Current Estimation for Small Autonomous Passenger Ferry

Abstract

Autonomien i maritime næringer blir stadig bedre, noe som gjør at flere innovative prosjekter settes i gang. Nå som selvkjørende busser har blitt en realitet på veien, har det også blitt åpnet opp for idéen om selvkjørende vannbusser. Disse vannbussene vil gjøre det mulig å skape billigere urbane transportforbindelser, uten at de er til hinder for annen vanntransport.

En utfordring med autonome skip er at de må oppnå samme nivå av oppfatning og tolkning av det omliggende miljøet som et menneske. Flere teknikker for hindringsdeteksjon, baneplanlegging og kollisjonsunngåelse utvikles derfor for å forbedre situasjonsforståelsen til et fartøy. Teknologier fra andre industrier, spesielt bilindustrien, kan også bli anvendt på autonome skip, men det er fortsatt noen problemer som gjenstår å løse.

Tidligere har det vist seg vanskelig å oppnå gode estimater for strømhastigheten i vann, og i dynamiske posisjoneringssystemer blir strøm ofte tatt hensyn til i form av en bias. Denne biasen inkluderer også umodellert dynamikk. Hovedtemaet i denne masteroppgaven har derfor vært å undersøke metoder for å estimere strøm, i tillegg til å se nærmere på hvordan strømestimat kan være nyttig for baneplanlegging og kollisjonsunngåelses-algoritmen for et autonomt fartøy.

Masteroppgaven forselår en arkitektur som beskriver relevansen av et strømestimat. Denne arkitekturen forklarer hvordan strømestimatene, sammen med annen kunnskap om omgivelsene og skipets status, kan forbedre baneplanleggings og kollisjonsunngåelses-algoritmen. Nødvendig data om skipets omgivelser består av informasjon om potensielle hindringer, som er oppnådd ved bruk av forskjellige sensorer. Informasjon om skipets status innebærer informasjon om maksimal thrusterkapasitet og total mengde energi tilgjengelig for propulsjon.

To typer metoder har blitt utviklet for å utføre strømestimering. Én ved bruk av det utvidede Kalman-filteret, og en ved bruk av maskinlæring. Innen maskinlæring ble det sett på to forskjellige typer nettverk, som bestod av enten dype nevrale nett eller radielle basisfunksjonsnettverk. Det utvidede Kalman-filteret ga gode resultater for både simulert og eksperimentell data, men det viste seg å være vanskelig å tune. Det ble også demonstrert hvordan eksakt kunnskap om de sanne kontrollkreftene og Coriolis, sentripetal og dempningsmatrisene er avgjørende for nøyaktige strømestimater. Dette viste seg å stemme for maskinlæringsmetodene også. Maskinlæringsmetodene som ga de beste strømestimatene bestod av enten et tett koblet dypt nevralt nett bestående av tre skjulte lag, med 500 nevroner, i tillegg til mellomliggende "dropout" lag med en rate på 0.2, eller et radielt basisfunksjonsnettverk av 100 neuroner, hvor bredden tilhørende senteret av hvert nevron varierte over variablene i input dataen. Fordelen med det radielle basisfunksjonsnettverket er at resultater oppnås med færre parametere.

Begge metodene viste lovende resultater på eksprimentell data. De oppnådde strømestimatene antas derfor å være av verdi, og til å kunne videre forbedre situasjonsfortåelsen til et autonomt fartøy.

The autonomy within maritime industries is improving, and several innovative projects are thus emerging. Just as autonomous buses are entering the streets, the idea of using autonomous water buses has also been proposed. Water buses will make it possible to create cheaper urban connections, and this without blocking other waterway transport.

One challenge related to autonomous vessels is that they need to obtain the same level of perception and interpretation of the surrounding environment as a human being. Many techniques for obstacle detection, path planning, and collision avoidance are under development, in order to improve the situation awareness. Technologies created for other industries, especially the automobile industry, can also be applied to autonomous vessels, though some problems remain to be solved.

Traditionally, it has proven difficult to obtain good estimates of the velocity of the water current. Therefore, the current is usually incorporated in the form of a bias in dynamic positioning systems, which also includes the unmodeled dynamics. The main topic of this thesis has thus been to further investigate methods of estimating the current velocity, along with how these current estimates could be relevant for a path planning and collision avoidance algorithm of an autonomous vessel.

A proposed architecture explaining the relevance of the current estimate has been developed. This architecture explains how the estimates of the current, together with typical knowledge regarding the surroundings of the vessel and the ship status of the vessel, can be used to improve the path planning and collision avoidance algorithm. Necessary information regarding the surroundings includes knowledge about potential obstacles, obtained through various sensors. The ship status should include information about the maximum capacity of the thrusters and the total energy available for propulsion.

Two types of methods for performing current estimation have also been developed. One using the extended Kalman filter and one using machine learning. Within machine learning, two methods were studied, consisting of either deep densely connected neural networks, or radial basis function networks. The extended Kalman filter gave satisfactory results on both simulated and experimental data but proved difficult to tune. It was also demonstrated how exact knowledge of the control forces and the Coriolis, centripetal, and damping matrices are essential to obtain an accurate estimate of the current. This was also found to be true for the machine learning methods. The best-performing machine learning models were either a deep densely connected neural network, consisting of three hidden layers of 500 neurons and dropout layers with a dropout rate of 0.2, or a radial basis function network with 100 neurons, where the widths belonging to each center of the neurons were varying for each feature. The advantage of the radial basis function network is that the results are obtained using fewer parameters.

Seeing that both methods demonstrated promising results on experimental data, the current estimates achieved are assumed to be of value and further improve an autonomous vessel's situation awareness.