{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5426655"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5426655","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"SwarmFL: Dynamic PSO-Enhanced Gossip Learning for UAV Swarms","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Ρέππα Σμαράγδα","Reppa Smaragda"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-08-21T16:41:59Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5426655"],"render_values":[{"text":"uoadl:5426655","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5426655","outbound_label":"Repository record","outbound_source":"dc:identifier"},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5426655","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ρέππα Σμαράγδα","Reppa Smaragda"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5426655","https://pergamos.lib.uoa.gr/uoa/dl/object/5426655"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Wildfires pose a serious threat to ecosystems, human lives, and infrastructure, requiring methods to detect such fires at an early stage. A swarm of drones can help in monitoring wildfires through large area coverage, as well as autonomous navigation, computer vision, and collaborative learning. Although drones are resource-constrained devices with limited power capacity, in a real-world deployment, each individual drone acquires its own images as data, which makes training a global model challenging. To address these challenges, this thesis proposes a wildfire detection framework utilizing a swarm of Unmanned Aerial Vehicles that employs collaborative and decentralized learning and dynamic path planning optimization to achieve efficient performance during a fire detection mission. Each drone uses pictures from the FLAMES dataset to label data collected during the surveillance process using a lightweight Convolutional Neural Network, the MobileNet. Before the swarm is deployed, the drones' local models are trained with centralized Federated Learning. The dataset is distributed in a non-independent and identically distributed manner to represent the different observations and environmental conditions that each drone may encounter. During the mission, gossip learning enables drones to exchange model information whenever conditions allow. Gossip learning is decentralized in nature and, therefore, the local models can always update themselves, depending on the knowledge from the other swarm members. Drone navigation is coordinated using Particle Swarm Optimization. The algorithm chooses the next waypoint for each drone at every simulation stage, depending on the dynamic fitness function, which is affected by live mission events such as fire discovery, unvisited cells, and peer-to-peer communication opportunities."]},{"key":"dc:title","label":"Title","values":["SwarmFL: Dynamic PSO-Enhanced Gossip Learning for UAV Swarms"]}]}],"canonical_facts":{"dc:creator":["Ρέππα Σμαράγδα","Reppa Smaragda"],"dc:date":["2026"],"dc:description":["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.","Wildfires pose a serious threat to ecosystems, human lives, and infrastructure, requiring methods to detect such fires at an early stage. A swarm of drones can help in monitoring wildfires through large area coverage, as well as autonomous navigation, computer vision, and collaborative learning. Although drones are resource-constrained devices with limited power capacity, in a real-world deployment, each individual drone acquires its own images as data, which makes training a global model challenging. To address these challenges, this thesis proposes a wildfire detection framework utilizing a swarm of Unmanned Aerial Vehicles that employs collaborative and decentralized learning and dynamic path planning optimization to achieve efficient performance during a fire detection mission. Each drone uses pictures from the FLAMES dataset to label data collected during the surveillance process using a lightweight Convolutional Neural Network, the MobileNet. Before the swarm is deployed, the drones' local models are trained with centralized Federated Learning. The dataset is distributed in a non-independent and identically distributed manner to represent the different observations and environmental conditions that each drone may encounter. During the mission, gossip learning enables drones to exchange model information whenever conditions allow. Gossip learning is decentralized in nature and, therefore, the local models can always update themselves, depending on the knowledge from the other swarm members. Drone navigation is coordinated using Particle Swarm Optimization. The algorithm chooses the next waypoint for each drone at every simulation stage, depending on the dynamic fitness function, which is affected by live mission events such as fire discovery, unvisited cells, and peer-to-peer communication opportunities."],"dc:identifier":["uoadl:5426655","https://pergamos.lib.uoa.gr/uoa/dl/object/5426655"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["SwarmFL: Dynamic PSO-Enhanced Gossip Learning for UAV Swarms"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-08-21T16:41:59Z"}