نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری برق کنترل، دانشکده مهندسی برق و الکترونیک، دانشگاه صنعتی مالک اشتر، تهران

2 دانشیار، دانشکده مهندسی برق و الکترونیک، دانشگاه صنعتی مالک اشتر، تهران

3 دانشیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی اصفهان، اصفهان

چکیده

تقریبا ناشناخته بودن محیط بیکران دریا‌ها و نبود نقشه دقیق قبلی از فضای کاری یکی از چالش‌های فعلی ربات‌های خودمختار زیرسطحی در انجام ماموریت‌های محوله می‌باشد. هدف این پژوهش، طراحی مسیر بصورت روی خط برای یک ربات خودمختار زیرسطحی از موقعیت و سرعت ابتدایی به موقعیت و سرعت هدف در یک فضای کاری تقریبا ناشناخته با حضور موانع از پیش نامعلوم می‌باشد. برای این منظور، الگوریتم طراحی مسیر درخت جستجو سریع تصادفی محلی برای ربات معرفی می‌گردد. الگوریتم مذکور شامل سه جزء به هم پیوسته: ماژول طراحی مسیر، ماژول طراحی مسیر محلی بلادرنگ و ماژول تشخیص مانع می‌باشد. هر یک از گره‌های تولیدی توسط ماژول طراحی مسیر و شاخه‌های مربوطه از منظر قیدهای سینودینامیکی ربات توسط کنترل‌کننده سطح پایین و مدل دینامیکی غیرخطی بررسی می-شوند. چنانچه گره و شاخه بطور همزمان قیدهای مذکور را در بازه زمانی مدنظر برآورده نمایند، به همراه سیگنال‌های کنترلی توسط الگوریتم طراحی مسیر برای طراحی مسیر نهایی ذخیره می‌گردند. چنانچه ماژول تشخیص مانع ربات، مانعی از پیش نامعلوم را بر روی مسیر طراحی شده تشخیص دهد، ماژول طراحی مسیر محلی بلادرنگ به‌منظور اجتناب از برخورد با آن، درخت جستجو سریع تصادفی محلی را از موقعیت و وضعیت فعلی ربات به نزدیک‌ترین گره درخت طراحی شده توسعه می‌دهد. الگوریتم پیشنهادی به منظور ارزیابی برروی یک کامپیوتر صنعتی تک بورد پیاده‌سازی شده و بصورت زمان حقیقی در محیط xPC-Target متلب مورد آزمون پردازنده در حلقه قرار گرفت. نتایج آزمون نشان می‌دهد که ربات به کمک الگوریتم طراحی مسیر پیشنهادی نه تنها قادر به اجتناب از برخورد با موانع از پیش نامعلوم می‌باشد، بلکه به دلیل ماهیت تصادفی آن، از سرعت مطلوبی در طراحی مسیر در محیط‌های متشکل از موانع بسیار، بصورت روی‌خط برخوردار است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

AUV real-time path planning in partly unknown environment through the Local-RRT

نویسندگان [English]

  • Ehsan Taheri 1
  • Mohammad Hossien Ferdowsi 2
  • Mohammad Danesh 3

1 Electrical Engineering Department, Malek-Ashtar University of Technology, Tehran, Iran.

2 Control Group, Electrical Engineering Department, Malek-Ashtar University of Technology, Tehran 15875-1774, Iran.

3 Department of Mechanical Engineering, Isfahan University of Technology, 84156-83111, Isfahan, Iran.

چکیده [English]

