Hydrobatics: Real-time Control, Simulation and Learning for Underactuated AUVs in Agile Maneuvers

Abstract

Hydrobatik avser förmågan att utföra avancerade manövrar med undervattensfarkoster. Undervattensrobotar som autonoma undervattensfarkoster (AUV) är antingen optimerade för räckvidd och hastighet, eller optimerade för precisionsmanövrering. Hydrobatiska kapaciteter kan hjälpa till att balansera effektivitet och manövrerbarhet på dessa plattformar. Hydrobatik möjliggör innovativ robotdesign inom tre nyttoområden --- miljöövervakning, havsproduktion och säkerhet.I denna avhandling undersöks fördelar och tekniska utmaningar relaterade till hydrobatik. Avhandlingen bidrar till ny kunskap kring reglering, simulering, lärande och ruttplanering. Vidare tillämpas denna kunskap inom experiment av dessa robotar i realistiska scenarier.

Inom nämnda nyttoområden har ett antal scenarios identifierats där en kombination av manövrerbarhet samt räckvidd är avgörande för robotens förmåga att utföra sin uppgift. För att åstadkomma detta måste viktiga tekniska utmaningar lösas. För det första har dessa AUVer färre styrytor/trustrar än frihetsgrader, vilket leder till utmaning med underaktuering. Lösningsstrategier baserade på ickelinjär modelprediktiv kontroll (MPC) och beteendeträd (BTs) presenteras för effektiv och säker realtidskontroll av underaktuarande AUV:er i smidiga manövrar. För det andra är flödet runt en AUV som genomför hydrobatiska manövrar komplext. Övergången från laminärt till starkt turbulent flöde vid höga anfallsvinklar gör flygdynamikmodellering svår. En full 0-360 graders flygdynamikmodell härleds därför, vilken kombinerar en multi-tillförlitlighets hydrodynamisk databas med en generaliserad strategi för komponentvis-superpositionering av laster. Detta möjliggör prediktering av hydrobatiska manövrar som t.ex.  looping, roll, spiraler och väldigt snäva svängradier i realtids- eller nära realtids-simuleringar. För att öka intelligensen och robustheten hos sådana system används datadrivna metoder inklusive fysikinformerad inlärning, Gaussiska processer, sparsam regression och förstärkningsinlärning för att snabbt identifiera dynamiska modeller och utföra adaptiv kontroll i realtid. För att ytterligare förbättra autonomin studeras också informativ ruttplanering, där en adaptiv provtagningsstrategi kombinerar AUV-mätningar och satellitdata för att följa och mäta algblomningar och havsfrontar.

Dessa hydrobatiska förmågor överförs på ett säkert sätt till den verkliga världen genom ett cyberfysiskt system (CPS). Simulatormiljöer är integrerade med robotsystemet, vilket möjliggör förvalidering av styrenheter och mjukvara innan hårdvaruinstallation. Den lilla och hydrobatiska AUV:n SAM (SAM: Small and Affordable Maritime robot), egenutvecklad på KTH som en del av Swedish Maritime Robotics Centre, används som testplattform. CPS-konceptet demonstreras under fältförhållanden med SAM AUV. Applikationer inkluderar sökuppdrag av ett nedsänkt föremål, inspektioner av infrastruktur för havsbruk samt spårning av algblomning.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-336526