Τμήμα Πληροφορικής http://hdl.handle.net/11728/11487 2026-06-10T02:00:35Z 2026-06-10T02:00:35Z Αδάμου, Ανδρέας http://hdl.handle.net/11728/13553 2026-06-09T10:04:14Z 2026-05-01T00:00:00Z

Σχεδίαση και πειραματική αξιολόγηση vision-based στρατηγικών πλοήγησης για αυτόνομα line-following ρομπότ Αδάμου, Ανδρέας Η παρούσα πτυχιακή εργασία έχει ως στόχο την ανάπτυξη και πειραματική αξιολόγηση ενός vision-based συστήματος line-following σε πραγματική ρομποτική πλατφόρμα, με έμφαση στη διερεύνηση του τρόπου με τον οποίο επιμέρους αλγοριθμικές επιλογές επηρεάζουν την ακρίβεια, τη σταθερότητα και τη συνολική απόδοση της πλοήγησης. Για τον σκοπό αυτό αναπτύχθηκε ένας βασικός vision-based αλγόριθμος, ο οποίος αξιοποιεί εικόνα από κάμερα, τεχνικές επεξεργασίας εικόνας, υπολογισμό της θέσης της γραμμής και διορθωτικές εντολές κίνησης. Πάνω στον βασικό αυτό αλγόριθμο υλοποιήθηκαν και συγκρίθηκαν διαφορετικές παραλλαγές του, όπως η χρήση Dynamic ROI και διαφορετικές προσεγγίσεις κατωφλίωσης, ενώ παράλληλα αναπτύχθηκε και ένα IR sensor-based σύστημα ως baseline για σκοπούς σύγκρισης. Η αξιολόγηση πραγματοποιήθηκε σε κοινή πίστα line-following, η οποία περιλάμβανε τμήματα διαφορετικού βαθμού δυσκολίας, και σε διαφορετικές ταχύτητες κίνησης. Για τη σύγκριση των μεθόδων χρησιμοποιήθηκαν μετρικές όπως το μέσο πλευρικό σφάλμα, ο αριθμός αποτυχημένων ανιχνεύσεων γραμμής, ο μέσος χρόνος ανάκαμψης, ο χρόνος ολοκλήρωσης της διαδρομής και ο αριθμός επιτυχημένων δοκιμών. Τα αποτελέσματα έδειξαν ότι ένα vision-based σύστημα μπορεί να υποστηρίξει ικανοποιητική line-following πλοήγηση σε πραγματική πλατφόρμα χαμηλού κόστους, κυρίως σε χαμηλές και μεσαίες ταχύτητες. Ωστόσο, η απόδοσή του επηρεάζεται σημαντικά από την ποιότητα της εικόνας, τη θόλωση, την επιλογή της περιοχής ενδιαφέροντος και τη μέθοδο κατωφλίωσης. Από τις vision-based παραλλαγές, η μέθοδος Dynamic ROI παρουσίασε την καλύτερη συνολική συμπεριφορά, καθώς συνέβαλε στη διατήρηση πιο σχετικής οπτικής πληροφορίας κατά την παρακολούθηση της γραμμής. Αντίθετα, η Adaptive Threshold μέθοδος δεν απέδωσε καλύτερα από το σταθερό thresholding στη συγκεκριμένη υλοποίηση, λόγω ασυνεχειών που εμφανίστηκαν στη δυαδική εικόνα. Η πειραματική Dynamic Threshold εκδοχή παρουσίασε βελτιωμένη συμπεριφορά σε σχέση με την Adaptive Threshold, χωρίς όμως να ξεπεράσει συνολικά τις παραλλαγές που βασίστηκαν στο σταθερό thresholding. Συμπερασματικά, η εργασία δείχνει ότι η απόδοση ενός vision-based line-following συστήματος δεν εξαρτάται μόνο από τη χρήση κάμερας, αλλά και από τις επιμέρους σχεδιαστικές επιλογές του vision pipeline. Παράλληλα, αναδεικνύεται η δυνατότητα αξιοποίησης τέτοιων συστημάτων σε εφαρμογές εκπαιδευτικής ρομποτικής και αυτόνομης πλοήγησης χαμηλού κόστους. ENGLISH ABSTRACT This thesis aims to develop and experimentally evaluate a vision-based line-following system on a real robotic platform, with emphasis on investigating how specific algorithmic choices affect the accuracy, stability and overall performance of navigation. For this purpose, a basic vision-based algorithm was developed, using camera input, image processing techniques, line position estimation and corrective motion commands. Based on this algorithm, different variants were implemented and compared, including the use of Dynamic ROI and different thresholding approaches. In addition, an IR sensor-based system was developed as a baseline for comparison. The evaluation was carried out on the same line-following track for all methods. The track included sections of different difficulty levels and the tests were conducted at different driving speeds. The methods were compared using metrics such as mean lateral error, number of failed line detections, average recovery time, route completion time and number of successful trials. The results showed that a vision-based system can support satisfactory line-following navigation on a real low-cost platform, mainly at low and medium speeds. However, its performance is significantly affected by image quality, motion blur, the selection of the region of interest and the thresholding method. Among the vision-based variants, the Dynamic ROI method achieved the best overall performance, as it helped maintain more relevant visual information during line tracking. In contrast, the Adaptive Thresholding method did not perform better than fixed thresholding in this implementation, due to discontinuities that appeared in the binary image. The experimental Dynamic Thresholding variant showed improved behavior compared to Adaptive Thresholding, but did not overall outperform the variants based on fixed thresholding. In conclusion, this thesis shows that the performance of a vision-based line-following system does not depend only on the use of a camera, but also on the specific design choices of the vision pipeline. At the same time, it highlights the potential of such systems for educational robotics and low-cost autonomous navigation applications.

2026-05-01T00:00:00Z Ανδρέου, Χρύσης http://hdl.handle.net/11728/13552 2026-06-09T07:36:58Z 2026-05-20T00:00:00Z

Ανάπτυξη και Αξιολόγηση Παιχνιδιού Τρόμου Λήψης Αποφάσεων με Δυναμική Αφήγηση και Προσαρμοστικούς Μη Παικτικούς Χαρακτήρες στην Unreal Engine 5 Ανδρέου, Χρύσης Η παρούσα εργασία αφορά τον σχεδιασμό, την ανάπτυξη και την αξιολόγηση ενός τρισδιάστατου παιχνιδιού τρόμου πρώτου προσώπου στην Unreal Engine 5, με έμφαση στη δυναμική αφήγηση, τη λήψη αποφάσεων και την προσαρμοστική τεχνητή νοημοσύνη μη παικτικών χαρακτήρων. Η υλοποίηση βασίστηκε στα Blueprints και περιλαμβάνει Σύστημα Στατιστικών Παίκτη, μηχανισμούς διατήρησης δεδομένων μεταξύ επιπέδων, δέντρα συμπεριφοράς για τους εχθρούς, διακλαδούμενη αφηγηματική λογική και εναλλακτικές καταλήξεις. Παράλληλα, αξιοποιήθηκαν τεχνικές ατμόσφαιρας, όπως ο δυναμικός φωτισμός Lumen, ο χωρικός ήχος και τα γεγονότα τρόμου, ώστε η εμπειρία να μεταβάλλεται ανάλογα με τις ενέργειες του παίκτη. Η αξιολόγηση πραγματοποιήθηκε μέσω τεχνικών ελέγχων και δοκιμών με χρήστες, με ερωτηματολόγια βασισμένα στα SUS, GEQ και IMI. Τα αποτελέσματα έδειξαν ότι οι βασικοί μηχανισμοί λειτούργησαν σταθερά μετά τις διορθώσεις, ενώ οι χρήστες αξιολόγησαν θετικά τη χρηστικότητα, την εμβύθιση, την ατμόσφαιρα φόβου και την αίσθηση αυτενέργειας. Οι συμμετέχοντες αναγνώρισαν ότι οι επιλογές τους επηρέαζαν το περιβάλλον, τη συμπεριφορά των εχθρών και τις πιθανές καταλήξεις. Συνολικά, η εργασία προτείνει ένα λειτουργικό πλαίσιο σύνδεσης αφήγησης, στατιστικών και τεχνητής νοημοσύνης, προσφέροντας βάση για μελλοντική επέκταση προσαρμοστικών, επαναλήψιμων και περισσότερο εξατομικευμένων ψηφιακών εμπειριών τρόμου. ENGLISH ABSTRACT This thesis presents the design, development, and evaluation of a 3D first-person horror game in Unreal Engine 5, focusing on dynamic narrative, decision-making, and adaptive artificial intelligence for non-playable characters. The implementation was developed through Blueprints and includes a Player Stats System, data persistence between levels, Behavior Tree based enemy logic, branching narrative mechanisms, and multiple endings. Atmospheric techniques such as Lumen dynamic lighting, spatial audio, and scripted horror events were integrated to create a game experience that responds to the player’s actions and progression. The prototype was evaluated through technical testing and user trials using questionnaires based on SUS, GEQ, and IMI dimensions. The results indicated positive usability, strong immersion, effective horror atmosphere, and a clear sense of player agency, as participants recognized that their choices influenced the environment, enemy behavior, and narrative outcomes. Although the evaluation was conducted with a small sample and should be interpreted as an initial assessment rather than a full validation, the findings suggest that the proposed design successfully connects narrative, player statistics, and AI behavior within a coherent horror experience. Overall, the thesis contributes a functional framework for developing adaptive horror games that personalize tension, progression, and narrative feedback according to player interaction.

2026-05-20T00:00:00Z Χατζησοφοκλέους, Μυριάνθη http://hdl.handle.net/11728/13403 2026-05-06T09:03:33Z 2026-02-01T00:00:00Z

Ανθρωποκεντρική και Ηθική Ενσωμάτωση Τεχνητής Νοημοσύνης στη Διαχείριση Έργων: Ανάπτυξη Εννοιολογικού Πλαισίου Χατζησοφοκλέους, Μυριάνθη Η ραγδαία ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στη διαχείριση πληροφοριακών έργων έχει μετασχηματίσει τον τρόπο με τον οποίο τα έργα σχεδιάζονται, παρακολουθούνται και υλοποιούνται, ενισχύοντας την αποδοτικότητα, την πρόβλεψη κινδύνων και τη λήψη αποφάσεων. Παρά τα πολλά οφέλη που προσφέρει η ΤΝ, η χρήση της εγείρει πολύπλευρα ηθικά, κοινωνικά και οργανωσιακά ζητήματα. Θέματα όπως η αλγοριθμική προκατάληψη, η διαφάνεια, η λογοδοσία, η προστασία δεδομένων και η εξάρτηση από αυτοματοποιημένα συστήματα καθιστούν αναγκαία την ανάπτυξη ενός πλαισίου υπεύθυνης εφαρμογής της. Η παρούσα έρευνα επιδιώκει να καλύψει το υφιστάμενο ερευνητικό κενό που αφορά τις ανθρωποκεντρικές, ηθικές και διακυβερνητικές διαστάσεις της ενσωμάτωσης της ΤΝ στη διαχείριση έργων. Ενώ η υπάρχουσα βιβλιογραφία επικεντρώνεται κυρίως στις τεχνικές και λειτουργικές πτυχές της, απουσιάζει μια ολοκληρωμένη προσέγγιση που να εξετάζει τις επιπτώσεις της στην κουλτούρα των οργανισμών, στους ρόλους των διαχειριστών έργων και στις διαδικασίες λήψης αποφάσεων. Στόχος της εργασίας είναι η ανάπτυξη ενός εννοιολογικού και καθοδηγητικού πλαισίου (conceptual and guidance framework) για την υπεύθυνη, διαφανή και αποτελεσματική ενσωμάτωση εργαλείων ΤΝ στη διαχείριση πληροφοριακών έργων. Το προτεινόμενο πλαίσιο επιδιώκει να βοηθήσει οργανισμούς και project managers να αναγνωρίσουν τους ηθικούς, νομικούς και οργανωσιακούς κινδύνους της ΤΝ, να καθορίσουν τις αναγκαίες προϋποθέσεις για ασφαλή και ώριμη υιοθέτηση, να επιτύχουν ισορροπία μεταξύ ανθρώπινης και αλγοριθμικής λήψης αποφάσεων και να διαμορφώσουν πολιτικές και πρακτικές που θα ενισχύσουν την υπεύθυνη χρήση της τεχνολογίας. Η συμβολή αυτής της μελέτης εστιάζει στην ενίσχυση της κατανόησης και της πρακτικής εφαρμογής της Τεχνητής Νοημοσύνης στη διαχείριση έργων, μέσα από την ανάπτυξη ενός πλαισίου που ευθυγραμμίζει την τεχνολογία με τον ανθρώπινο παράγοντα, βελτιώνοντας τη διαφάνεια, την εμπιστοσύνη και την ηθική οργανωσιακή κουλτούρα. Η μεθοδολογία βασίζεται σε βιβλιογραφική ανασκόπηση και μελέτη περιπτώσεων οργανισμών οι οποίοι έχουν υιοθετήσει συστήματα Τεχνητής Νοημοσύνης.

2026-02-01T00:00:00Z Νκολάου, Μάριος http://hdl.handle.net/11728/13402 2026-05-06T08:55:43Z 2026-02-01T00:00:00Z

Νέες μορφές εργασίας στην τεχνολογική βιομηχανία: Πώς η τεχνητή νοημοσύνη και η αυτοματοποίηση ανασχεδιάζουν ρόλους, δεξιότητες και σχέσεις εργοδότη–εργαζομένου. Νκολάου, Μάριος Σκοπός της παρούσας Διπλωματικής Εργασίας είναι η διερεύνηση του τρόπου με τον οποίο η Τεχνητή Νοημοσύνη (ΤΝ) και ο αυτοματισμός αναδιαμορφώνουν τους εργασιακούς ρόλους, τις απαιτούμενες δεξιότητες και τις σχέσεις εργοδότη–εργαζομένου στον τεχνολογικό κλάδο, με έμφαση στην κυπριακή αγορά. Η μελέτη επιδιώκει να υπερβεί τις ντετερμινιστικές προσεγγίσεις της «αντικατάστασης θέσεων εργασίας» και να εξετάσει εμπειρικά τον μετασχηματισμό της εργασίας σε επίπεδο καθηκόντων, αυτονομίας και εργασιακής εμπειρίας. Η έρευνα ακολουθεί ποσοτικό, συγχρονικό ερευνητικό σχεδιασμό και βασίζεται στη συλλογή δεδομένων μέσω δομημένου διαδικτυακού ερωτηματολογίου. Το δείγμα αποτελείται από 27 επαγγελματίες του τεχνολογικού κλάδου, οι οποίοι απασχολούνται σε τεχνικούς και διοικητικούς ρόλους. Το ερωτηματολόγιο περιλάμβανε 20 ερωτήσεις κλίμακας Likert πέντε βαθμίδων (1–5) και κάλυπτε πέντε βασικές ενότητες: ενσωμάτωση ΤΝ, επανασχεδιασμό ρόλων, αντιληπτή αυτονομία και αποτελέσματα εργασιακής εμπειρίας. Η ανάλυση πραγματοποιήθηκε με περιγραφική στατιστική, συσχετίσεις και μοντέλα παλινδρόμησης. Τα αποτελέσματα δείχνουν ότι η ΤΝ δεν οδηγεί σε άμεση κατάργηση θέσεων εργασίας, αλλά σε ουσιαστικό επανασχεδιασμό των ρόλων. Οι εργασίες ρουτίνας αυτοματοποιούνται, ενώ αναδύονται νέες ευθύνες που σχετίζονται με την εποπτεία, την ενσωμάτωση και την αξιολόγηση συστημάτων ΤΝ, συνοδευόμενες από αυξημένες απαιτήσεις δεξιοτήτων. Παράλληλα, καταγράφεται μέτρια μείωση της αντιληπτής αυτονομίας, κυρίως στον έλεγχο του χρόνου και των μεθόδων εργασίας, με εντονότερες επιπτώσεις σε ρόλους εισαγωγικού επιπέδου και υποστηρικτικές θέσεις. Η εργασιακή εμπειρία εμφανίζει διττό χαρακτήρα, συνδυάζοντας μέτρια επίπεδα ικανοποίησης και δέσμευσης με αυξημένο τεχνοστρές σε περιβάλλοντα εντατικής χρήσης και παρακολούθησης. Η Διπλωματική Εργασία καταλήγει στο συμπέρασμα ότι ο αντίκτυπος της Τεχνητής Νοημοσύνης στην εργασία δεν είναι τεχνολογικά προκαθορισμένος, αλλά εξαρτάται σε μεγάλο βαθμό από οργανωσιακές επιλογές, πρακτικές διακυβέρνησης και επενδύσεις στην ανάπτυξη δεξιοτήτων. Η διατήρηση του ανθρώπινου ελέγχου, η παροχή εκπαίδευσης και η ανθρωποκεντρική εφαρμογή της ΤΝ αποτελούν κρίσιμους παράγοντες για τη μείωση της απώλειας αυτονομίας και του τεχνοστρές. Η μελέτη συμβάλλει εμπειρικά στη βιβλιογραφία για την ΤΝ και την εργασία και υπογραμμίζει την ανάγκη για μελλοντική διαχρονική έρευνα σχετικά με τις μακροπρόθεσμες επιπτώσεις του τεχνολογικού μετασχηματισμού. ENGLISH ABSTRACT This Master’s dissertation investigates how Artificial Intelligence (AI) and automation are transforming work in the technology sector, focusing on job role redesign, employee autonomy, and work experience in Cyprus. The primary objective is to empirically assess whether AI leads to job replacement or to a deeper reconfiguration of tasks, skills, and employment relations. A quantitative, cross-sectional methodology was employed using a structured online questionnaire administered to 27 technology professionals across technical and managerial roles. The instrument comprised 20 five-point Likert-scale items measuring AI integration, role redesign, perceived autonomy, and work experience outcomes. Data were analyzed using descriptive statistics, correlation analysis, and regression techniques. The results demonstrate that AI primarily operates at the task level, automating routine activities while generating new responsibilities related to AI supervision and system integration. However, AI adoption is also associated with a moderate decline in perceived autonomy, particularly in work scheduling and decision-making discretion. These effects are unevenly distributed, with junior and support roles experiencing greater vulnerability. In terms of work experience, AI contributes to both positive outcomes, such as enhanced engagement for highly skilled roles, and negative outcomes, notably increased technostress linked to algorithmic monitoring. The study concludes that AI-driven work transformation depends largely on organizational and governance choices rather than technological inevitability. Human-centric implementation, skill development, and transparency are essential for ensuring that AI adoption supports high-quality work rather than intensified control. The findings contribute to the empirical literature on AI and work and provide practical insights for technology organizations and policymakers.

2026-02-01T00:00:00Z