Θέματα Διπλωματικών Εργασιών 2025-2026
- Τρίτη, 26 Αυγούστου 2025 -
Παρακάτω περιγράφονται τα θέματα διπλωματικων εργασιων για το ακαδημαικο έτος 2025-2026
ΠΡΟΣΟΧΗ: Απο τα 11 θέματα, μόνο τα 9 θα εκπονηθούν (σύμφωνα με απόφαση του τμήματος, ο κάθε καθηγητής μπορεί να επιβλέψει το πολύ 9 διπλωματικές). Για αυτο καλο ειναι να επιλέξετε πάνω από 1 θέμα.
Σε επόμενη ανακοίνωση θα ορισθεί ημερομηνιά/'ωρα συνάντησης για να συζητήσουμε τα θέματα.
Α/ΑΤίτλος Δ. Ε. (En)Περιγραφή Δ. Ε.Επιβλέπων1ο Μέλος Επιτροπής2ο Μέλος Επιτροπής
| Τίτλος Δ. Ε. | ||||||
| 1 | Ανάπτυξη προβλεπτικών μοντέλων μηχανικής μάθησης για την πρόβλεψη της ευελιξίας της ενεργειακής ζήτησης σε κτίρια. | Development of Machine Learning Predictive Models for the Forecasting of Energy Demand Flexibility in Buildings. | Η εργασία αποσκοπεί να αναπτύξει μια προηγμένη προσέγγιση χρησιμοποιώντας μεθόδους Μηχανικής Μάθησης για την εκτίμηση της ευελιξίας της ζήτησης ενέργειας σε κτίρια. Με βάση δεδομένα που περιλαμβάνουν το θερμικό φορτίο των κτιρίων και την ηλεκτρική ζήτηση, θα αναπτυχθούν μοντέλα πρόβλεψης που θα επιτρέπουν την ακριβή πρόβλεψη της θερμικής και ηλεκτρικής ευελιξίας του κτιρίου και κατ’ επέκταση της ζήτησης ενέργειας σε πραγματικό χρόνο. Η διαδικασία θα περιλαμβάνει τη συλλογή και την προεπεξεργασία δεδομένων, την εφαρμογή αλγορίθμων μηχανικής μάθησης για την εκπαίδευση των μοντέλων, και την αξιολόγηση της απόδοσής τους με βάση διάφορες μετρικές, συμπεριλαμβανομένης της ακρίβειας και της απόδοσης σε πραγματικές συνθήκες λειτουργίας. Η προσέγγιση αυτή αναμένεται να προσφέρει ένα πολύτιμο εργαλείο για τη διαχείριση της ζήτησης ενέργειας σε κοινότητες αμοιβαίας κατανάλωσης, επιτρέποντας την προαναφερθείσα τεκμηριωμένη λήψη αποφάσεων. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 2 | Συμβολικός Σχεδιασμός Αποστολών για σμηνος Αυτόνομων Υποβρύχιων Όχηματων με χρήση PDDL και Ενεργειακών Περιορισμών | Symbolic Mission Planning for Autonomous Underwater Vehicles Swarm using PDDL and Energy Constraints | Η παρούσα εργασία αποσκοπεί στην ανάπτυξη ενός συστήματος υψηλού επιπέδου σχεδιασμού αποστολών (task planner) για σμηνη Αυτόνομων Υποβρύχιων Όχηματων (AUV), βασισμένου στη γλώσσα PDDL (Planning Domain Definition Language). Το σύστημα θα περιγράφει αποστολές όπως: μετάβαση σε σημεία ενδιαφέροντος, συλλογή δεδομένων ή δειγμάτων, αποφυγή επικίνδυνων περιοχών, και επιστροφή στη βάση, με βάση ενεργειακούς και περιβαλλοντικούς περιορισμούς. Ο φοιτητής/ρια θα ορίσει ένα συμβολικό μοντέλο του AUV και του περιβάλλοντος, θα χρησιμοποιήσει planner (π.χ. Fast Downward ή OPTIC) για την παραγωγή πλάνων, και θα αξιολογήσει τα αποτελέσματα ως προς την ορθότητα και αποδοτικότητα των παραγόμενων σχεδίων. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 3 | Επισήμανση Ανωμαλιών σε δεδομένα Χρονοσειρών IoT μέσω Αντιθετικής Αυτοεποπτευόμενης Μάθησης με Μοντέλα Βαθιάς Μάθησης | Anomaly Labeling in IoT Time Series via Contrastive Self-Supervised Learning with Deep Learning Models | Η ανίχνευση ανωμαλιών σε IoT χρονοσειρές είναι ζωτικής σημασίας για τη διατήρηση της ακεραιότητας των συστημάτων, ωστόσο στις συλλογές δεδομένων των πραγματικών προβλημάτων τα επισημασμένα δεδομένα ανωμαλιών σπανίζουν. Η παρούσα διπλωματική εργασία εστιάζει στη χρήση της αντιθετικής εκμάθησης αναπαραστάσεων (contrastive representation learning) ως μέθοδο για την ανίχνευση ανωμαλιών απαλείφοντας την ανάγκη για χειροκίνητες επισημάνσεις των δεδομένων. Η υλοποίηση θα βασίζεται στην εκπαίδευση μοντέλων που μαθαίνουν ανθεκτικές αναπαραστάσεις φυσιολογικών προτύπων, συγκρίνοντας παρόμοια και αντιθετικά χρονικά τμήματα, επιτρέποντας έτσι τον εντοπισμό ανωμαλιών μέσω αποκλίσεων στο χώρο των χαρακτηριστικών (feature space). Η προσέγγιση αυτή θα εξεταστεί στο πλαίσιο της αυτοεποπτευόμενης μάθησης (Self-Supervised Learning), όπου τα μοντέλα μαθαίνουν από μη επισημασμένα δεδομένα μέσω ειδικά σχεδιασμένων βοηθητικών διεργασιών. Αρχιτεκτονικές βαθιάς μάθησης όπως οι αυτοκωδικοποιητές (autoencoders), οι μετασχηματιστές (transformers) και τα γενετικά ανταγωνιστικά δίκτυα (GANs) θα μελετηθούν ως υποψήφιες βάσεις για την εκμάθηση αναπαραστάσεων χρονικών σειρών (time series embeddings). Στόχος είναι η ανάπτυξη ενός επεκτάσιμου και αποδοτικού εργαλείου ανίχνευσης ανωμαλιών, με χαμηλή εξάρτηση από επισημασμένα δεδομένα, προσαρμοσμένου σε ρεαλιστικά σενάρια IoT και ικανό να γενικεύει υπό μεταβαλλόμενες συνθήκες και ποικίλους βαθμούς «μόλυνσης» των δεδομένων. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 4 | Αναπλήρωση Χρονοσειρών σε Συστήματα IoT υπό Ποικίλα Ποσοστά Απουσιάζοντων Τιμών: Έμφαση σε σενάρια Ακραίας Ελλειπτικότητας με Χρήση Μετα-Μάθησης και Μοντέλων Μηχανικής Μάθησης | Time Series Imputation in IoT Systems Across Varying Missing Value Thresholds: Emphasizing Extreme Missingness with Meta-Learning and Machine Learning Models | Η απουσία καταγραφών αποτελεί επίμονη πρόκληση στα συστήματα IoT, καθώς οι ροές αισθητήρων συχνά διαταράσσονται λόγω αποτυχιών στη μετάδοση, διακοπών ρεύματος ή περιβαλλοντικών παρεμβολών. Το πρόβλημα καθίσταται ιδιαίτερα κρίσιμο σε συνθήκες ακραίας (>50%) ελλειπτικότητας (extreme missingness), όπου οι παραδοσιακές μέθοδοι αναπλήρωσης (traditional imputation methods) αποδεικνύονται ανεπαρκείς. Η παρούσα διπλωματική εργασία θα εξετάσει την αναπλήρωση δεδομένων χρονοσειρών (time series data imputation) υπό ποικίλα επίπεδα απωλειών, με έμφαση σε σενάρια υψηλής ελλειπτικότητας. Προτείνεται η χρήση μετα-μάθησης (meta-learning) — δηλαδή της ικανότητας των μοντέλων να «μαθαίνουν πώς να μαθαίνουν» — με στόχο την ενίσχυση της γενικευσιμότητας και της προσαρμοστικότητας σε περιβάλλοντα με περιορισμένη διαθεσιμότητα δεδομένων (few-shot data imputation). Θα διερευνηθούν μετα-αλγόριθμοι όπως οι Model-Agnostic Meta-Learning (MAML) και Reptile, σε συνδυασμό με μοντέλα στατιστικής, μηχανικής και βαθιάς μάθησης — όπως η παλινδρόμηση με Γκαουσιανές διεργασίες (GPR), τα τεχνητά νευρωνικά δίκτυα (ANNs) και οι Νευρωνικές Διεργασίες (Neural Processes – NPs). Τα εν λόγω μοντέλα θα αξιολογηθούν σε μετα-εκπαιδευμένα περιβάλλοντα ως προς την ικανότητά τους να γενικεύουν και να προσαρμόζονται σε διαφορετικά σενάρια απωλειών. Η εργασία αποσκοπεί αφενός στη μελέτη της απόδοσης των μεθόδων αυτών σε ρεαλιστικά IoT σενάρια — με ετερογενείς συσκευές, αισθητήρες και τομείς εφαρμογής — και αφετέρου στην αξιολόγηση της αποτελεσματικότητας μετα-εκπαιδευμένων μοντέλων για ανθεκτική και μεταφέρσιμη αναπλήρωση, ιδίως σε περιπτώσεις ακραίας ελλειπτικότητας όπου τα συμβατικά μοντέλα συνήθως αποτυγχάνουν. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 5 | Εκτίμηση Κατάστασης Κόμβων για Προληπτική Διάθεση Πόρων σε Περιβάλλοντα Edge-Cloud | Node State Estimation for Proactive Resource Provisioning in Edge-Cloud Environments | Η εργασία αυτή στοχεύει στην ανάπτυξη ενός προηγμένου πλαισίου εκτίμησης κατάστασης (state estimation) για κατανεμημένα περιβάλλοντα edge και cloud, το οποίο θα προβλέπει σε πραγματικό χρόνο κρίσιμες μετρικές απόδοσης των κόμβων, όπως το ποσοστό χρησιμοποίησης CPU, η διαθέσιμη μνήμη και οι καθυστερήσεις δικτύου. Μέσα από τη χρήση τεχνικών μηχανικής μάθησης και επεξεργασίας χρονοσειρών, το σύστημα θα παρέχει έγκαιρες προβλέψεις που θα επιτρέπουν τη λήψη καλύτερων αποφάσεων για την προληπτική διάθεση και δέσμευση πόρων, τη βελτιστοποίηση του προγραμματισμού εργασιών (scheduling) και την αποφυγή συμφόρησης. Η αξιολόγηση θα επικεντρωθεί στην ακρίβεια πρόβλεψης και στην επίδραση που έχει στη συνολική απόδοση του συστήματος και στη χρήση των υποδομών. | Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 6 | Διόρθωση εικόνων για υποθαλλάσιες εικόνες | Underwater Image Enhancement | Στόχος της εργασίας είναι η μελέτη τεχνικών διόρθωσης για υποθαλάσσιες εικόνες. Θα αναπτυχθεί μέθοδος σε Python για την χρωματική διόρθωση των εικόνων καθώς και για την ενίσχυση των επιμέρους χαρακτηριστικών τους. Επιπλέον θα υλοποιηθούν μετρικές για εκτίμηση της ποιότητας της διορθωμένης εικόνας. | Η.Κοσματόπουλος | Ι. Μπούταλης | Α. Καρλής |
