Sample Based Model Predictive Control for Path Following and Collision Avoidance of Unmanned Surface Vehicles

Abstract

Forsvarets forskningsinstitutt (FFI) har i flere år forsket på undervannsfartøy og droner. De siste årene har fokuset også blitt rettet mot autonome overflatefartøy. En av testplattformene som brukes til dette formålet er Odin. Odin har sin fremdrift fra to vannjetter og er vel utstyrt med en sensorpark som analyserer sine omgivelser ved bruk av kamera, radar og lidar. Den er en del av ressursene FFI bruker til mine-mottiltaksforskningen grunnet dens potensielle rolle i mine-mottiltaksoperasjoner og som støttefartøy for autonome undervannsfartøy.

Autonomi er et moderne forskningsfelt med stor internasjonal interesse. Kollisjonsunngåelse og bevegelsesplanlegging er nøkkelemner i forskningen på vei mot trygge fullautonome kjøretøy. Innen det maritime er et av problemene likt det styrmenn i århundrer har møtt: Hvordan styre på en tydelig måte som gjør at situasjonen blir løst hensiktsmessig? Problemet er komplekst fordi det krever avveininger og vurderinger av ulike alternativer for å forsøke å oppnå flere, muligens motstridende målsetninger. Dette kan være banefølging og kollisjonsunngåelse. For at et fartøy som Odin skal kunne operere autonomt må systemet imøtekomme en rekke krav. Et av disse vil være evnen til å samhandle med andre skip i ordinære sjøfartssituasjoner, og dermed overholde sjøveisreglene, samtidig som kollisjonsfaren til enhver tid søkes redusert. Det kreves at Odin kan operere i komplekse dynamiske miljø på en trygg måte. Det vil være fordelaktig å kunne planlegge egne manøvre i forhold til andre fartøy for å øke sannsynligheten for optimal avvikling av situasjonene som oppstår. Dette gjør bevegelsesplanleggingsalgoritmer for underaktuerte overflatefartøyer aktuelle for utforskning.

I denne oppgaven blir to lavnivåsamplingsbaserte model predictive control-algoritmer (MPC) implementert på en skipsmodell av USVen Odin. Begge algoritmene er tiltenkt en rolle som en del av et flernivå kollisjonsunngåelsessystem, og deres formål er å raskt kunne oppfatte og håndtere nødsituasjoner. I tillegg er det ønskelig om dette gjøres på en måte som er i tråd med sjøveisreglene. Den første algoritmen er branching-course model predictive control-algoritmen (BC-MPC) som er utviklet ved Institutt for Teknisk Kybernetikk ved Norges Teknisk-Naturvitenskapelige Universitet (NTNU) av Bjørn Olav Eriksen. Den har til hensikt å alltid produsere gjennomførbare referanser som reduserer risikoen for kollisjon og prioriterer fartøyets målsetninger. Den andre algoritmen er sample based model predictive control-algoritmen (SB-MPC) som også er utviklet ved NTNU, av Tor Arne Johansen og Inger Berge Hagen. Algoritmen produserer kursoffsets og fartskoeffesienter som kan kombineres med referanser fra høy-nivå planleggere for å skape resulterende referanser. Begge algoritmene er kapable til å prioritere når de er møtt med divergerende målsetninger slik som banefølging og kollisjonsunngåelse.

For å evaluere algoritmenes egenskaper har begge blitt implementert på en modell av Odin med 3 frihetsgrader hvor skipets dynamikk simuleres. Nominelle kursreferanser produseres av et line-of-sight (LOS) guidance system, mens den nominelle hastigheten er gitt av brukeren. De to algoritmene sammenlignes ved at de blir testet i like situasjoner gjennom simuleringer. Den foreslåtte tuningen fra opphavsmennene har blitt brukt som utgangspunkt, før andre muligheter for å heve ytelsen ytterligere blir utforsket og presentert. Flere komplekse scenarier med flere hindringer som ikke innretter seg etter sjøveisreglene og dermed skaper farlige situasjoner blir simulert. Algoritmene må planlegge fremover, veie målsetningene opp mot hverandre og skape referanser som er trygge å følge. I alle situasjonene er ytelsen av slik karakter at kollisjon blir unngått. Fordeler og ulemper med de ulike algoritmene blir presentert og diskutert. Avslutningsvis drøftes ulike tuning-parametres påvirkning på algoritmenes evne til å produsere trygge baner båten kan følge. Simuleringene validerer algoritmenes funksjon i de ulike scenariene og resultatene er tilfredsstillende.

The Norwegian Defence Research Establishment (Forsvarets forskningsinstitutt, FFI) has for several years been researching subsea vehicles and drones. In recent years the use of unmanned surface vehicles (USVs) for military applications has also been the subject of investigation. One of the two test platforms used for this purpose is Odin, which is using water-jet propulsion and a wide range of sensors to navigate and analyze its surroundings. Odin is one of the resources used in mine countermeasures research at FFI due to its potential role in mine countermeasures operations and as support vessel for autonomous underwater vehicles. The field of autonomy is a modern and developing field of research and exploration. Collision avoidance (COLAV) and motion planning are core topics in this research to be able to safely achieve fully autonomous vehicles. The problem is equivalent to the one helmsmen have been facing for centuries: How do I steer this vessel in such a way that the situation at hand is resolved as smoothly as possible? The problem is complex due to objectives which may be conflicting, such as path following and collision avoidance. If a vessel like Odin is to operate autonomously a wide range of requirements have to be met. One of these is to be able to interact with other vessels in regular seafaring situations. In the maritime domain, The International Regulations for Preventing Collisions at Sea (COLREGs) in addition to the constant quest for reduction of the risk of collision is governing how vessels should interact. Odin will be required to operate safely and efficiently in complex dynamic areas. It is advantageous for the vehicle to be able to plan its action ahead, increasing the likelihood of optimal vehicle trajectories. Thus, algorithms for motion planning for underactuated marine vehicles is highly relevant.

In this thesis, two low-level, sample based Model Predictive Control (MPC) COLAV algorithms have been investigated through simulations. Such algorithms function as a part of a layered architecture and have as their main purpose to handle emergency situations. In addition, it is desirable for them to comply with COLREGs. The first algorithm is the branching-course model predictive control-algorithm (BC-MPC) which was developed at Department of Engineering Cybernetics at the Norwegian University of Science and Technology (NTNU) by Bjørn Olav Eriksen. Its purpose is to always produce trajectories which causes the vessel to avoid collision and that are feasible with respect to the dynamic constraints of the vessel. The other is the sample based model predictive control-algorithm (SB-MPC) which is also developed at NTNU, by Tor Arne Johansen and Inger Berge Hagen. The algorithm produces course offsets and speed coefficient which can be combined with references from a higher-level planner thus producing resulting references. Both algorithms are able to prioritize when faced with diverging objectives such as path following and collision avoidance.

To evaluate the two algorithms, they have both been implemented on a 3 degree of freedom vessel model of Odin. A nominal course reference for navigation is provided by a Line-of-Sight (LOS) guidance system, while the nominal speed is user defined. The systems are asked to perform at equal situations and their performances are evaluated. The originators’ tuning and implementation method is used as a basis for exploration and other possibilities for increasing performance are also explored and presented.

Several complex multi-obstacle scenarios where the obstacles fail to perform the necessary measures to comply with the COLREGs, thus causing dangerous situations are tested. The vessel must plan ahead, prioritize its conflicting objectives of path following and collision avoidance and create safe resulting maneuvers. In all scenarios the algorithms perform in such a way that collisions are avoided. Advantages and disadvantages from each of the algorithms are discussed.