| dc.description.abstract | Manøvrering med full dekning krever planlegging og følging av en bane slik at en observasjonssensor eller robotdel dekker hele arbeidsområdet. Utformingen av baner med full dekning er et viktig problem ved kartlegging av havbunnen og mange andre anvendelser innen robotikk. Anvendelsen av dekningsalgoritmer har vært svært vellykket innen landbasert robotikk som robotstøvsugere og -gressklippere. Dekningsalgoritmer kan generelt klassifiseres som enten offline eller online. Offline algoritmer antar full forkunnskap om omgivelsene, mens online algoritmer benytter seg utelukkende av informasjon innhentet fra måleinstrumenter på roboten.
De fleste dekningsalgoritmer er offline algoritmer, selv for robotgressklippere. Online dekningsalgoritmer for marine overflatefartøy er enda vanskeligere å finne. Eksisterende metoder for kartlegging av havbunnen krever som oftest forhåndskunnskaper om området før kartleggingen kan begynne. Denne avhandlingen ønsker å løse dette problemet, og omhandler derfor utvikling og testing av et online system for manøvrering med full dekning til bruk i kartlegging av havbunnen med ubemannede overflatefartøy.
Det utviklede systemet bruker en billig 2D lidar og andre måleinstrumenter for posisjons- og orienteringsbestemmelse til samtidig lokalisering og kartlegging av omgivelsene. Denne informasjonen brukes videre av en online dekningsalgoritme som planlegger en kollisjonsfri bane gjennom arbeidsområdet. To forskjellige dekningsalgoritmer er vurdert. Én er basert på et bioinspirert nevralt nettverk, og den andre på å generere enkle gressklippermønster. Det ubemannede overflatefartøyets fart og svingeradius brukes til å sørge for at de genererte banene er gjennomførbare. En siktlinjebasert fartøystyringsmetode sørger til slutt for at fartøyet følger den genererte banen.
Systemet har blitt implementert ved bruk av Robot Operating System, og er publisert som åpen kildekode. Systemet har blitt testet og verifisert i simuleringer og virkelige eksperimenter med det ubemannede fartøyet Otter USV. Dekningsalgoritmen basert på gressklippermønster ga tilfredsstillende resultater, mens algoritmen basert på det bioinspirerte nevrale nettverket genererte ineffektive baner. Metodene for å sørge for gjennomførbare baner og styring av fartøyet fungerte også tilfredsstillende. Det foreslåtte systemet for fusjon av data fra måleinstrumentene var tilstrekkelig under visse forhold, men generelt ikke godt nok i inkluderingen av posisjonsdata fra GPS. Videre var ikke den billige 2D lidaren god nok for pålitelige objektdetektering i marine omgivelser.
Oppsummert så fungerte det utviklede systemet godt og oppnådde full dekning i simuleringer og under visse forhold også i virkelige eksperimenter. Metoden for fusjon av data fra måleinstrumentene fungerte imidlertid ikke godt nok og må forbedres. | |
| dc.description.abstract | Complete coverage maneuvering requires planning and following a path such that a sensor or end-effector covers every part of the workspace. The design of complete coverage paths is an essential problem in seabed mapping and many other robotic applications. The application of coverage algorithms has been very successful in land-based robots such as lawnmowers and vacuum cleaners. Independently, coverage algorithms can be classified as either offline or online. Offline algorithms assume full prior knowledge of the environment, while online algorithms rely on real-time sensor measurements.
Most complete coverage path planning (CCPP) algorithms are offline, their online use is not common, even for lawnmowers. Online CCPP approaches for marine surface vehicles are even harder to find. Existing methods for seabed mapping usually require information about the target region before the mapping can begin. To address this issue, this thesis considers the design and testing of an online complete coverage maneuvering system for seabed mapping with unmanned surface vehicles (USVs).
The proposed system uses a low-cost 2D lidar and vehicle motion sensors for simultaneous localization and mapping (SLAM). The information gathered from these onboard sensors is used by an online CCPP method in order to generate a collision-free path. Two different online CCPP methods are reviewed. One is based on a bio-inspired neural network (BINN), and the other on boustrophedon motions, also known as lawnmower patterns. The feasibility of the generated path is ensured by taking into account the USV's turning radius and speed. Finally, a line-of-sight guidance law generates continuous course and speed control to ensure that the USV tracks the generated path.
The proposed system has been implemented using the Robot Operating System (ROS) middleware, and is provided as open source packages. The system has been tested and verified in simulations and real-world experiments with the Otter USV. Results showed that the boustrophedon motions CCPP method performed satisfactorily, while the BINN CCPP method tended to generate inefficient paths. Methods for ensuring a feasible path and guidance managed to successfully make the Otter USV track the generated path. The proposed sensor fusion and SLAM system performed satisfactorily in certain situations, but was in general not good enough with the incorporation of IMU and GNSS data. Furthermore, the low-cost 2D lidar used in the experiments was, by itself, not capable of providing the detail necessary for accurate obstacle detection in marine environments.
In conclusion, the proposed system performed satisfactorily and achieved complete coverage in simulations, and in real-world experiments under certain conditions. However, the sensor fusion and SLAM system did not perform satisfactorily in real-world experiments and should be improved. | |
