Autonomous Behavior for Homingand Docking of Underwater Vehicles

Abstract

Denne masteroppgaven foreslår en A*-algoritme for homing av undervannsfarkoster for å minimere driftskostnadene og begrense menneskelige feil, samtidig som det sikres en trygg og kort vei for farkosten. Homing er navnet på adferden som sikter på å føre undervannsfarkosten fra dens nåværende sted til en dokkingstasjon plassert på havbunnen. Homing er en nødvendig del av å realisere autonome sjøbaserte undervannsfarkoster, og sikre at undervannsfarkosten er i stand til å finne sin dokkingstasjon etter et fullført oppdrag. Denne oppgaven har valgt å bruke A*-algoritmen for å finne en optimal bane fra undervannsfarkostens posisjon til dokkingstasjonen, da den ikke er beregningstung, finner optimale stier selv med flere hindringer til stede og er lett tilpasningsdyktig til en rekke bruksområder. Flere forskjellige etterbehandlingsmetoder ble brukt på stien opprettet av A*-algoritmen, for å gjøre den mer egnet for en (Remotely Operated Vehicles) ROV som kan bevege seg i alle retninger. Disse metodene utjevnet, fjernet kollinære stipunkter og sørget for at avstanden mellom to påfølgende stipunkter ikke var for lang. Implementeringen ble gjort ved å bruke MATLAB, og ga gode resultater når hindringsposisjonene var kjent a-priori for å kjøre A*-algoritmen.

Det ble videre foreslått en dokkingtilnærming ved bruk av en USBL sonar tenkt plassert på dokkeplattformen installert i Trondheimsfjorden. Ved å plassere en USBL på dokkingstasjonen vil den nærmende ROVen ha bedre posisjonsestimering som er avgjørende for å lande riktig på den angitte dokkingsplattformen. En fem-punkts dokkingsti ble implementert, og ledet ROV-en til en avstand foran og over dokk-inngangen, og deretter til en posisjon rett over den og så til slutt ned på platformen ved å øke ønsket dybde. Denne metoden ble simulert i LabVIEW med lovende resultater, men ytelsen i sjøforsøk bør testes for å konkludere videre om implementasjon.

De to implementerte atferdene ble deretter lagt til et allerede eksisterende Autonomy Framework opprettet av Ida Rist-Christensen (2016) i LabVIEW. Dette rammeverket er koblet til et ROV-kontrollsystem og HIL-simulator for å simulere autonome undervannsoperasjoner. Autonomy Framework bruker en hybridagentarkitektur som skiller mellom bevisste og reaktive lag. Homing og Docking ble implementert som bevisste lag som utføres på i sekvensiell rekkefølge. For å øke ROV-autonomien ytterligere, ble aktiv hindringunngåelse (OA) koblet til Homing-adferden. Den aktive OA får Homing-adferden til å stoppe og planlegge stien fra A*-algoritmen på nytt nå med den nylig oppdagede hindringen inkludert i listen over kjente hindringer. OA-oppførselen ble dermed implementert som et reaktivt lag. Implementeringen og integreringen i Autnomy Framework var vellykket, og simuleringene av Homing og Docking viste god og trygg utførelse. Imidlertidig bør noen justeringer legges til i implementeringen. Slik justering bør være å gi større dybdeområde for relevante hindringer og å legge til dybde-veipunkter når ROVen går direkte oppover og nedover for å raskere nå ønsket dybde i Homing-atferden.

Til slutt ble den allerede eksisterende atferden Transit i Autonomy Framework oppdatert med sti-planleggeren som ble brukt for Homing for å sikre trygg reise. Navnet på oppførselen ble endret til \textit{Inspection} for å simulere inspeksjonsoppdrag med dockingstasjonen som utgangspunkt. Denne oppførselen ble også oppdatert med den reaktive OA, som krever om-planlegging. Disse nye tilleggene (Homing, Docking og Inspection) fungerte sømløst sammen med de allerede eksisterende adferdene, noe som indikerer en tilfredsstillende implementering.

This thesis proposes an A* algorithm for homing of underwater vehicles for the purpose of minimizing operation costs and limit human errors, while ensuring a safe and short path. Homing is a necessary part of realizing autonomous sea-based underwater vehicles, ensuring that the underwater vehicle is able to find its docking station after a completed mission. This thesis suggests using the A* algorithm to find an optimal path from the underwater vehicle's position to the docking station, as it is not computationally heavy, finds optimal paths even with several obstacles present and is easily adaptable to a variety of applications. Several different refinement methods were applied to the path created by the A* algorithm, to make it more suitable for a hovering ROV. These methods were smoothing, removal of collinear waypoints and making sure the distance between two consecutive waypoints were not too long. The implementation and initital testing was done using MATLAB, showing good results when obstacle locations were known a-priori to running the A* algorithm.

A docking approach using a USBL situated on the docking platform installed in the Trondheim fjord was further proposed. By placing an USBL on the docking station the approaching ROV will have better position estimation which is crucial to correctly land on the designated docking platform. A five-point docking path was implemented, guiding the ROV to a distance in front and above the docking entrance, then to a position directly above it finally increasing the desired depth so to land on the middle of the platform. This behavior was simulated in LabVIEW with promising results, however the performance in sea-trials should be tested to further conclude on the performance.

The two implemented behaviors were then added to a already existing Autonomy Framework created by Ida Rist-Christensen (2016) in LabVIEW. This framework was connected to an ROV control system and a Hardware-in-the-Loop (HIL) simulator to fully simulate autonomous underwater vehicle operations. The Autonomy Framework uses a hybrid agent architecture which distinguishes between deliberative and reactive layers. The homing and docking behavior were implemented as deliberative states to be conducted in a sequential manner. To further increase the autonomy of the ROV, active obstacle avoidance (OA) was connected to the homing behavior. The active OA prompted the homing behavior to stop and re-plan the path from the A* algorithm with the newly detected obstacle included in the list of known obstacles. The OA behavior was thus implemented as a reactive layer. The implementation and integration was successful, and the simulations using homing and docking showed safe missions. However, some adjustments should be added to the implementation. This could be larger depth range for relevant obstacles and added depth waypoints when strictly ascending or descending to faster reach the desired depth while homing.

Lastly, the already-existing behavior Transit in the Autonomy Framework was updated with the path planner used for Homing to ensure safe transit. The name of the behavior was changed to Inspection to simulate inspection missions from the docking station. This behavior was also updated with the reactive OA, prompting re-planning. These new additions Homing, Docking and Inspection worked seamlessly together with the already existing states, indicating a satisfactory implementations.