| 7 | Ανάπτυξη και αξιολόγηση αλγορίθμων συνεργατικής εύρεσης πηγής αερίου με ετερογενή σμήνη UAV | Development and Evaluation of Collaborative Gas-Source Seeking Algorithms using Heterogeneous UAV Swarms | Η εργασία στοχεύει στον σχεδιασμό και την υλοποίηση μιας ολοκληρωμένης μεθοδολογίας για τον εντοπισμό και την παρακολούθηση διαχεόμενων αερίων πτηνών (gas plumes) με τη χρήση ετερογενούς στόλου μη επανδρωμένων αεροσκαφών (UAVs). Ο φοιτητής/η φοιτήτρια θα αναπτύξει αλγορίθμους συνεργατικής αναζήτησης πηγής (gas-source seeking) που συνδυάζουν αισθητήρες χημικών, ροής αέρα και όρασης, αξιοποιώντας τόσο μοντέλα διάχυσης/ανίχνευσης όσο και τεχνικές μηχανικής μάθησης για εκτίμηση αβεβαιότητας και λήψη αποφάσεων σε πραγματικό χρόνο. Η διαδικασία θα περιλαμβάνει: Μοντελοποίηση και προσομοίωση αέριας διάχυσης σε περιβάλλον ROS/Gazebo ή ισοδύναμη πλατφόρμα, με ρεαλιστικά πεδία ανέμου και θορύβου μετρήσεων. Σχεδίαση στρατηγικών ελέγχου και συντονισμού (π.χ. πληροφοριακός σχεδιασμός πτήσης, potential fields, multi-agent reinforcement learning) που εκμεταλλεύονται την ετερογένεια του σμήνους (διαφορετικά ύψη πτήσης, ταχύτητες, είδη αισθητήρων). Υλοποίηση αλγορίθμων συγχώνευσης αισθητηριακών δεδομένων (sensor fusion) για βελτιωμένη χωρική εκτίμηση του λοβού αερίου και ακριβή εντοπισμό της πηγής. Σειρά πειραμάτων σε προσομοίωση και προαιρετικά σε μικρής κλίμακας πραγματικό σενάριο (εικονική ή εργαστηριακή αιολική σήραγγα) για την αξιολόγηση της ακρίβειας, της αποδοτικότητας πόρων και της ανθεκτικότητας σε αστοχίες UAV. Η προσέγγιση αναμένεται να συνεισφέρει νέες τεχνικές για την ταχεία και αξιόπιστη παρακολούθηση ρυπογόνων εκπομπών, με εφαρμογές στην περιβαλλοντική επιτήρηση, τη βιομηχανική ασφάλεια και την αντιμετώπιση επικίνδυνων διαρροών. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Λ. Μπάμπης |
| 8 | Ανάπτυξη αλγορίθμου τοποθέτησης σταθμών φόρτισης για βελτιστοποιημένη προσβασιμότητα από σμήνος UAV. | Development of charging station placement algorithm for optimized accessibility by UAV swarm. | Ανάπτυξη αλγορίθμου τοποθέτησης σταθμών φόρτισης για βελτιστοποιημένη προσβασιμότητα από σμήνος UAV. | Η.Κοσματόπουλος | Ι. Μπούταλης | Λ. Μπάμπης |
| 9 | Προγραμματισμός πτήσεων σμήνος UAV για την βέλτιστη συνεχή κάλυψη περιοχής ενδιαφέροντος με χρήση Ενισχυτικής Μάθησης. | UAV Swarm Flight Scheduling for Optimal Continuous Area of Interest Coverage Using Reinforcement Learning. | Προγραμματισμός πτήσεων σμήνος UAV για την βέλτιστη συνεχή κάλυψη περιοχής ενδιαφέροντος με χρήση Ενισχυτικής Μάθησης. | Η.Κοσματόπουλος | Ι. Μπούταλης | Λ. Μπάμπης |
