Robust Distance Estimation of Remotely-Operating Underwater Drones for Monitoring Applications

Abstract

Denne oppgaven introduserer bruken av maskinlæring-algoritmer, mer presist «deep learning», for å lage en algoritme som på en robust måte estimerer distansen til «Remotely Operating Vehicles (ROV)». Dette er i forhold til akvakulturnett for å fremme autonom overvåking av fiskenes bur. En «Doppler Velocity Log (DVL)» is festet på fremsiden av ROV. Denne metoden tar utgangspunkt i den tilbakelagte avstanden fra DVL-strålingen, for tilnærming av formen på nettet som en plan. Denne tilnærmingen er videre brukt som inngang til «guidence law». «Guidence law» estimerer hastigheten til bølgesvingene for ROV sitt kontrollsystem. Navigasjonssystemet til ROV oppdaterer informasjon til kontroll og veiledningssystemet for hver posisjon. Dermed gir DVL sitt avstandsbaserte navigering og kontrollsystemet til ROV, en autonom kryssing av nettet.

Samhandlingen mellom fiskene, nettet og DVL kan redusere nøyaktigheten og påliteligheten til DVL målingene. Den reduserte kvaliteten eller tapet av DVL-målingene er avgjørende/kritiske for ROV-kontrollsystemet. Veiledningen-, navigasjonen- og kontrollsystemet er ikke lenger i stand til å nøyaktig beregne ROV’s avstand og retning i forhold til nettpennen. For å fjerne støyen som blir introdusert av fisken, blir DVL-dataene trent ved hjelp av en 1D-Convolutional Neural Network (CNN) -modell. Det nevrale nettverket vil estimere avstanden til DVL-strålingene i forhold til nettet, og dermed gjøre veiledningen, navigasjonen og kontrollsystemet til ROV mer robust.

For å trene 1D-CNN-modellen, blir en tids-serie syntetisk data generert ved hjelp av simuleringsmotoren «FhSim» fra SINTEF Ocean. Den genererte syntetiske dataen er en kombinasjon av en modell som beskriver fiskens oppførsel og tidsserie hydroakustiske strålinger fra FhSim. Videre er den trente modellen testet på data fra feltforsøk utført i en akvakulturnettpenn. Testene viser at den trente modellen nøyaktig reduserer støyen fra fiskene og dermed bekrefter ytelsen av det foreslåtte nevrale nettverket.

Treningen av dataen basert på syntetisk data har vist seg å være robust til estimere den relative avstanden fra ROV til nettet.

This thesis introduces the use of a machine-learning algorithm, specifically deep learning for the robust distance estimation of the Remotely Operating Vehicles (ROV) relative to aquaculture net-pen for promoting autonomous monitoring of the fish cages. A Doppler Velocity Log (DVL) is mounted on the frontal side of the ROV. The method uses distance travelled by the DVL beams to approximate the shape of the net as a plane. Furthermore, the net approximation is used as an input to the guidance law. The guidance law estimates the surge and sway velocities for the control system of the ROV. The navigation system of the ROV provides heading to the control system and guidance system for every state update. Therefore, the DVL distance-based guidance, navigation, and control system of the ROV provides autonomous traversing of the net.

The interference of fish between the net and the DVL can reduce the accuracy and reliability of the DVL measurements. The reduced quality or loss of the DVL measurements is critical for the ROV control system. The guidance, navigation, and control system are no longer able to accurately calculate the ROV's distance and orientation relative to the net pen. To remove the interference of noise from fish, the DVL data are trained by using a 1D-Convolutional Neural Network (CNN) model. The neural network estimates the distance of the DVL beams relative to the net, thus making the guidance, navigation, and control system of the ROV more robust.

To train the 1D-CNN model, time-series synthetic data is generated using the simulation engine FhSim hosted by the SINTEF Ocean. The generated synthetic data is the combination of the fish movement behaviour model and the time-series hydro-acoustical beams from the FhSim. The trained model is tested on data from field trials conducted in an aquaculture net pen. The tests show that the trained model accurately denoises the fish's effect, thus verifying the proposed neural network's performance.