| Summary: | Denne masteroppgaven undersøker verktøy og metoder for å utvikle mer robuste autonomiløsninger for autonome undervannsfarkoster (AUV) i arktiske underisoperasjoner. AUVer er effektive plattformer for tverrfaglig vitenskapelig forskning i polarhavene, men operasjoner av AUVer i disse områdene medfører en betydelig risiko for å miste fartøyet. Miljøet under sjøisen er ustrukturert og ukjent, og er ytterligere komplisert av tøffe miljøforhold og reduserte kapabilitier av navigasjonssensorer. Under sjøis er AUVer avhengige av et akustisk posisjoneringssystem, da de ikke er i stand til å gå til overflaten for posisjonsoppdateringer fra et globalt posisjoneringssystem (GPS). Posisjonsmålinger fra akustiske posisjoneringssystemer inneholder støy og kan droppe ut midlertidig. Andre navigasjonssensorer, for eksempel trykkmålere og Doppler velocity loger (DVL), kan også midlertidig feile, og signalene innhentes ved en asynkron samplingsfrekvens. I lys av dette, er rammeverket for hybride dynamiske systemer brukt til å designe og analysere en sensorbasert hybrid observer. En metode for design av en sensorbasert hybrid translasjonsobserver for undervannsnavigering er foreslått, og tar hånd om støyende, asynkrone og sporadisk tilgjengelige sensormålinger. Her antas at akselerasjonsmålinger er til en hver tid tilgjengelig. Posisjons- og hastighetsestimater oppdateres diskret, asynkront og sporadisk når nye målinger fås. Mellom målinger blir estimatene kontinuerlig predikert fremover i tid ved integrasjon av kinematiske forhold. Høyfrekvent støy filtreres ved å ta et vektet diskontert gjennomsnitt av et endelig antall tidligere målinger som predikeres fremover til nåværende tid. Simuleringer av en observer med seks frihetsgrader som er avhengig av akselerasjons-, hastighets- og posisjonsmålinger utføres. Det er ofte en avveining mellom den vitenskapelige belønningen til en oppdragsplan og den involverte risikoen. Optisk kartlegging av alger og fytoplankton nærmere overflaten gir for eksempel høyere kvalitet på de innhentede dataene, men øker også risikoen for å miste fartøyet under isen. Ved å inkludere en online risikomodell kan fartøyet ta beregnede risikoer ved å veie potensielle fordeler av en handling mot risikoen. En metode for intelligent risikobasert underisaltitudekontroll for AUVer er presentert. En altitudegaidingslov for å følge en kontur av isunderflaten via pitchkontroll ved hjelp av målinger fra en Doppler velocity log (DVL) er foreslått. Videre er en online risikomodell for probabilistisk resonnering av risikoen for tap av fartøy utviklet ved hjelp av rammeverket for Bayesianske nettverk. Dette nettverket er så utvidet til et avgjørelsesnettverk for online autonom risikobasert utvelgelse av setpunktet til altitudekontrolleren, og hvis nødvendig, sende et signal om å avbryte oppdraget. Dette vil øke sikkerheten og robustheten til underisoperasjoner av AUVer. This Master thesis investigates tools and methods for developing more robust autonomy solutions for autonomous underwater vehicles (AUV) in Arctic under-ice operations. AUVs are effective platforms for multi-disciplinary scientific research in the polar oceans. However, operations of AUVs in these areas involve a substantial risk of losing the vehicle. The environment under the sea ice is unstructured and unknown, and is further complicated by harsh environmental conditions and reduced capabilities of navigation sensors. Under the sea ice AUVs are reliant on an acoustic positioning system, as they are not able to surface for position fixes from a global positioning system (GPS). Position measurements from acoustic positioning systems are noisy and may drop out temporarily. Other navigation sensors, such as pressure gauges and Doppler velocity logs (DVL) may also temporarily drop out, and the signals are obtained at an asynchronous sampling rate. Given the nature of asynchronicity and sporadic availability of the navigational signals, the framework of hybrid dynamical systems is used to design and analyze a sensor-based hybrid observer. A method for the design of a sensor-based hybrid translational observer for underwater navigation is proposed, accounting for noisy, asynchronous and sporadically available sensor measurements. Here, acceleration measurements are assumed readily available. Position and velocity estimates are updated discretely, asynchronous and sporadically as new measurements are obtained. Between measurements, the estimates are continuously predicted forwards in time by integration of kinematic relationships. High-frequency noisy is filtered by taking a weighted discounted average of a finite number of previous states predicted forwards to the current time. Simulations of a six degree of freedom observer which relies on acceleration, velocity and position measurements are conducted. There is often a trade-off between the scientific reward of a mission plan and the risk involved. For instance, optical mapping of algae and phytoplankton closer to the surface yields higher quality of the acquired data, however, also increases the risk of losing the vehicle under the ice. By including an online risk model, the vehicle may take calculated risks by weighing the potential rewards of an action and the risk involved. A method for intelligent risk-based under-ice altitude control for AUVs is presented. An altitude guidance law for following a contour of the ice surface via pitch control using measurements from a Doppler velocity log (DVL) is proposed. Furthermore, an online risk model for probabilistic reasoning of the risk of vehicle loss is developed using the framework of Bayesian networks. This network is extended to a decision network for online autonomous risk-based selection and reselection of the setpoint for the altitude controller, and if necessary, send a signal to abort the mission. This will improve safety and robustness of under-ice operations for AUVs.
|
|---|