Learning-Based Control Of Articulated Intervention Autonomous Underwater Vehicles

Abstract

Artikulerte intervensjons-autonome undervannsfarkoster (AIAUV) er redundante og overaktiverte undervannsmanipulatorer med kraftige thrustere og en slank kropp som er i stand til å utføre manipulasjonsoppgaver. Redundansen til AIAUV-er gjør det mulig å løse fleroppgavekontrollproblemer, inkludert oppgaveprioritetsordninger som er i stand til å løse oppgaver i et hierarki slik at sikkerhetskritiske oppgaver kan prioriteres fremfor andre oppgaver. Motivert av systemets kompleksitet og den resulterende vanskeligheten med å benytte modellbaserte kontrollmetoder, utforsker denne avhandlingen hvordan reinforcement learning kan brukes i AIAUV-kontroll. For å lette forskningen utvikles en programvareverktøykasse i programmeringsspråket Julia, og det foreslås en læringsbasert kontrollmetode for AIAUV-er.

The articulated intervention autonomous underwater vehicle (AIAUV) is an overactuated underwater floating base manipulator with powerful thrusters and a slender body capable of performing manipulation tasks. The redundancy of the AIAUV enables multi-task control problems to be solved, including task priority schemes capable of solving tasks in a hierarchy such that safety-critical tasks can be prioritized over other tasks. Motivated by the complexity of the system and the resulting difficulty in employing model-based control methods, this thesis explores how reinforcement learning can be used in AIAUV control. To facilitate research on control of AIAUVs a software toolbox is developed in Julia, and a reinforcement learning-based control method is proposed.