SwarmFL: Dynamic PSO-Enhanced Gossip Learning for UAV Swarms

Οι δασικές πυρκαγιές αποτελούν σοβαρή απειλή για τα οικοσυστήματα, την ανθρώπινη ζωή και τις υποδομές, γεγονός που καθιστά αναγκαία την ανάπτυξη μεθόδων για την ανίχνευσή τους σε πρώιμο στάδιο. Ένα σμήνος από μη-επανδρωμένα εναέρια οχήματα μπορεί να συμβάλει στην παρακολούθηση δασικών πυρκαγιών, παρέχοντας κάλυψη μεγάλων περιοχών, καθώς και δυνατότητες αυτόνομης πλοήγησης, υπολογιστικής όρασης (computer vision) και ομοσπονδιακής μάθησης (federated learning). Ωστόσο, τα μη-επανδρωμένα εναέρια οχήματα είναι συσκευές με περιορισμένους υπολογιστικούς και ενεργειακούς πόρους, ενώ σε ένα πραγματικό περιβάλλον κάθε τέτοιο όχημα συλλέγει τις δικές του εικόνες ως δεδομένα, γεγονός που καθιστά απαιτητική την εκπαίδευση ενός ενιαίου νευρωνικού δικτύου για όλο το σμήνος. Για την αντιμετώπιση αυτών των προκλήσεων, η παρούσα διπλωματική εργασία προτείνει ένα πλαίσιο ανίχνευσης δασικών πυρκαγιών με τη χρήση ενός σμήνους μη-επανδρωμένων εναέριων οχημάτων, το οποίο αξιοποιεί αποκεντρωμένη (decentralized learning) και συνεργατική μάθηση, καθώς και δυναμική πλοήγηση, με στόχο την επίτευξη αποδοτικής λειτουργίας κατά τη διάρκεια μιας αποστολής ανίχνευσης πυρκαγιών. Κάθε μη-επανδρωμένο εναέριο όχημα χρησιμοποιεί εικόνες από το FLAMES dataset, προκειμένου να επισημαίνει τα δεδομένα που συλλέγονται κατά τη διαδικασία επιτήρησης, μέσω ενός Συνελικτικού Νευρωνικού Δικτύου (Convolutional Neural Network), του MobileNet. Πριν από την αποστολή του σμήνους, τα μοντέλα των drones εκπαιδεύονται με Ομοσπονδιακή Μάθηση. Τα δεδομένα κατανέμονται μη ομοιόμορφα, ώστε να αναπαριστούν τις διαφορετικές παρατηρήσεις και τις περιβαλλοντικές συνθήκες που ενδέχεται να αντιμετωπίσει κάθε όχημα. Κατά τη διάρκεια της αποστολής, το gossip learning επιτρέπει στα μη-επανδρωμένα εναέρια οχήματα να ανταλλάσσουν πληροφορίες σχετικά με τα μοντέλα τους, όποτε το επιτρέπουν οι συνθήκες. Το gossip learning είναι εκ φύσεως όχι κεντρικοποιημένο και, επομένως, τα τοπικά μοντέλα των οχημάτων μπορούν να ενημερώνονται συνεχώς, αξιοποιώντας τη γνώση των υπόλοιπων μελών του σμήνους. Η πλοήγηση των μη-επανδρωμένων εναέριων οχημάτων συντονίζεται με τη χρήση του αλγορίθμου Βελτιστοποίησης Σμήνους (Particle Swarm Optimization). Ο αλγόριθμος επιλέγει το επόμενο σημείο για κάθε όχημα σε κάθε στάδιο της προσομοίωσης, με βάση μια συνάρτηση κόστους, η οποία επηρεάζεται από γεγονότα της αποστολής σε πραγματικό χρόνο, όπως η ανίχνευση πυρκαγιάς, τα κελιά που δεν έχουν ακόμη καλυφθεί και οι δυνατότητες επικοινωνίας μεταξύ drones.

Authors dc:creator

• Ρέππα Σμαράγδα
• Reppa Smaragda

• Θετικές Επιστήμες
• Science

Language dc:language

English

Identifier

uoadl:5426655

OAI record oai:identifier

https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5426655