Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39658Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Karaiskos, Vasileios | en |
| dc.contributor.author | Καραϊσκος, Βασίλειος | |
| dc.date.accessioned | 2025-12-04T08:11:58Z | - |
| dc.date.available | 2025-12-04T08:11:58Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39658 | - |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Επαυξημένη Πραγματικότητα | el |
| dc.subject | 4η Βιομηχανική Επανάσταση | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Ψηφιακός μετασχηματισμός μάθησης | el |
| dc.subject | Οπτικός σχεδιασμός | el |
| dc.subject | Τεχνολογία της πληροφορίας και των επικοινωνιών | el |
| dc.subject | Augmented Reality | en |
| dc.subject | Fourth Industrial Revolution | en |
| dc.subject | Machine Learning | en |
| dc.subject | Digital Learning Transformation | en |
| dc.subject | Visual Design | en |
| dc.subject | Information and Communication Technologies | en |
| dc.title | Ε.Π.Ο.Σ. - σύστημα Επαυξημένης Πραγματικότητας για την Οδική ασφάλεια έξυπνων πόλεων Συνδεδεμένων αυτόνομων οχημάτων | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Υπολογιστικά Συστήματα | el |
| heal.dateAvailable | 2025-12-04T08:12:59Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2025-12-01 | - |
| heal.abstract | Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η ανάδειξη της, οπτικοποίησης αντικείμενων ενδιαφέροντος, με την χρήση προηγμένου συστήματος Επαυξημένης Πραγματικότητας, με απώτερο σκοπό την ασφάλεια των συνδεδεμένων αυτοματοποιημένων οχημάτων στις έξυπνες πόλεις, στην εποχή της 4ης Βιομηχανικής Επανάστασης, χρησιμοποιώντας την μηχανική μάθηση, καθώς και να προβάλει την πολυδιάστατη συνεισφορά της, στην ενίσχυση της βιωματικής εμπειρίας από την πλευρά του χρήστη. Το ερευνητικό πεδίο της διπλωματικής εργασίας αφορά τα συνδεδεμένα αυτοματοποιημένα οχήματα, το διαδίκτυο των πραγμάτων (IOT), αυτοκινούμενα οχήματα που χρησιμοποιούν Datasheets χρώματος/βάθους, καθώς και την αρκετά προηγμένη τεχνολογία kitti 360, την αποτελεσματική αποθήκευση δεδομένων (NOSQL Databases for IOT) και κάποια πράγματα πάνω στον τομέα της μηχανικής μάθησης, καθώς και ενδιαφέροντες και αρκετά σημαντικούς αλγορίθμους που χρησιμοποιήθηκαν σε παρεμφερή προηγμένα συστήματα. Μέσα από την συγκεκριμένη διπλωματική εργασία, αφότου πρώτα γίνει μια σύντομη αποτύπωση της κατάστασης στις μέρες μας, αναφορικά με το κομμάτι των οχημάτων και της οδήγησης στους δρόμους, καταδεικνύεται η αναγκαιότητα εξέλιξης του οδικού συστήματος, της πρόληψης, καθώς και της απρόσκοπτης αποφυγής ατυχημάτων, στους ραγδαίους ρυθμούς εξέλιξης της 4ης Βιομηχανικής Επανάστασης. Επιπροσθέτως, υπογραμμίζεται η αξία της μηχανικής μάθησης, πως μέσα από αυτήν το σύστημα μας εκπαιδεύεται και γίνεται εξυπνότερο και κατ΄επέκταση και αποτελεσματικότερο. Ακόμη, επισημαίνεται η ύπαρξη του χρηστοκεντρικού σχεδιασμού, στο πλαίσιο υλοποίησης και συλλογής εμπειριών, περιγράφονται οφέλη της εφαρμογής των αρχών ευχρηστίας, καθώς και της ομαλής πλοηγησιμότητας, καθώς και τα οφέλη της απόκτησης βιωματικών εμπειριών στα πλαίσια της μηχανικής μάθησης. Τέλος, παρουσιάζεται η εφαρμογή αρχικής επίδειξης λειτουργικότητας καθώς και μια συνοπτική επισκόπηση των βασικών εργαλείων σχεδίασης Επαυξημένης Πραγματικότητας (Inertial Navigation and GPS/GNSS, Lidar, Augment reality user interface) που χρησιμοποιήθηκαν στον σχεδιασμό του συστήματος, προκειμένου το όχημα να ανιχνεύει τα αντικείμενα ενδιαφέροντος κατά την διάρκεια της διαδρομής του, να ενημερώνει τον χρήστη και να εκτελεί λειτουργείες μεταεπεξεργασίας, λήψης αποφάσεων ή αναμετάδοσης σε άλλα οχήματα. | el |
| heal.abstract | The present thesis investigates the enhancement, visualization, and contextual understanding of objects of interest through the integration of an advanced Augmented Reality (AR) system specifically designed to strengthen road safety and situational awareness for connected and autonomous vehicles within the framework of smart cities and the broader paradigm of the Fourth Industrial Revolution (Industry 4.0). By employing machine learning (ML) algorithms and techniques of computer vision, this work demonstrates how AR can bridge the gap between human perception and autonomous decision-making systems, offering real-time spatial awareness, predictive hazard detection, and a more immersive, user-centered driving experience. The research scope of the thesis spans across several interrelated technological domains, including connected and autonomous vehicles (CAVs), the Internet of Things (IoT), multi-sensor data fusion, and 3D spatial mapping. The system utilizes datasets derived from the KITTI-360 benchmark, particularly leveraging rectified RGB images (Cam0), LiDAR point clouds, and GNSS/OXTS positional data to generate a comprehensive perception model of the driving environment. These multimodal data sources are harmonized through geospatial transformations—converting geodetic coordinates (latitude, longitude, altitude) into Cartesian frames (x, y, z)—to ensure consistent alignment between the visual, spatial, and semantic layers of information. Additionally, NoSQL databases are proposed for scalable, low-latency data management, facilitating the continuous flow of sensory information within an IoT infrastructure. ix At the core of this research lies the CAV AR architectural framework, which integrates sensory subsystems (LiDAR, RGB cameras, and GNSS) with a real-time Augmented Reality User Interface (AR UI). This interface functions as a dynamic bridge between the computational backbone and the human operator, visualizing critical traffic and environmental data directly within the driver’s field of view. Through adaptive overlay and alpha-blending techniques, the system maintains high visual clarity and minimizes cognitive overload. The machine learning inference module, implemented via the YOLOv11 object detection model, identifies and classifies objects with high confidence, while the LiDAR depth maps provide precise spatial localization. Together, these modules enable the driver or the autonomous agent to perceive, evaluate, and react to potential hazards—including those beyond the line of sight— thus mitigating blind spots and enhancing proactive decision-making. The proof-of-concept (PoC) developed for this study validates the theoretical framework by demonstrating real-time object detection, rendering, and AR-based visualization in driving scenarios. Performance analysis (in frames per second) revealed a clear trade-off between visual realism and computational efficiency, emphasizing that 2D sprite-based rendering and 3D bounding box visualization offer an optimal balance between interpretability and system responsiveness—especially in low-power embedded platforms. From a design and human-factors perspective, the thesis underscores the importance of user-centered design (UCD) as a guiding principle in AR-based human– machine interfaces. By tailoring visual density, transparency, and spatial layering to user preferences and environmental context, the system ensures a non-intrusive yet informative experience. Moreover, the integration of experiential learning paradigms within the AR interface allows users to adaptively learn from their environment, enhancing long-term situational awareness and promoting safer driving behaviors. Beyond technical implementation, this research aligns with the emerging vision of Industry 4.0 transportation ecosystems, where digitalization, automation, and human– AI collaboration converge. The proposed AR architecture not only enhances road safety and efficiency but also contributes to the digital transformation of mobility, setting a foundation for collaborative vehicle-to-vehicle (CAV2CAV) communication, cloud-based data sharing, and predictive analytics for urban traffic management. In conclusion, this thesis presents a holistic synthesis of Augmented Reality, Machine Learning, and Human-Centered Interaction Design in the context of smart x mobility. The findings demonstrate that AR has the potential to redefine the driving experience by merging real and virtual perception spaces, fostering proactive safety mechanisms, and paving the way toward a new paradigm of intelligent, connected, and human-aware transportation systems. | en |
| heal.advisorName | Fudos, Ioannis | en |
| heal.committeeMemberName | Dimakopoulos, Vassilios | en |
| heal.committeeMemberName | Nikou, Christophoros | en |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 134 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ThesisVKaraiskos.pdf | 23.88 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