The partly unknown environment of the vast seas and the lack of prior accurate map of the workspace is one of the current challenges facing the autonomous underwater vehicle (AUV) in carrying out missions. Real-time path planning for an AUV from an initial position and velocity to a target position and velocity in a partly unknown environment by considering the pre-unknown obstacles is the main motivation of this research. For this purpose, the local rapidly-exploring random tree (L-RRT) algorithm is proposed for the AUV. This L-RRT consists of three tightly coupled components of: a path planning module (PPM), a local real-time path planning module (LRPPM) and an obstacle detection module (ODM). Each of a random vertices and related branch are generated through the PPM and then from the perspective of the kinodynamic constraints are evaluated by the low-level controller and nonlinear AUV model. If the generated vertex and related branch in the considered time satisfy the kinodynamic constraints in simultaneous manner, these and in addition the horizontal and vertical control signals are recorded through the path planner algorithm. If a pre-unknown obstacle is detected by the ODM, path is re-planed through the LRPPM based on the current position and orientation of AUV to the nearest vertex. The L-RRT is implemented on the single board computer (SBC) through the xPC-Target builder and then the ability of this algorithm is evaluated through the processor-in-the-loop (PIL) test. The results of the PIL tests indicate that the AUV through the proposed L-RRT not only plans the path by avoiding the pre-unknown obstacles in a cluttered environment, but also due to the random nature of this method the path is planned in a real-time manner.

کلیدواژه‌ها [English]

  • Autonomous Underwater Vehicle (AUV)
  • Path Planning
  • Partly unknown environment
  • Local Rapidly-exploring Random Tree (L-RRT)
  • Processor-in-the-Loop (PIL) Test

1.            Fletcher, B. UUV master plan: a vision for navy UUV development. in OCEANS 2000 MTS/IEEE Conference and Exhibition. 2000. IEEE. https://doi.org/10.1109/OCEANS.2000.881235.

2.            Taheri, E., et al., Fuzzy Greedy RRT Path Planning Algorithm in a Complex Configuration Space. 2018. 16(6): p. 3026-3035. https://doi.org/10.1007/s12555-018-0037-6.

3.            Li, B., et al., Rendezvous Planning for Multiple AUVs With Mobile Charging Stations in Dynamic Currents. 2019. 4(2): p. 1653-1660. https://doi.org/10.1109/LRA.2019.2896899.

4.            MahmoudZadeh, S., et al., Efficient AUV Path Planning in Time-Variant Underwater Environment Using Differential Evolution Algorithm. 2018. 17(4): p. 585-591. https://doi.org/10.1007/s11804-018-0034-4.

5.            MahmoudZadeh, S., et al., Online path planning for AUV rendezvous in dynamic cluttered undersea environment using evolutionary algorithms. Applied Soft Computing, 2018. 70: p. 929-945. https://doi.org/10.1016/j.asoc.2017.10.025.

6.            Cui, R., Y. Li, and W. Yan, Mutual information-based multi-AUV path planning for scalar field sampling using multidimensional RRT. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016. 46(7): p. 993-1004. https://doi.org/10.1109/TSMC.2015.2500027.

7.            Zhuang, Y., et al., Efficient collision-free path planning for autonomous underwater vehicles in dynamic environments with a hybrid optimization algorithm. Ocean Engineering, 2016. 127: p. 190-199. https://doi.org/10.1016/j.oceaneng.2016.09.040.

8.            Zhou, Y. and R. Wang, An improved flower pollination algorithm for optimal unmanned undersea vehicle path planning problem. International Journal of Pattern Recognition and Artificial Intelligence, 2016. 30(04): p. 1659010.https://doi.org/10.1142/S0218001416590102.

9.            Zhang, L., et al., Three-dimensional underwater path planning based on modified wolf pack algorithm. IEEE Access, 2017. 5: p. 22783-22795. https://doi.org/10.1109/ACCESS.2017.2765504.

10.          Noreen, I., et al., Optimal path planning in cluttered environment using RRT*-AB. Intelligent Service Robotics, 2018. 11(1): p. 41-52. https://doi.org/10.1007/s11370-017-0236-7.

11.          Candeloro, M., A.M. Lekkas, and A.J. Sørensen, A Voronoi-diagram-based dynamic path-planning system for underactuated marine vessels. Control Engineering Practice, 2017. 61: p. 41-54.https://doi.org/10.1016/j.conengprac.2017.01.007.

12.          Hernandez, E., M. Carreras, and P. Ridao, A comparison of homotopic path planning algorithms for robotic applications. Robotics and Autonomous Systems, 2015. 64: p. 44-58.https://doi.org/10.1016/j.robot.2014.10.021.

13.          Novinzadeh, B., A. Reza, and M. Asadi Matak, Design of stable nonlinear guidance of an underwater vehicle in the ship wake via estimated path by particle filter. Modares Mechanical Engineering, 2017. 17(5): p. 260-266.

14.          Tabataba’i-Nasab, F.S. and A. Keymasi Khalaji, Potentially Directed Robust Control of an Underwater Robot in the Presence of Obstacles. Modares Mechanical Engineering, 2018. 18(3): p. 1-8.

15.          Donald, B., et al., Kinodynamic motion planning. Journal of the ACM (JACM), 1993. 40(5): p. 1048-1066. https://doi.org/10.1145/174147.174150.

16.          Paden, B., V. Varricchio, and E. Frazzoli, Verification and synthesis of admissible heuristics for kinodynamic motion planning. IEEE Robotics and Automation Letters, 2017. 2(2): p. 648-655.https://doi.org/10.1109/LRA.2017.2651157.

17.          Hauser, K. and Y. Zhou, Asymptotically optimal planning by feasible kinodynamic planning in a state–cost space. IEEE Transactions on Robotics, 2016. 32(6): p. 1431-1443. https://doi.org/10.1109/TRO.2016.2602363.

18.          Kim, C.H. and S. Sugano, Closed loop trajectory optimization based on reverse time tree. International Journal of Control, Automation and Systems, 2016. 14(6): p. 1404-1412. https://doi.org/10.1007/s12555-015-0158-0.

19.          Svestka, P., J. Latombe, and L. Overmars Kavraki, Probabilistic roadmaps for path planning in high-dimensional configuration spaces. IEEE Transactions on Robotics and Automation, 1996. 12(4): p. 566-580. https://doi.org/10.1109/70.508439.

20.          Siciliano, B. and O. Khatib, Springer handbook of robotics, Springer, 2016.

21.          LaValle, S.M., Rapidly-exploring random trees: A new tool for path planning. 1998.

22.          Hsu, D., J.-C. Latombe, and R. Motwani. Path planning in expansive configuration spaces. in Robotics and Automation, 1997. Proceedings., 1997 IEEE International Conference on. 1997. IEEE.https://doi.org/10.1109/ROBOT.1997.619371.

23.          ا. علیزاده, م. ت. ثابت, م. ز. لاریمی, ح. نورمحمدی, شناسایی مدل دینامیکی یک رونده زیرآبی خودگردان با تخمین ضرایب هیدرودینامیکی, نشریه علمی - پژوهشیدریافنون,دوره 5، شماره 4 - شماره پیاپی 14، زمستان 1397، صفحه 50-58

24.          Fossen, T.I., Guidance and control of ocean vehicles. Vol. 199. Wiley New York, 1994.

25.          Fossen, T.I., Marine Control System-Guidance, Navigation and Control of Ships, Rigs and Underwater Vehicles. Marine Cybemetics, 2002.

26.          ی. عبدی, ج. قاسمی, کنترل عمق زیردریایی بدون سرنشین با استفاده از کنترل کننده مد لغزشی عصبی, نشریه علمی - پژوهشی دریافنون,دوره 5، شماره 2 - شماره پیاپی 86، تابستان 1397، صفحه 1-13.

27.          Vuilmet, C. High order sliding mode control applied to a heavyweight torpedo. in Control Applications, 2005. CCA 2005. Proceedings of 2005 IEEE Conference on. 2005. IEEE. https://doi.org/10.1109/CCA.2005.1507101.

28.          Sarkar, M., et al., Modelling and simulation of a robust energy efficient AUV controller. Mathematics and Computers in Simulation, 2016. 121: p. 34-47. https://doi.org/10.1016/j.matcom.2015.08.021.

29.          Jun, B.-H., et al., Development of the AUV ‘ISiMI’and a free running test in an Ocean Engineering Basin. Ocean engineering, 2009. 36(1): p. 2-14. https://doi.org/10.1016/j.oceaneng.2008.07.009.