Decentralized Model Predictive Control for Increased Autonomy in Fleets of ROVs

Abstract

Denne oppgaven dokumenterer design og implementering av en desentralisert modellprediktiv reguleringsarkitektur i et sett med BlueROV2 Heavy. Oppgaven dekker matematisk modellering av undervannsfarkosten, design av MPC, implementering i ROS 2 og simulering av sluttproduktet.

Den matematiske modellen er uttrykt på form av Fossens robotinspirerte matrise-vektormodell for marinefartøy. Modellen blir gjennomgått matrise for matrise, og er parametrisert både med kvaternioner og Euler vinkler. En alternativ modell som tar hensyn til ikke roterende havstrømmer presenteres også.

De fjernstyrte undervannsfarkostene kommuniserer gjennom optiske sensorer, og derfor er siktlinje mellom farkostene en forutsetning for kommunikasjon. I den sammenhengen er en modellprediktiv regulator utformet som oppnår dette kun ved å ha tilgang til den andre farkostens posisjon. En alternativ kostfunksjon, som plasserer alle farkostene ved randen av en sirkel, definert av en radius rundt ett punkt, utledes også.

Antikollisjonssystem og presis banefølging er også en nødvendighet i fleragentsystemer, der flere enheter er i umiddelbar nærhet av hverandre. Regulatoren var designet for å håndtere dette, i tillegg til å holde siktlinjen mellom undervannsfarkostene.

Systemet ble implementert i ROS 2, og det ble utviklet en grafisk brukergrensesnitt med to hovedkontrollmoduser, én for baneplanlegging og én for joystick-kontroll. I tillegg ble det satt opp en modus for diverse standard tester.

Simuleringene ble utført i både Python og ROS 2 med Gazebo, og fire tester ble designet for å evaluere regulatoren ytelse. Disse testene ble kjørt under forskjellige forhold, som for eksempel med havstrømmer, pakketap, og modifikasjoner av systemparametere. Hver test ble utført 100 ganger med to agenter i Gazebo.

Resultatene viste at regulatoren fungerte. Antikollisjonssystemet sviktet i mindre enn 1% av testene, og regulatoren fulgte banene gitt. Likevel viste resultatene at regulatoren strevde med å opprettholde siktlinje, og fullstendig robusthet ble dermed ikke oppnådd. Python-simulatoren opplevde imidlertid ingen brudd på begrensningene som ble satt, og banen til undervannsfarkostene fulgte referansen.

This thesis aims to document the design and implementation of a decentralized model predictive control architecture in a set of BlueROV2 Heavys. The thesis covers the mathematical modelling of the ROV, the design of the MPC, its implementation in ROS 2, and simulations of the final product.

The mathematical model is in the form of Fossen’s robot-inspired matrix-vector model for marine craft. The model is described matrix by matrix, and parametrized using both quaternions and Euler angles. An alternative model that accounts for irrotational ocean currents is also presented.

The ROVs communicate through optical sensors, and therefore the line of sight between the ROVs is a prerequisite for communication. In that context, a model predictive controller is designed that achieves this by knowing the other ROV’s position. An alternative cost function, that locates all ROVs at the edge of a circle, defined by a radius and a point is also derived.

Collision avoidance and precise trajectory following are also a necessity to enable cooperation in multi-agent systems, where several agents are in close proximity to one another. The controller was designed to handle this, in addition to maintaining line of sight.

The implementation was done in ROS 2 and a graphical user interface was developed with two main control modes, one for trajectory planning and one for joystick control. A mode for running standardised tests was also developed.

The simulations were performed both for Python and ROS 2 with Gazebo, and a set of four tests were designed to evaluate the controllers’ performance. These tests were run under different conditions, such as ocean currents, packet loss, and modifications of system parameters. Each test was conducted 100 times with two agents in Gazebo.

The test results proved the controller capable. With less than 1% failure rate in collision avoidance, and path-following capabilities. However the results show that the controller did experience challenges with maintaining line of sight, and thus complete robustness in was not achieved. The Python simulator, however, did not experience any violation of the constraints, with the trajectory of the ROVs closely following the reference.