kth.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A system for autonomous seaweed farm inspection with an underwater robot
KTH, School of Engineering Sciences (SCI), Engineering Mechanics, Vehicle Engineering and Solid Mechanics.ORCID iD: 0000-0001-7542-3225
KTH, School of Electrical Engineering and Computer Science (EECS), Intelligent systems, Robotics, Perception and Learning, RPL.ORCID iD: 0000-0002-7796-1438
KTH, School of Engineering Sciences (SCI), Engineering Mechanics, Vehicle Engineering and Solid Mechanics.ORCID iD: 0000-0002-5839-5573
KTH, School of Electrical Engineering and Computer Science (EECS), Intelligent systems, Robotics, Perception and Learning, RPL.ORCID iD: 0000-0003-4943-2501
Show others and affiliations
2022 (English)In: Sensors, E-ISSN 1424-8220, Vol. 22, no 13, article id 5064Article in journal (Refereed) Published
Abstract [en]

This paper outlines challenges and opportunities in operating underwater robots (so-called AUVs) on a seaweed farm. The need is driven by an emerging aquaculture industry on the Swedish west coast where large-scale seaweed farms are being developed. In this paper, the operational challenges are described and key technologies in using autonomous systems as a core part of the operation are developed and demonstrated. The paper presents a system and methods for operating an AUV in the seaweed farm, including initial localization of the farm based on a prior estimate and dead-reckoning navigation, and the subsequent scanning of the entire farm. Critical data from sidescan sonars for algorithm development are collected from real environments at a test site in the ocean, and the results are demonstrated in a simulated seaweed farm setup.

Place, publisher, year, edition, pages
MDPI AG , 2022. Vol. 22, no 13, article id 5064
Keywords [en]
seaweed farm, algae farm, behavior trees, simulation, mission planning, field testing, system integration, AUV
National Category
Robotics Fish and Aquacultural Science
Identifiers
URN: urn:nbn:se:kth:diva-315805DOI: 10.3390/s22135064ISI: 000822263500001PubMedID: 35808560Scopus ID: 2-s2.0-85133393540OAI: oai:DiVA.org:kth-315805DiVA, id: diva2:1684111
Note

QC 20220721

Available from: 2022-07-21 Created: 2022-07-21 Last updated: 2024-03-18Bibliographically approved
In thesis
1. Hydrobatics: Real-time Control, Simulation and Learning for Underactuated AUVs in Agile Maneuvers
Open this publication in new window or tab >>Hydrobatics: Real-time Control, Simulation and Learning for Underactuated AUVs in Agile Maneuvers
2023 (English)Doctoral thesis, comprehensive summary (Other academic)
Abstract [en]

The term hydrobatics refers to the agile maneuvering of underwater vehicles. Underwater robots such as autonomous underwater vehicles (AUVs) and remotely operated vehicles (ROVs) are either designed as flight style, optimized for range and speed, or hover style, optimized for precise maneuverability. Hydrobatic capabilities can help balance efficiency and maneuverability in these platforms, enabling innovative robot designs for impact areas in environmental monitoring, ocean production and security. This dissertation addresses technical challenges related to hydrobatic AUVs and contributes to new knowledge in real-time control, simulation, learning and planning. 

Hydrobatic AUVs are underactuated systems --- new strategies using nonlinear model predictive control (MPC) and behavior trees (BTs) are presented for efficient and safe real-time control of underactuated AUVs in agile maneuvers. Further, the flow around an AUV during such maneuvers transitions from laminar to turbulent flow at high angles of attack, rendering flight dynamics modelling difficult. A full 0-360 degree envelope flight dynamics model is therefore derived, which combines a multi-fidelity hydrodynamic database with a generalized component-buildup approach. Such a model enables real-time (or near real-time) simulations of hydrobatic maneuvers including loops, helices and tight turns. To increase the intelligence and robustness of such systems, data driven methods including physics-informed learning, Gaussian processes, sparse regression  and reinforcement learning are utilized to rapidly identify models of the system's dynamics and perform online adaptive control. To further enhance autonomy, informative path planning is also studied, where an adaptive sampling strategy combines AUV measurements and satellite data to track ocean fronts.

These hydrobatic capabilities are safely brought to the real world through a cyber-physical system (CPS). Simulator environments are closely integrated with the robotic system, enabling pre-validation of controllers and software before hardware deployment. The small and hydrobatic SAM AUV (SAM: Small and Affordable Maritime robot) developed in-house at KTH as part of the Swedish Maritime Robotics Centre (SMaRC) is used as a test platform. The CPS concept is demonstrated with the SAM AUV in applications including detecting underwater targets, inspecting seaweed farm infrastructure and tracking algal blooms using the presented simulation, planning and control strategies.

Abstract [sv]

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.

Place, publisher, year, edition, pages
Stockholm: KTH Royal Institute of Technology, 2023. p. 84
Series
TRITA-SCI-FOU ; 2023:44
Keywords
utonomous Underwater Vehicles, Underactuated Systems, Model Predictive Control, Hybrid Systems, Simulation, System Identification, Adaptive Sampling, Cyber-physical Systems., Autonoma Undervattensfarkoster (AUV), Modellering, Simulering, Modelprediktiv kontroll(MPC), Systemidentifiering, Adaptiv mätning, Fältförsök, Cyber-fysikaliska System(CPS).
National Category
Robotics
Research subject
Vehicle and Maritime Engineering
Identifiers
urn:nbn:se:kth:diva-336526 (URN)978-91-8040-684-0 (ISBN)
Public defence
2023-10-06, https://kth-se.zoom.us/j/65770305868, Kollegiesalen, Brinellvägen 8, Stockholm, 14:00 (English)
Opponent
Supervisors
Funder
Swedish Foundation for Strategic Research
Available from: 2023-09-13 Created: 2023-09-12 Last updated: 2023-09-22Bibliographically approved

Open Access in DiVA

No full text in DiVA

Other links

Publisher's full textPubMedScopus

Authority records

Stenius, IvanFolkesson, JohnBhat, SriharshaSprague, Christopher IliffeLing, LiÖzkahraman, ÖzerBore, NilsCong, ZhengSeverholt, JosefineLjung, CarlArnwald, AnnaTorroba, IgnacioGröndahl, FredrikThomas, Jean-Baptiste

Search in DiVA

By author/editor
Stenius, IvanFolkesson, JohnBhat, SriharshaSprague, Christopher IliffeLing, LiÖzkahraman, ÖzerBore, NilsCong, ZhengSeverholt, JosefineLjung, CarlArnwald, AnnaTorroba, IgnacioGröndahl, FredrikThomas, Jean-Baptiste
By organisation
Vehicle Engineering and Solid MechanicsRobotics, Perception and Learning, RPL
In the same journal
Sensors
RoboticsFish and Aquacultural Science

Search outside of DiVA

GoogleGoogle Scholar

doi
pubmed
urn-nbn

Altmetric score

doi
pubmed
urn-nbn
Total: 582 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf