Show simple item record

dc.contributor.advisorLekkas, Anastasios
dc.contributor.authorVallestad, Ingunn Johanne
dc.date.accessioned2019-10-31T15:07:36Z
dc.date.available2019-10-31T15:07:36Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2625707
dc.description.abstractInteressen for fullt autonome kjøretøy har økt raskt i løpet av de siste årene, motivert av løfter om økt effektivitet samt reduserte kostnader og miljøpåvirkning. Innenfor fartøystyring er kollisjonsunngåelse en viktig del av full autonomi, da slike oppgaver vanligvis innebærer å følge en sti i tillegg til deteksjon og unngåelse av uforutsette hindringer. Spesielt for maritim navigasjon er at fartøyet også må følge de internasjonale reglene for kollisjonsunngåelse på sjøen (COLREGS). Reglene ble utarbeidet for å passe til menneskelig resonnering og har ennå ikke blitt tilpasset maskiners fastsatte natur, noe som gjør det utfordrende å utvikle autonome marine fartøy. Fremskritt gjort innen kunstig intelligens og dyp læring støtter påstanden om at intelligente autonome systemer er innen rekkevidde, og dyp forsterkende læring (eng. deep reinforcement learning, DRL) er et av feltene som er svært lovende. DRL-metoder optimerer oppførsel basert på et brukerdefinert ytelsesmål og krever ingen tidligere kunnskap om de kontrollerte fartøyenes dynamikk eller om verdenen som opereres i, og er derfor velegnet for komplekse oppgaver der miljøforstyrrelser og modelleringsunøyaktigheter er til stede. I denne oppgaven vil en DRL-algoritme egnet for kontinuerlige systemer anvendes på to ulike fartøy i et sti-følgesystem med hastighetskontroll. Resultatene viser at kontrollsystemet er vellykket i den forstand at det kan optimalisere pådraget for å oppnå sti-følging. Sti-følgesystemet har blitt videreutviklet for inkludering av kollisjonsunngåelse, og eksperimenter med et containerskip i en typisk situasjon innen kollisjonsunngåelse viser lovende resultater. Det foregående illustrerer dyp forsterkende lærings potensiale innen kompliserte oppgaver, og tyder på at DRL kan anvendes til utvikling av fullstendig autonome systemer for kollisjonsunngåelse.
dc.description.abstractInterest in fully autonomous vehicle control has increased rapidly in recent years, motivated by promises of higher efficiency as well as reduced cost and environmental impact. Within vessel control, collision avoidance is a vital component of full autonomy, as it usually entails the following of a path as well as detection and avoidance of unforeseen obstacles. In marine navigation in particular, the vessel is also required to follow the International Regulations for Preventing Collision at Sea (COLREGS). The regulations were created to suit human reasoning and have not yet been fully adapted to the fixed nature of computers, thus complicating the development of autonomous marine vessels. Advances within artificial intelligence and deep learning have supported the claims that intelligent autonomous systems are achievable, and deep reinforcement learning (DRL) is one of the fields that have shown great promise. DRL methods optimise behaviour based on a user-specified performance measure and require no a priori knowledge of dynamics of the controlled vessels or the world they operate in, and are therefore well suited for complex tasks involving environmental disturbances and inaccuracy in modelling. In this thesis, a DRL algorithm suitable for continuous systems will be used in the implementation of a path following system with surge control, which is applied to two different vessels. Results show a successful control system that is able to optimise its control input to achieve approximate path convergence. The path following system is further developed to include collision avoidance, and experimental results in a collision avoidance situation with a container vessel show promising results. This illustrates the potential DRL has in solving complicated control tasks and indicates that completely autonomous collision avoidance can be developed using DRL.
dc.languageeng
dc.publisherNTNU
dc.titlePath Following and Collision Avoidance for Marine Vessels with Deep Reinforcement Learning
dc.typeMaster thesis


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record