http://hdl.handle.net/11728/11488 Πτυχίο στην Εφαρμοσμένης Πληροφορικής 2026-05-12T09:52:05Z http://hdl.handle.net/11728/13397 Σχεδιασμός παιχνιδιού για τον έλεγχο ρομπότ με την χρήση του προγράμματος Unreal Engine.” Δημητρίου, Λευτέρης Η παρούσα διπλωματική εργασία εξετάζει τη χρήση της μηχανής παιχνιδιών Unreal Engine ως εργαλείο προσομοίωσης και εκπαίδευσης στον τομέα του ρομποτικού ελέγχου. Κύριος στόχος της εργασίας είναι να διερευνηθεί κατά πόσο ένα διαδραστικό περιβάλλον παιχνιδιού μπορεί να συμβάλει στην κατανόηση βασικών εννοιών ρομποτικής, με έμφαση στον έλεγχο κίνησης μέσω ελεγκτή Proportional–Integral–Derivative (PID). Η μεθοδολογία που ακολουθήθηκε περιλαμβάνει τον σχεδιασμό και την υλοποίηση ενός εικονικού ρομπότ για line following μέσα στην Unreal Engine. Το ρομπότ σχεδιάστηκαι με εικονικούς αισθητήρες γραμμής, οι οποίοι προσομοιώθηκαν μέσω μηχανισμών ανίχνευσης σύγκρουσης (line traces), ενώ ο ελεγκτής PID υλοποιήθηκε εξ ολοκλήρου μέσω οπτικού προγραμματισμού (Blueprints). Παράλληλα, αναπτύχθηκε μια διεπαφή χρήστη που επιτρέπει τη διαδραστική ρύθμιση των παραμέτρων του ελεγκτή σε πραγματικό χρόνο. Η πειραματική αξιολόγηση πραγματοποιήθηκε σε τρεις πίστες line following με διαφορετικό επίπεδο δυσκολίας. Τα ευρήματα της εργασίας δείχνουν ότι η ρύθμιση των παραμέτρων του ελεγκτή PID επηρεάζει σημαντικά τη συμπεριφορά και την απόδοση του ρομπότ, ιδιαίτερα σε απαιτητικά περιβάλλοντα. Διαπιστώθηκε ότι δεν υπάρχει μία βέλτιστη ρύθμιση για όλα τα σενάρια, αλλά ότι η πολυπλοκότητα του περιβάλλοντος απαιτεί διαφορετικές προσεγγίσεις ελέγχου. Συμπερασματικά, η εργασία δείχνει ότι η Unreal Engine μπορεί να αξιοποιηθεί ως ένα ισχυρό εκπαιδευτικό εργαλείο για τη διδασκαλία βασικών εννοιών ρομποτικού ελέγχου. Μέσω της άμεσης οπτικής ανατροφοδότησης και του πειραματισμού, ενισχύεται η σύνδεση θεωρίας και πράξης, προσφέροντας ένα ασφαλές και διαδραστικό περιβάλλον μάθησης. ENGLISH ABSTRACT This thesis examines the use of the Unreal Engine game engine as a simulation and training tool in the field of robotic control. The main objective of the work is to investigate whether an interactive game environment can contribute to the understanding of basic robotics concepts, with emphasis on motion control through a Proportional–Integral–Derivative (PID) controller. The methodology followed includes the design and implementation of a virtual robot for line following within the Unreal Engine. The robot was designed with virtual line sensors, which were simulated through collision detection mechanisms (line traces), while the PID controller was implemented entirely through visual programming (Blueprints). At the same time, a user interface was developed that allows the interactive adjustment of the controller parameters in real time. The experimental evaluation was carried out on three line following tracks with different levels of difficulty. The findings of the work show that the adjustment of the PID controller parameters significantly affects the behavior and performance of the robot, especially in demanding environments. It was found that there is no single optimal setting for all scenarios, but that the complexity of the environment requires different control approaches. In conclusion, the work shows that Unreal Engine can be used as a powerful educational tool for teaching basic concepts of robotic control. Through direct visual feedback and experimentation, the connection between theory and practice is strengthened, offering a safe and interactive learning environment. 2026-01-01T00:00:00Z http://hdl.handle.net/11728/13396 Μελέτη και Ανάπτυξη Αλγορίθμων σε Αρχιτεκτονικές Επεξεργαστών Πολλαπλών Πυρήνων για την Επίτευξη της Αύξησης της Επίδοσης και της Διεκπεραιωτικότητας των Ολοκληρωμένων Ενδο-συνδεόμενων Δικτύων Αριστοδήμου, Φίλιππος Τα Ολοκληρωμένα Ενδο-συνδεόμενα Δίκτυα (ΟΕΔ), γνωστά διεθνώς ως Networks-on-Chip (NoCs), αποτελούν την κυρίαρχη υποδομή επικοινωνίας στους σύγχρονους πολυπύρηνους επεξεργαστές. Η απόδοση του δικτύου επηρεάζει άμεσα τη συνολική απόδοση του συστήματος, καθιστώντας τον σχεδιασμό αποδοτικών αλγορίθμων δρομολόγησης κρίσιμο ζήτημα. Η παρούσα εργασία παρουσιάζει τον αλγόριθμο APAR (Adaptive Phase-Aware Routing), έναν υβριδικό αλγόριθμο δρομολόγησης που συνδυάζει τα πλεονεκτήματα της ντετερμινιστικής και της προσαρμοστικής δρομολόγησης. Η βασική καινοτομία του APAR έγκειται στην ικανότητά του να ανιχνεύει δυναμικά τη φάση λειτουργίας του δικτύου βάσει των επιπέδων συμφόρησης και να προσαρμόζει τη στρατηγική δρομολόγησης ανάλογα. Ο APAR ταξινομεί την κατάσταση του δικτύου σε τρεις φάσεις: χαμηλή, μέτρια και υψηλή συμφόρηση. Σε χαμηλή συμφόρηση χρησιμοποιεί ντετερμινιστική δρομολόγηση XY για ελάχιστη καθυστέρηση. Σε μέτρια και υψηλή συμφόρηση μεταβαίνει σε προσαρμοστική δρομολόγηση βασισμένη στο μοντέλο Odd-Even για εξισορρόπηση φόρτου. Ένας μηχανισμός υστέρησης εξασφαλίζει ομαλές μεταβάσεις μεταξύ φάσεων. Η πειραματική αξιολόγηση βασίστηκε σε πλήρη μήτρα συνθηκών (mesh,traffic,IR,run) και εκτελέστηκε με προσομοίωση ακριβείας κύκλου ρολογιού. Συγκεκριμένα, εξετάστηκαν 3 μεγέθη πλέγματος (4×4, 8×8, 16×16), 7 συνθετικά πρότυπα κυκλοφορίας (Uniform, Transpose, Hotspot, Bit‑Complement, Bit‑Reverse, Neighbor, Tornado) και 18 ρυθμοί έγχυσης (0.01–0.50 flits/node/cycle), με 3 επαναλήψεις ανά διαμόρφωση. Αυτό αντιστοιχεί σε 3×7×18×3=1134 διαμορφώσεις πειράματος. Καθώς συγκρίθηκαν 5 αλγόριθμοι (XY, West‑First, Odd‑Even, CARL, APAR), το συνολικό πλήθος εκτελέσεων προσομοίωσης ήταν 1134×5=5670. Σε κάθε εκτέλεση μετρήθηκαν βασικές μετρικές (throughput, latency, hops) μέσα σε σαφώς ορισμένο παράθυρο μέτρησης μετά από warmup, και εφαρμόστηκε φάση εκκένωσης (drain) για ολοκλήρωση των πακέτων. Επιπλέον, πραγματοποιήθηκαν έλεγχοι εγκυρότητας (no‑drop μετά το drain και μηδενικά drain timeouts), ώστε τα αποτελέσματα να είναι συγκρίσιμα και αναπαραγώγιμα. Τα αποτελέσματα δείχνουν ότι η απόδοση είναι έντονα εξαρτώμενη από το πρότυπο κυκλοφορίας (traffic‑dependent): ο ντετερμινιστικός XY παραμένει ισχυρός σε ομοιόμορφη κυκλοφορία, ενώ ο APAR εμφανίζει κέρδη σε πρότυπα με έντονη δομή, όπως το bit‑reverse (π.χ. +33.5% μέγιστη διεκπεραίωση (peak throughput) έναντι XY σε 8×8). Συνολικά, η εργασία υποστηρίζει ότι η επίγνωση φάσης μπορεί να προσφέρει στοχευμένα οφέλη σε συγκεκριμένα σενάρια συμφόρησης, χωρίς όμως να τεκμηριώνει ότι μία και μοναδική πολιτική δρομολόγησης υπερέχει σταθερά σε κάθε περίπτωση. ENGLISH ABSTRACT Networks-on-Chip (NoC) constitute the dominant communication infrastructure in modern multicore processors. Network performance directly affects overall system performance, making the design of efficient routing algorithms a critical concern. This thesis presents the APAR (Adaptive Phase-Aware Routing) algorithm, a hybrid routing algorithm that combines the advantages of deterministic and adaptive routing. The key innovation of APAR lies in its ability to dynamically detect the network’s operating phase based on congestion levels and adapt the routing strategy accordingly. APAR classifies the network state into three phases: low, medium, and high congestion. In low congestion, it uses deterministic XY routing for minimal latency. In medium and high congestion, it transitions to adaptive routing based on the Odd-Even turn model for load balancing. A hysteresis mechanism ensures smooth