Η Επιστήμη πίσω από την Καινοτομία: Ανάλυση του Βραβευμένου Project

 Η διάκριση της Unique Tech στο ACSTAC 2026 δεν ήταν μόνο αποτέλεσμα τεχνικής αρτιότητας, αλλά και βαθιάς ερευνητικής εργασίας. Σήμερα, παρουσιάζουμε τα επιστημονικά δεδομένα και τη μεθοδολογία που οδήγησαν στη δημιουργία του Αυτόνομου Βιο-Ρομποτικού Συστήματος παρακολούθησης της σχολικής ευεξίας.

Η Προβληματική της Έρευνας

Η ποιότητα του εσωτερικού αέρα στις σχολικές αίθουσες αποτελεί έναν κρίσιμο αλλά συχνά παραμελημένο παράγοντα που επηρεάζει άμεσα τη γνωστική λειτουργία. Η έρευνά μας επικεντρώθηκε στην επίδραση των αερίων ρύπων και των αιωρούμενων σωματιδίων στη φυσιολογία των μαθητών.

Τα Ευρήματα των Μετρήσεων

Κατά τη διάρκεια των δοκιμών σε πραγματικές συνθήκες διδασκαλίας, καταγράψαμε τα εξής δεδομένα:

• Διοξείδιο του Άνθρακα (CO2): Σε μια τυπική διδακτική ώρα 40 λεπτών με κλειστά παράθυρα, τα επίπεδα αυξήθηκαν από τα 420 ppm (φυσιολογικά επίπεδα εξωτερικού περιβάλλοντος) στα 1.150 ppm.

• Βιομετρική Ανταπόκριση: Η αύξηση της συγκέντρωσης CO2 συνοδεύτηκε από μια μέση άνοδο του καρδιακού ρυθμού κατά 7 παλμούς ανά λεπτό (bpm), υποδηλώνοντας την αυξημένη προσπάθεια του οργανισμού να διατηρήσει τα επίπεδα οξυγόνωσης.

• Σωματιδιακή Ρύπανση (PM2.5): Εντοπίστηκαν διακυμάνσεις που συνδέονται άμεσα με τη δραστηριότητα εντός της αίθουσας, επηρεάζοντας τη μακροπρόθεσμη υγεία του αναπνευστικού συστήματος.

Αλγοριθμική Καινοτομία και Βιομιμητισμός

Η πρωτοτυπία του συστήματος έγκειται στον τρόπο εντοπισμού των ρύπων. Αντί για στατικούς αισθητήρες, χρησιμοποιήσαμε ένα κινητό ρομπότ που βασίζεται στον αλγόριθμο Run and Tumble.

Ο αλγόριθμος αυτός μιμείται τη συμπεριφορά του βακτηρίου E. coli για την αναζήτηση τροφής (χημειοταξία). Το ρομπότ μας «κολυμπά» προς την κατεύθυνση όπου η συγκέντρωση των ρύπων είναι υψηλότερη, επιτρέποντας τη χαρτογράφηση της αίθουσας σε τρεις διαστάσεις και τον εντοπισμό των σημείων που απαιτούν άμεσο αερισμό.

Ερμηνεύσιμη Τεχνητή Νοημοσύνη (XAI)

Στην καρδιά του λογισμικού βρίσκεται ένα μοντέλο Explainable AI. Σε αντίθεση με τα παραδοσιακά συστήματα, η δική μας AI δεν δίνει απλώς μια ένδειξη κινδύνου, αλλά παρέχει αιτιολόγηση των αποφάσεών της. Χρησιμοποιώντας τεχνικές όπως το SHAP (SHapley Additive exPlanations), το σύστημα επικοινωνεί στον χρήστη ποιοι συγκεκριμένοι παράγοντες οδήγησαν στην ανάγκη παρέμβασης.

Συμπεράσματα και Μελλοντικές Προοπτικές

Η εργασία μας αποδεικνύει ότι η τεχνολογία μπορεί να λειτουργήσει ως ένα «τεχνητό αισθητηριακό σύστημα» που προστατεύει την κοινότητα. Η χρήση συνθετικών δεδομένων για την αρχική εκπαίδευση του μοντέλου έδωσε ακρίβεια που αγγίζει το 98%, ενώ στόχος μας είναι η επέκταση της έρευνας με τη συλλογή δεδομένων από διαφορετικά σχολικά περιβάλλοντα για την περαιτέρω γενίκευση του αλγορίθμου.

Unique Tech | Τμήμα Έρευνας και Ανάπτυξης 

Sparmatseto Robotics