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:20260504T141002Z
LAST-MODIFIED:20260504T141002Z
DTSTAMP:20260520T140025Z
UID:1779274825@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Σταματίου Αλεξίου - 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=8393&cHash=8001d050717bb21
 eb13e4370162fa60d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Σταματίου Αλεξί
 ου\n με θέμα\n Διεπαφή Επαυξημένης Π
 ραγματικότητας για τον Έλεγχο Ρομποτ
 ικού Βραχίονα μέσω Εστίασης Βλέμματο
 ς\n Augmented Reality Interface for 
 Robotic Arm Control via Gaze-Based I
 nteraction\n Εξεταστική Επιτροπή\n Κ
 αθηγήτρια Αικατερίνη Μανιά (επιβλέπο
 υσα)\n Καθηγητής Μιχαήλ Λαγουδάκης\n
  Επίκουρος Καθηγητής Νικόλαος Γιατρά
 κος\n Περίληψη\n Οι Διεπαφές Ανθρώπο
 υ-Ρομπότ είναι καθοριστικές για τη γ
 εφύρωση του χάσματος μεταξύ ανθρώπων
  και ρομπότ, επιτρέποντας τη διαισθη
 τική επικοινωνία και συνεργασία. Η ρ
 ομποτική διαδικασία επιλογής και τοπ
 οθέτησης (pick-and-place) αποτελεί τ
 ον πυρήνα του αυτόνομου χειρισμού. Ό
 ταν εκτελείται σε περιβάλλοντα με πο
 λλά αντικείμενα ή αυξημένη πολυπλοκό
 τητα, τα ρομπότ πρέπει να συνεκτιμού
 ν την επιλεγμένη λαβή και τις επιθυμ
 ητές θέσεις τοποθέτησης, προκειμένου
  να διασφαλιστεί η επιτυχής εκτέλεση
 .\n Η παρούσα διπλωματική εργασία πα
 ρουσιάζει ένα πλαίσιο επαυξημένης πρ
 αγματικότητας (AR) βασισμένο σε προσ
 ομοίωση, το οποίο είναι σχεδιασμένο 
 να υποστηρίζει τον έλεγχο ενός ρομπο
 τικού βραχίονα, καθοδηγούμενο από το
  βλέμμα, για εργασίες επιλογής και τ
 οποθέτησης αντικειμένων. Η προτεινόμ
 ενη διεπαφή επιτρέπει στους χρήστες 
 να επιλέγουν το αντικείμενο-στόχο εί
 τε μέσω της παραμονής του βλέμματος 
 (gaze dwell) είτε μέσω αλληλεπίδραση
 ς με βλεφάρισμα (blink). Μόλις επιλε
 γεί ένα αντικείμενο, παράγονται υποψ
 ήφιες στάσεις λαβής από ένα ενσωματω
 μένο σύστημα Ανίχνευσης Θέσης Λαβής 
 (Grasp Pose Detection - GPD) που λει
 τουργεί στο νέφος σημείων (point clo
 ud) του αντικειμένου, παράγοντας τις
  δέκα κορυφαίες εφικτές διαμορφώσεις
  σύλληψης. Ωστόσο, δεδομένου ότι το 
 σύστημα GPD δεν λαμβάνει υπόψη την π
 ολυπλοκότητα της σκηνής, εκπαιδεύτηκ
 ε ένα μοντέλο μηχανικής μάθησης για 
 να αξιολογεί τις παραγόμενες λαβές μ
 ε βάση την καταλληλότητά τους μέσα σ
 τη δεδομένη σκηνή. Για τον καθορισμό
  της τοποθέτησης, ο χρήστης χειρίζετ
 αι έναν εικονικό κλώνο του επιλεγμέν
 ου αντικειμένου στον χώρο χρησιμοποι
 ώντας την προσήλωση του βλέμματος (g
 aze fixation) και τον σταθεροποιεί σ
 την επιθυμητή θέση τοποθέτησης μέσω 
 βλεφαρίσματος. Αφού αποκτηθούν τόσο 
 οι θέσεις λαβής όσο και τοποθέτησης,
  οι πληροφορίες αυτές μεταδίδονται σ
 το Robot Operating System (ROS). Στη
  συνέχεια, ο σχεδιασμός της κίνησης 
 και η παραγωγή της τροχιάς πραγματοπ
 οιούνται χρησιμοποιώντας το εργαλείο
  MoveIt, διασφαλίζοντας εκτέλεση χωρ
 ίς συγκρούσεις. Η προκύπτουσα τροχιά
  αποστέλλεται πίσω στο σύστημα, όπου
  ο χρήστης λαμβάνει οπτική ανατροφοδ
 ότηση σε πραγματικό χρόνο για το ρομ
 πότ που εκτελεί την εργασία ή, σε πε
 ρίπτωση αποτυχίας, ένα ενημερωτικό μ
 ήνυμα που υποδεικνύει την αιτία (π.χ
