BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250218T144723Z
LAST-MODIFIED:20250218T144723Z
DTSTAMP:20260719T221150Z
UID:1784488310@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ανδρέα Καλλιντέρη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=7565&cHash=c6f518626e500fc
 97f074ba9407e4526\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ανδρέα Καλλιντέ
 ρη\n με θέμα\n Δημιουργία Παραμετροπ
 οιήσιμων Ρομποτικών Περιβαλλόντων Εν
 ισχυτικής Μάθησης\n Building Configu
 rable Reinforcement Learning Robotic
  Environments\n Εξεταστική Επιτροπή\
 n Καθηγητής Γεώργιος Χαλκιαδάκης (επ
 ιβλέπων)\n Καθηγητής Θρασύβουλος Σπυ
 ρόπουλος \n Καθηγητής Μιχαήλ Λαγουδά
 κης\n Περίληψη\n Η δημιουργία τυποπο
 ιημένων υλοποιήσεων περιβάλλοντος κα
 ι ενός API για OpenAI/Gym, έχει επηρ
 εάσει την πρόσφατη έρευνα για ενισχυ
 τική μάθηση. Ωστόσο, το περιορισμένο
  αριθμό και δυνατότητες τρέχον σύνολ
 ο περιβαλλόντων αποτελεί εμπόδιο για
  την περαιτέρω εξέλιξη των αλγορίθμω
 ν ενισχυτικής μάθησης. \n Στην παρού
 σα διπλωματική εργασία, έχουμε αναπτ
 ύξει και παρέχουμε μια ποικιλία νέων
  περιβαλλόντων και πλαισίων για ρομπ
 οτική ενισχυτική μάθηση, συμπεριλαμβ
 ανομένων των Gymnasium/Mujoco-v5, Gy
 mnasium-Robotics/Maze-v5, και Gymnas
 ium-MaMuJoCo. \n Επίσης, παρέχουμε σ
 ύνολα δεδομένων για χρήση από offlin
 e RL μεθόδους σε περιβάλλοντα Gymnas
 ium/MuJoCo με το Minari API. Οι συνε
 ισφορές αυτές μπορούν να επιτρέψουν 
 στους ερευνητές να αναπτύξουν και να
  δοκιμάσουν νέους αλγορίθμους σε ένα
  πιο ρεαλιστικό περιβάλλον, το οποίο
  θα οδηγήσει σε πιο ισχυρούς και γεν
 ικευμένους αλγορίθμους ενισχυτικής μ
 άθησης.\n Abstract \n The creation o
 f standardized environments and an A
 PI for OpenAI/Gym has had a transfor
 mative impact on reinforcement learn
 ing research.\n However, the current
  set of standardized environments ne
 eds to be extended so as to contribu
 te to further advancements in reinfo
 rcement learning algorithms.\n In th
 is thesis, we have developed and pro
 vided a plethora of novel environmen
 ts and frameworks for robotic reinfo
 rcement learning, including Gymnasiu
 m/Mujoco-v5, Gymnasium-Robotics/Maze
 -v5, and Gymnasium-Robotics/MaMuJoCo
 .\n These advancements can potential
 ly enable researchers to develop and
  test new algorithms in a more reali
 stic and challenging environment, wh
 ich will ultimately lead to more rob
 ust and generalizable reinforcement 
 learning algorithms.\n Meeting ID: 9
 31 9703 9006\n Password: 561314\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250307T090000
DTEND:20250307T100000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR