Using Monte Carlo simulations to evaluate adaptive sampling strategies in synthetic and real ocean models
Master thesis
Date
2021Metadata
Show full item recordCollections
- Institutt for marin teknikk [3448]
Abstract
Arven etter Nansen er et prosjekt som jobber for å forbedre tradisjonelle målinger gjort fra skip. En av måtene dette blir gjort på, er ved bruk av autonome undervannsfarkoster til adaptiv prøvetaking. Ved bruk av adaptiv prøvetaking i stedet for tradisjonelle prøvetakingsmetoder kommer det nye utfordringer og samtidig åpner det for optimalisering av prøvetakingsmetoden. Basert på teori fra relevante artikler og simuleringer i Python, har en adaptiv prøvetakingsmetode blitt laget.
Denne oppgaven presenterer den nødvendige teorien for at slike algoritmer skal fungere effektivt. Ved bruk av denne teorien har adaptiv prøvetaking blitt gjennomført. Å bruke en gaussisk prosess modell for å modellere området omkring farkosten er en viktig del av dette arbeidet. Denne modellen gjør det mulig å modellere den romlige statstikken og gir et mål på usikkerhet.
For å evaluere ytelsen til den adaptive prøvetakingsmetoden har Monte Carlo simuleringer blitt gjennomført. Monte Carlo simuleringer har ikke blitt gjennomført for de andre kartleggingsalgorimene, siden disse gir en deterministisk rute, som bare er avhengig av usikkerheten i feltet. The Nansen Legacy project works towards enhancing traditional measurements made from boats. One of the approaches to this is using autonomous underwater vehicles (AUVs) for adaptive sampling. Using adaptive sampling over traditional measurement regimes imposes new challenges, and allow for optimisation of the sampling strategy. Based on theory from recent papers and simulations using Python, adaptive behaviour has been achieved.
This thesis presents theory which is needed to allow such algorithms to work efficiently. Using this theory, simulations of adaptive sampling have been performed. Using a Gaussian Process model to predict the surroundings is an important aspect of this work. These offer a practical probabilistic approach to modelling spatial dependent data and uncertainty.
To evaluate the performance of the adaptive algorithm, Monte Carlo simulations have been conducted. Monte Carlo simulations have not been performed for the other path planning algorithms, as these provide a deterministic path, only dependant on the uncertainty of the field. The overall performance using a synthetic ocean model has been compared to the performance using a SINMOD ocean model.