 ., μη προσβάσιμος στόχος). Το προτει
 νόμενο πλαίσιο αξιολογήθηκε σε προσο
 μοιωμένα σενάρια χειρισμού με δύο επ
 ίπεδα πολυπλοκότητας σκηνής. Τα αποτ
 ελέσματα καταδεικνύουν αξιόπιστη επι
 λογή αντικειμένου με βάση το βλέμμα,
  αποτελεσματική εκτέλεση της λαβής κ
 αι αποδοτική ολοκλήρωση της εργασίας
 . Συνολικά, η εργασία αυτή συμβάλλει
  στους τομείς της επαυξημένης πραγμα
 τικότητας και του ρομποτικού χειρισμ
 ού, παρουσιάζοντας μια διεπαφή AR κα
 θοδηγούμενη από το βλέμμα, η οποία ε
 νσωματώνει την επιλογή λαβής μέσω μη
 χανικής μάθησης με τον σχεδιασμό κίν
 ησης που βασίζεται στο ROS.\n Abstra
 ct \n Human-Robot Interfaces are piv
 otal in bridging the gap between hum
 ans and robots, enabling intuitive c
 ommunication and collaboration. Robo
 tic pick-and-place constitutes the c
 ore of autonomous manipulation. When
  conducted in cluttered or complex e
 nvironments, robots must jointly rea
 son about the selected grasp and des
 ired placement locations to ensure s
 uccessful execution. This thesis pre
 sents a simulation-based augmented r
 eality (AR) framework designed to su
 pport gaze-driven control of a robot
 ic arm for object pick-and-place tas
 ks. The proposed interface allows us
 ers to select the target object eith
 er through gaze dwell or blink inter
 action. Once an object is selected, 
 candidate grasp poses are generated 
 by an integrated Grasp Pose Detectio
 n (GPD) system operating on the obje
 ct’s point cloud, producing the top 
 ten feasible grasp configurations. H
 owever, since GPD does not take into
  consideration scene complexity, a m
 achine learning model is trained to 
 evaluate the generated grasps based 
 on their suitability within the give
 n scene. For placement specification
 , user manipulates a virtual clone o
 f the selected object in space using
  gaze fixation and locks it at the d
 esired placement position via blinki
 ng. After, both grasp and placement 
 poses have been acquired, this infor
 mation is transmitted to the Robot O
 perating System (ROS). Motion Planni
 ng and trajectory generation are the
 n performed using MoveIt, ensuring c
 ollision-free execution. The resulti
 ng trajectory is sent back to the sy
 stem, where user receives real-time 
 visual feedback of the robot perform
 ing the task or, in the case of fail
 ure, an informative log indicating t
 he cause (e.g., unreachable target).
  The proposed framework was evaluate
 d in simulated manipulation scenario
 s with two levels of scene complexit
 y. The results demonstrate reliable 
 gaze-based object selection, effecti
 ve grasp execution, and efficient ta
 sk completion. Overall, this work co
 ntributes to the fields of augmented
  reality and robotic manipulation by
  presenting a gaze-driven AR interfa
 ce that integrates learning-based gr
 asp selection with ROS-based motion 
 planning.\n Meeting ID: 989 8380 362
 7\n Passcode: 688370\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260507T163000
DTEND:20260507T173000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR