Risk-aware decision-making and control of autonomous ships

Abstract

Autonomous agents able to operate without human supervision require decision making capabilities that predict outcomes based on internal and external models, sensors and data. However, research on the topic of incorporating risk awareness into such decision-making and control for autonomous ships is today limited. The purpose of this thesis is thus to contribute to accelerate and expand the knowledge within the field of risk-aware decision-making and control of autonomous ships, by developing novel models, algorithms and software tools, and demonstrating proofof- concept results through simulation. The thesis is divided into three main parts. The first part presents an application programming interface (API) for electronic navigational charts (ENC), which directly assists and enhances the actual process of effectively developing new autonomous planning and control systems with anti-grounding capability for both open research efforts as well as future industry applications. The second part examines how model predictive control (MPC) may be utilized for risk-aware autonomous control and path planning, based on the concept of risk using the ENC API and a ship model. The third part considers particle swarm optimization (PSO) as an alternative to nonlinear programming (NLP) in MPC, in order to ultimately further improve the risk-aware decision-making capabilities through the addition of simultaneous autonomous machinery management. The first part introduces and demonstrates the ENC API as a programming tool, which may be used during development of algorithms and methods related to both manned or unmanned (autonomous or remotely operated) maritime surface vessels in future works. The second part considers the use of MPC for autonomous ships, by minimizing costs based on the concept of risk. Chapter 3 presents a proof of concept demonstration of an MPC approach for joint autonomous path planning, riskaware decision-making, and dynamic real-time emergency management. Chapter 4 develops a methodology which transforms the results of System-Theoretic Process Analysis (STPA) of the path planning problem with anti-grounding into mathematical equations and inequalities, which may be formulated and systematically structured into an optimal control problem to be solved numerically by the MPC approach. In order to enable the use of non-smooth terms and discrete variables in the constraints and the cost function to be minimized, the last part considers the sampling based PSO method as an alternative approach to MPC. Chapter 5 demonstrates an online and risk-aware waypoint re-planning approach, which displays analogous behavior to that of the MPC method. Chapter 6 utilizes the flexibility inherent to PSO by combining model-based predictions for autonomous machinery management (AMM) with the sampling-based risk-aware path re-planning method. Here, PSO essentially replaces NLP in the planning part of the problem, but is nevertheless used in a receding horizon procedure similar to an MPC approach. This elevates the ability of the autonomous navigation system (ANS) to even further minimize fuel consumption and risks through joint AMM and risk-aware path planning.

Sammendrag Autonome agenter i stand til å operere uten menneskelig tilsyn krever evner for beslutningstaking som kan forutse utfall basert på interne og eksterne modeller, sensorer og data. Forskning på å inkorporere risikobevissthet inn i slik beslutningstaking og kontroll for autonome skip er derimot i dag begrenset. Målet med denne avhandlingen er dermed å bidra til å akselerere og utvide kunnskapen innen risikobevisst beslutningstaking og kontroll av autonome skip, ved å utvikle nye modeller, algoritmer og programvare, samt demonstrere konseptutprøving gjennom simulering. Avhandlingen er delt inn i tre hoveddeler. Første del presenterer et grensesnitt for applikasjonsprogrammering for elektroniske sjøkart, som direkte bidrar til å forbedre selve prosessen for å effektivt utvikle nye autonome systemer for planlegging og kontroll med hensyn på anti-grunnstøting både for åpen forskning så vel som for fremtidige industriapplikasjoner. Andre del undersøker hvordan modellprediktiv kontroll (MPC) kan bli utnyttet for risikobevisst autonom kontroll og baneplanlegging, basert på et konsept av risiko ved bruk av programmeringsgrensesnittet og en skipsmodell. Tredje del betrakter partikkelsverm-optimalisering (PSO) som et alternativ til ulineær programmering i modellprediktiv kontroll, for å ytterligere øke systemets kapabilitet for risikobevisst beslutningstaking ved å inkludere simultan autonom maskineristyring eller kontroll. Den første delen introduserer og demonstrerer grensesnittet for elektroniske sjøkart som et programmeringsverktøy, som kan bli brukt under utvikling av algoritmer og metoder relatert til både bemannede og ubemannede (autonome eller fjenstyrte) maritime overflatefartøy. Del to omhandler bruk av MPC for autonome skip, ved å minimere koster basert på konseptet risiko. Kapittel 3 demonstrerer en konseptutprøving for en MPC-basert tilnærming for autonom baneplanlegging, risikobevisst beslutningstaking, og dynamisk sanntidshåndtering av nødssituasjoner. Kapittel 4 utvikler en metodologi som transformerer resultatene av en systemteorietisk prosessanalyse (STPA) i baneplanleggingsproblemet med anti-grunnstøting til matematiske likninger og ulikheter, som kan bli formulert og systematisk strukturert som et optimalingseringsproblem som vil løses numerisk av MPC-metoden. For å kunne utnytte både ikke-kontinuerlige og diskrete variabler i begrensningene kostfunksjonen som skal minimeres, tar siste del for seg den prøvetakingsbaserte metoden PSO som en alternativ tilnærming til MPC. Kapittel 5 demonstrerer en dynamisk og risikobevisst metode for omplanlegging av banepunkter, som resulterer i en oppførsel analog til MPC-metoden. Kapittel 6 utnytter fleksibiliteten i PSO ved å kombinere modellbaserte prediksjoner for autonom maskinerihåndtering (AMM) med den prøvetakingsbaserte risikobevisste metoden for omplanlegging av baner. Her erstatter i prinsippet PSO ulineær programmering i planleggingsdelen av problemet, men blir likevel brukt i en prosedyre med dynamisk horisont likt som i en MPC-tilnærming. Dette øker det autonome navigasjonssystemets (ANS) evne til å i en større grad minimere drivstofforbruk og risiko gjennom kombinert AMM og risikobevisst baneplanlegging.