Περιγραφή

Η εργασία θα επικεντρώνεται στη συλλογή και προ επεξεργασία δεδομένων που προέρχονται από τις επικοινωνίες μεταξύ UAV και σταθμού ελέγχου (GCS), με στόχο την ανάπτυξη και αξιολόγηση μοντέλων μηχανικής και βαθιάς μάθησης (ML/DL) για ανίχνευση ανωμαλιών. Ο φοιτητής θα εξετάσει διαθέσιμα datasets (π.χ. UAV telemetry logs, simulated attacks σε Gazebo/Ardupilot) και θα εφαρμόσει τεχνικές καθαρισμού, κανονικοποίησης και feature engineering. Στη συνέχεια, θα μελετηθούν υπάρχοντα μοντέλα (SVM, Random Forest, LSTM, Autoencoders) και θα επιχειρηθεί η δημιουργία ενός ελαφριού, προσαρμοσμένου μοντέλου (π.χ. TinyML decision tree ή μικρό LSTM) για on-board ανίχνευση. Η εργασία θα συνδυάσει θεωρητική ανάλυση με πρακτική πειραματική αξιολόγηση, παρέχοντας χρήσιμα συμπεράσματα για την αποτελεσματικότητα των μοντέλων σε πραγματικά σενάρια UAV–GCS.