AutoVoyage: Autonom baneplanlegging, banegenerering, og banefølging for autonome skip under transit

Abstract

Denne avhandlingen presenterer et komplett system for autonom baneplanlegging, banegenerering og banefølging for et marint overflateskip.

Baneplanleggeren er delt inn i en global planlegger med lav oppløsning, som planlegger en grov rute fra startposisjon til målposisjon, og en lokal baneplanlegger som produserer mellomliggende veipunkter og utfører kollisjonsunngåelse. For den globale banen er operasjonsområdet partisjonert ved hjelp av Voronoi-diagrammer, på grunn av metodens effektivitet og innebygde klaring til hindringer. Den optimale banen gjennom partisjoneringen blir så funnet ved hjelp av søkealgoritmen A*, og raffineres slik at den bare inneholder nødvendige veipunkter.

En tilnærming basert på biologisk inspirerte nevrale nettverk for sanntids-baneplanlegging brukes til å implementere den lokale baneplanleggeren. Metoden er basert på en dynamisk aktivitet landskapsrepresentasjon av miljøet som fartøyet opererer i. Ved å knytte hver celle i en partisjonering med et nevron i det nevrale nettverket, blir miljøet oversatt til et dynamisk aktivitetslandskap der målposisjoner blir topper og hindringer blir daler. Den optimale banen gjennom partisjoneringen blir funnet ved å følge den dynamiske aktiviteten til toppen av aktivitetslandskapet er nådd.

Den lokale og globale baneplanleggingen integreres ved hjelp av en metode for hybrid baneparametrisering, slik at den totale banen fra start til slutt blir en glatt kurve. Dette sikrer gode overganger mellom banesegmentene som utgjør den totale banen. Kontrollproblemet, som er formulert som et manøvreringsproblem, er å følge denne banen med en gitt hastighet. Dette oppnås ved hjelp av en kontroller designet med backstepping.

Den eksperimentelle plattformen brukt i denne oppgaven er modellskipet C/S Artic Drillship, som er en 1:90 skala modell av et arktisk drillskip designet av Inocean. Tester er utført på Marine Cybernetics Laboratory, NTNU.

Systemet har blitt validert både gjennom simuleringer og eksperimenter, som viste gode resultater.

This thesis presents a complete system for autonomous path-planning, path generation and maneuvering control for a marine surface vessel.

The path-planner is divided into a global low-resolution path-planner, which plans a coarse route from point of departure to point of arrival, and a local high-resolution path-planner, which produces the intermediate waypoints on the global path and performs obstacle avoidance. For the global path, the operation area is partitioned using Voronoi diagrams, due to its low computational cost and built-in clearance to obstacles. A* search is then used to find in terms of waypoints the shortest route through the partitioning. Excess waypoints are then removed from the path to reduce heading changes and path length.

A bio-inspired neural network approach for real-time trajectory generation is used to implement the local path-planner. The approach is based on a dynamic activity landscape representation of the environment that the vessel operates in. By associating each cell in a grid decomposition with a neuron in the neural network architecture, the environment is translated into a dynamic activity landscape where the target locations become peaks and obstacle locations become valleys. The optimal path is then found by following a steepest gradient ascent rule, until the peak of the activity landscape is reached.

The local and global path-planning is integrated using hybrid path parametrization, such that the total path from point of departure to point of arrival becomes a smooth curve, ensuring bumpless transfer where path segments are connected. The control problem, which is formulated as a maneuvering problem, is to follow this path with a given speed assignment. This is achieved using a backstepping controller design.

The experimental platform used in this thesis is C/S Artic Drillship, which is a 1:90 scale model of an Artic drillship designed by Inocean. Testing is carried out at the Marine Cybernetics Laboratory at NTNU.

The system has been validated both through simulations and experiments, which yielded good results.