Current Estimation for Autonomous Underwater Vehicle using Supervised Learning

Abstract

Navigasjonsteknikker for undervannsfartøy avhenger av pålitelige hastighetsestimater. Den største usikkerheten for estimatene er havstrømninger, som utgjør den største eksterne forstyrrelsen. DVL er per i dag den ledende teknologien for beregning av havstrømninger. Ved små, lav budsjetterte AUV-er, kan DVL være unødvendig stort, dyr i drift og bidra til høyt energiforbruk. Derfor vil denne oppgaven undersøke potensialet maskinlæring har får å estimere hastighet og retning på havstrømninger ved bruk av overvåket opplæring i form av regresjons- og klassifiseringsalgoritmer.

Datasett er utviklet i AUVsim, en simuleringsmodell utviklet av Petter Norgen i Matlab/Simulink. Ulike variabler, som driftshastighet, havstrømning og retning, endres. Utgangsparameterne fra den interne kontrolleren lagres i .csv -filer og kombineres i større datasett med variabler fra flere driftsforhold. Datasett brukes til å trene hver algoritme, og evaluering av ytelsen måles ved henholdsvis RMSE og ACC for regresjons- og klassifiseringsalgoritmer. Når algoritmer blir trent, brukes tilbake-holdning av datasettet som valideringsmetoden, grunnet betydelig størrelse på datasettet.

Sammenligning mellom polynom, multivariat lineær, fin-, middels- og grov-beslutningstre regresjon ble utført i en casestudie. Polynomial regresjonsmodell ga de beste resultatene for numerisk estimering av havstrømning. Vektet og fin KNN ble sammenlignet med fin- og middels-beslutningstre klassifisering i en annen casestudie, hvor fin-beslutningstre klassifisering oppnådde best resultat.

AUV-er må kunne operere under varierende miljøforhold, hvor presis dybdekontroll er en avgjørende faktor. Vanskeligheter med å utvikle presis dybdekontroll skyldes AUV-enes underaktiverte system og vertikal strøm forårsaket av opp- og nedtrekk. Av den grunn, har denne oppgaven videre undersøkt potensialet en dybdekontroller har for å tåle en ukjent vertikal strømkomponent. Kontrolleren inkluderer en ILOS-algoritme sammen med en eksisterende PID-kontroller. Simuleringer ble gjennomført for å sammenligne den foreslåtte dybdekontrolleren med den opprinnelige kontrolleren originalt brukt i simulatoren. Simuleringer indikerer lovende resultater hvor den foreslåtte kontrollere er i stand til å nå ønsket dybdepunkt, både ved fast og varierende dybde.

Oppgaven konkluderer med at metoden for overvåket opplæring har stort potensiale. Polynomial regresjonsmodellen var i stand til å forutsi gjeldende hastighet i stabil tilstand med perfekt presisjon i alle tilfeller. Den tilsvarende fin-beslutningstre-modellen fulgte den samme trenden i stabil tilstand og var i stand til å forutsi gjeldende retning i 3/4 tilfeller, med perfekt presisjon. Dybdekontrolleren foreslått i denne oppgaven var i stand til å motvirke den vertikale strømkomponenten, og dermed nådde ønsket dybdepunkt. Dette indikerer at maskinlæring har stort potensiale for å estimere hastighet og retning på havstrømning ved bruk av overvåket opplæring i form av regresjons- og klassifiseringsalgoritmer. For å oppnå gode resultater, er prosessen imidlertid tidkrevende. Dette skyldes behovet for data av høy kvalitet og betydelig opplæringstid når datasettet er stort.

Navigation techniques for underwater vehicle depends on reliable velocity estimates. The main uncertainty for velocity estimation is current speed, which also constitutes to the main external disturbance. Doppler Velocity Log (DVL) is, as of today, the leading technology for calculating current speed. When operating low-cost and small Autonomous Underwater Vehicles (AUV), DVL can be unnecessary large, expensive and contribute to high energy consumption. Therefore, this thesis will investigate the potential machine learning has to predict current speed and direction by using Supervised Learning in form of regression and classification algorithms.

Datasets are developed in AUVsim, a simulation model developed by Petter Norgen in Matlab/Simulink. Different variables, such as operating speed, current speed and direction, are altered. The output parameters from the internal controller are saved in .csv-files and combined into larger datasets with variables from multiple operating condition. Dataset is used to train each algorithm, and evaluation of the performance is measured by Root Mean Squared Error (RMSE) and Accuracy score (ACC) for regression and classification algorithms, respectively. When algorithms are trained, holdout validation is used due to significant size of dataset.

Comparison between Polynomial, Multiple Linear, Fine Decision Tree, Medium Decision Tree, and Coarse Decision Tree Regression were conducted in a case study. Polynomial Regression model provided best results for numeric estimation of current speed. Weighted and Fine k-Nearest Neighbor (KNN) were compared to Fine and Medium Decision Tree Classification in another case study, where Fine Decision Tree model performed on the highest level.

AUVs must be able to operate in various environmental conditions. An important aspect of the control scheme is precise depth control. The main difficulties evolving precise depth control are due to underactuated system of the AUV, and vertical current caused by upwelling and downwelling. This thesis has therefore further investigated the potential a depth controller has to withstand an unknown vertical current component. The controller scheme includes a vertical Integral Line of Sight (ILOS) algorithm together with an existing PID controller. Simulations were conducted to compare the designed depth controller with the original controller used in the simulator. The presented results are promising as the designed controller was able to reach the desired depth point in both fixed and level depth flight.

The thesis concludes that Supervised Learning method has large potential. The Polynomial Regression model was able to predict the current speed in steady state condition with perfect precision in all cases. The corresponding Fine Decision Tree Classification model followed the same tendency in steady state condition and was able to predict the current direction in 3/4 cases with perfect precision. The developed depth controller was able to counteract the vertical current component and reach the desired depth point. This indicates that machine learning has great potential to predict current speed and direction by using Supervised Learning in form of regression and classification algorithms. Although, the process is quite time consuming to achieve good results. This is due to the need of high-quality data and significantly training time when dataset is large.