transitions between phases. Evaluation was performed through 5670 cycle-accurate simulation experiments on three mesh sizes (4×4, 8×8, 16×16), seven traffic patterns and 18 injection rates (0.01–0.50 flits/node/cycle), with three runs per configuration. Five algorithms were compared: XY, West‑First, Odd‑Even, CARL, and APAR, with strict integrity checks (no‑drop after drain and zero drain timeouts). Results indicate strongly traffic-dependent behavior: deterministic XY remains strong under uniform traffic, while APAR shows benefits on structured patterns such as bit‑reverse (e.g., +33.5% peak throughput vs. XY on 8×8). 2026-02-01T00:00:00Z http://hdl.handle.net/11728/12135 Εκπαιδεύοντας έναν υπολογιστή να παίξει Super Mario για το υπόλοιπο της ζωής του Αναστασίου, Γεωργία Στις μέρες μας, μπορούμε να πούμε με βεβαιότητα ότι έχει αναπτυχθεί η επιστήμη της Τεχνητής Νοημοσύνης (ΑΙ). Η χρήση της έχει βοηθήσει όχι μόνο στην καθημερινότητά μας αλλά και σε πιο εξειδικευμένους τομείς. Χάρη σε αυτό έχουν αναπτυχθεί πολλοί κλάδοι της επιστήμης, όπως η Ιατρική, στις μεταφορές, στην Εκπαίδευση, στην Ασφάλεια, στην Γεωργία, στην Ρομποτική, στα Οικονομικά, στην Ενέργεια, στα παιχνίδια κλπ. Πολλοί χρησιμοποιούν τις μεθόδους του “deep learning” και του “reinforcement learning” καθώς και των νευρωνικών δικτύων (neural networks) και γενετικών αλγορίθμων (genetic algorithms) για την επίτευξη των στόχων τους. Οι γενετικοί αλγόριθμοι είναι μια μέθοδος βελτιστοποίησης που περιλαμβάνει επαναληπτικές διαδικασίες αναζήτησης που βασίζονται σε μια αναλογία με τη διαδικασία της φυσικής επιλογής και της εξελικτικής γενετικής. Τα νευρωνικά δίκτυα είναι η χρήση διαφορετικών αλγορίθμων για την κατανόηση των σχέσεων σε ένα δεδομένο σύνολο δεδομένων για την παραγωγή των καλύτερων αποτελεσμάτων από τις μεταβαλλόμενες εισόδους. Το δίκτυο εκπαιδεύεται κατάλληλα ούτως ώστε να παράγει τα επιθυμητά αποτελέσματα και χρησιμοποιούνται διαφορετικά μοντέλα για την πρόβλεψη των μελλοντικών αποτελεσμάτων με τα δεδομένα. Στην ουσία, οι κόμβοι διασυνδέονται έτσι ώστε να λειτουργεί σαν ανθρώπινος εγκέφαλος. Για την ομαδοποίηση και την ταξινόμηση των δεδομένων χρησιμοποιούνται διαφορετικοί συσχετισμοί και κρυφά μοτίβα σε ακατέργαστα μοτίβα. Σύμφωνα με το θέμα της διπλωματικής μου εργασίας, πρέπει να αναβαθμίσω το παιχνίδι Super Mario ούτως ώστε να μπορεί να παίζει ο υπολογιστής για το υπόλοιπο της ζωής του χωρίς να χάνει. Αυτό θα επιτευχθεί με την χρήση του “deep learning” και ειδικότερα του “reinforcement learning”. Το πρόγραμμα πρέπει να σχεδιαστεί έτσι ώστε o Super Mario να αποφεύγει τα εμπόδια που θα εμφανιστούν μπροστά του. Πρέπει να γίνει ο σωστός υπολογισμός ώστε να μάθει να πηδά σωστά. Πιο συγκεκριμένα, το λογισμικό θα προσπαθεί με διάφορες κινήσεις κυρίως πηδήματα να καταφέρει να περάσει τα εμπόδια. Για να επιτευχθεί αυτό χρειάστηκε να χρησιμοποιήσω “deep learning”, το οποίο είναι ένα υποσύνολο του “machine learning” όπως και της τεχνητής νοημοσύνης (ΑΙ). Τεχνητά νευρωνικά δίκτυα, αλγόριθμοι μαθαίνουν να κάνουν χρήση περισσότερων δεδομένων από ότι στα απλά λογισμικά. Έτσι επιτυγχάνετε η επίλυση πολύπλοκων προβλημάτων ακόμη και όταν τα δεδομένα είναι πιο περίπλοκα και όχι τόσο εύχρηστα. Επίσης, έγινε χρήση και “reinforcement learning”, το οποίο είναι ένας τομέας του “machine learning” που έχει ως σκοπό να διδάξει τον τρόπο που πρέπει να αναλαμβάνονται ενέργειες σε ένα περιβάλλον ώστε να μεγιστοποιείτε η έννοια της αθροιστικής ανταμοιβής. Το αρχικό παιχνίδι που είχε γίνει τόσο γνωστό και αγαπητό στα παιδικά μας χρόνια, παίζεται με την χρήση joystick το οποίο απαιτεί να εξοικειωθείς με την χρήση πολλών πλήκτρων την ίδια ώρα. 2022-01-01T00:00:00Z