| 10 | Ανάπτυξη και αξιολόγηση αλγορίθμων συνεργατικής εύρεσης πηγής αερίου με ετερογενή σμήνη UAV. | Development and Evaluation of Cooperative Gas Source Finding Algorithms with Heterogeneous UAV Swarms | Ανάπτυξη και αξιολόγηση αλγορίθμων συνεργατικής εύρεσης πηγής αερίου με ετερογενή σμήνη UAV. | Η.Κοσματόπουλος | Ι. Μπούταλης | Λ. Μπάμπης |
| 11 | Ανάπτυξη και αξιολόγηση μεθόδων οπτικού χειρισμού ρομποτικού βραχίονα με χρήση τεχνικών μηχανικής όρασης | (Development and Evaluation of Vision-Based Manipulation Methods for Robotic Arms) |
Η εργασία στοχεύει στην ανάπτυξη μιας πλήρως οπτικής προσέγγισης για την αντίληψη και τον χειρισμό αντικειμένων μέσω ρομποτικού βραχίονα, χωρίς τη χρήση απτικών αισθητήρων ή κινηματικών δεδομένων από τον ίδιο τον βραχίονα. Ο/Η φοιτητής/τρια θα υλοποιήσει και θα αξιολογήσει τεχνικές μηχανικής όρασης (computer vision) για την αναγνώριση αντικειμένων, την εκτίμηση θέσης και προσανατολισμού (6D pose estimation), καθώς και την παραγωγή χειριστικών εντολών μέσω τεχνικών ελέγχου βρόχου κλειστού τύπου (closed-loop visual servoing). Η διαδικασία θα περιλαμβάνει: 1. Κατασκευή ή παραμετροποίηση ρεαλιστικού περιβάλλοντος προσομοίωσης σε ROS/Gazebo ή ισοδύναμη πλατφόρμα, με ενσωμάτωση μοντέλων ρομποτικών βραχιόνων και κάμερας, για την αποτύπωση οπτικών ροών (RGB image streams) σε πραγματικό χρόνο. 2. Ανάπτυξη αλγορίθμων εντοπισμού και παρακολούθησης αντικειμένων μέσω τεχνικών μηχανικής όρασης, όπως object detection με deep learning (π.χ. YOLO, Mask R-CNN) και εκτίμηση θέσης/στάσης (pose estimation) με χρήση RGB ή RGB-D δεδομένων. 3. Υλοποίηση μεθόδων ελέγχου οπτικής ανάδρασης (visual servoing) ή ενισχυτικής μάθησης (reinforcement learning), για την εκτέλεση βασικών εργασιών χειρισμού όπως grasping, object placement και fine alignment, με απόλυτη εξάρτηση από την οπτική πληροφόρηση. 4. Αξιολόγηση της ακρίβειας, της ευρωστίας και της ικανότητας γενίκευσης των μεθόδων σε ποικίλες συνθήκες, όπως μεταβαλλόμενος φωτισμός, μερική απόκρυψη αντικειμένων και αβεβαιότητα στην αρχική θέση στόχου. 5. Εφαρμογή και πειραματική αξιολόγηση των υλοποιημένων μεθόδων σε πραγματικό ρομποτικό βραχίονα Universal Robots UR5, μέσω ενοποίησης του συστήματος όρασης με τον ελεγκτή του UR5, χρησιμοποιώντας το ROS-Industrial interface και πραγματικά σενάρια χειρισμού σε εργαστηριακό περιβάλλον. Η προσέγγιση αναμένεται να συνεισφέρει σε μεθοδολογίες χαμηλού κόστους, πλήρως οπτικής καθοδήγησης, για την εκτέλεση πολύπλοκων εργασιών χειρισμού χωρίς την ανάγκη ακριβούς αρχικής βαθμονόμησης ή χρήσης εξειδικευμένων αισθητήρων, με εφαρμογές στην ευέλικτη βιομηχανική παραγωγή, στην αποθήκευση/logistics και στην αλληλεπίδραση ρομπότ-ανθρώπου. |
Η.Κοσματόπουλος | Ι. Μπούταλης | Λ. Μπάμπης |
