Towards mission planning for search and rescue at sea

Abstract

Et redningsoppdrag kan foregå over store områder. Disse må gjennomsøkes nøye og effektivt, noe flygende droner er spesielt egnet til. Flygende droner blir overvåket av menneskelige operatører, og koordinert med henhold til oppdraget. Slike redningsoppdrag er vanskelig å skalere, uten å øke nivået av autonomi. Dersom autonominivået økes, kan dronene søke områder mer effektivt, noe som vil øke sannsynligheten for å detektere mennesker.

Et redningsoppdrag pågår ofte i kompliserte omgivelser, der miljøet endres raskt. Dronen må respondere relativt til nye hendelser og endring av situasjonsforståelse. Det er viktig at systemet reagerer raskt, og bruker kort tid til oppdragsplanlegging. Samtidig må planen være tilstrekkelig beskrivende for å løse oppdraget. En metode som kan utføre dette, er automatisert planlegging. Basert på systemets gjeldende tilstand, prøver den å bestemme en sekvens av handlinger som oppnår målene.

Denne besvarelsen tester automatisert planlegging for simulerte scenarioer. En tilstandsmaskin benyttes til å avgrense planleggingsproblemet, før det løses ved planleggingsalgoritmen POPF. Løsningenes kvalitet og optimalitet blir diskutert, før de blir testet i simulerte omgivelser.

Planleggingsalgoritmen løser problemet effektivt, men produserer ofte suboptimale løsninger. Algoritmen viser å være delvis sensitiv til variasjoner i planleggingsproblemet, som reduserer dens pålitelighet. Planleggingssystemet er integrert med et reguleringssystem, der sistnevnte er upålitelig. Reguleringssystemet må til tider gjenstartes under utførelse av oppdraget.

Besvarelsen viser at automatisert planlegging kan benyttes til enkle planleggingsproblemer. Mer forskning er nødvendig til å forbedre ytelse og tillit for mer kompliserte problemer.

Once a Search and Rescue (SAR) mission is initiated, large areas must be searched in order to locate people. Aerial drones could efficiently cover large areas. The drones are monitored and controlled by human operators, and coordinated with respect to the adaptive mission objectives. Such SAR operations are difficult to scale efficiently, without increasing the autonomy levels. This would allow drones to coordinate independently from human operators, search areas more efficiently and increase the probability of locating people.

A SAR mission occurs in a dynamic and complex environment. The mission plan must be adaptable to external events and changes in the belief state, while capable to fulfil the mission objectives. One approach to this problem, is automated planning; Given the initial state, it tries schedule actions to achieve a set of goals.

This thesis utilises automated planning for simulated scenarios. A Finite State Machine (FSM) maintains the planning problem with respect to the belief state, which is solved using the POPF-solver. The plans are evaluated and discussed with respect to optimality, before executed in a simulated drone environment.

Plans are found efficiently, but are generally suboptimal. The planner is found to be sensitive to parametric variations, making it less dependable for more complex problems. The drone's velocity controller is erratic, and must sometimes be restarted during mission execution.

The thesis concludes that automated planning is a possible method for solving simple problems. More research is required to increase its efficiency and trustworthiness for more complex problems.