοσυκλέτα, μόλις ολοκληρωθεί η σχεδίαση και η δοκιμή του μηχανολογικού μέρους της για συμβατική οδήγηση.

    Abstract

    The history of mass-production vehicles has been moving in two directions in recent years: electrification and autonomous driving. In fact, the combination of these two features looks set to dominate in the coming decades, as a large amount of resources is devoted to the development of these technologies. Responding to this trend, the motorcycle industry has recently been moving in the same directions, already presenting the first prototypes with impressive safety features in terms of balance and ride. The present diploma thesis proposes a low-cost, autonomous navigation system, designed for a prototype, autonomous-ready electric motorcycle that is being developed at the Technical University of Crete. The proposed system is based on Nvidia's Drive PX2 computing platform, which acts as the main brain of the vehicle, as well as two high-resolution cameras, which act as the main perception sensors. Using the Python programming language and the TensorFlow library, a real-time visual object detection system, based on a convolutional neural network, was developed, which specializes in vehicle and road traffic signal detection. At the same time, an Adaptive Cruise Control system was developed for the autonomous adjustment of the speed and the steering of the motorcycle, based on the perception of the current situation on the road. Information and data are displayed to the motorcycle rider via a touchscreen display, which offers various functions through a friendly graphical user interface, as well as analysis of specific scenarios. The interconnection of all subsystems, including the power supply from the motorcycle batteries, is achieved through a specially designed circuit and appropriate wiring. The proposed system is ready to be installed on-board in the prototype, autonomous-ready electric motorcycle, once its mechanical part is designed and tested for conventional driving.

    Meeting: 99532347041

    Passcode: 939037



© Πολυτεχνείο Κρήτης 2012