While the oceans cover more than 70% of the Earth, the vast majority of the ocean floor remains unmapped. In the path towards a fully-mapped seabed, autonomous underwater vehicles (AUVs) equipped with multibeam echosounders (MBES) are becoming the de-facto tools for collecting bathymetry, thanks to their ability to gather high-resolution data regardless of the water depth. However, the massive scale of the areas to survey highlights the need for more intelligent mission planning approaches beyond the standard lawn-mowing pattern (LMP). Informative path planning (IPP) aims to overcome the limitations of this offline planning by enabling the surveying vehicle to plan paths online based on the data collected so far. Thus, the vehicle can optimize the mission time to survey feature-rich areas and steer away from less informative ones. In this work we present an IPP method based on Bayesian Optimization (BO) over an stochastic variational Gaussian Process (SVGP) surrogate model of the bathymetry, trained online with uncertain inputs (UIs) which propagate the AUV localization uncertainty to the SVGP. The path optimization is performed in two steps: first, non-myopic waypoint (WP) candidates are selected through Monte- Carlo tree search (MCTS) which is expanded with multi-objective BO over the SVGP- UI; after, a second BO step is carried out to find a feasible vehicle path to those WPs that maximizes information gathered on the way with the MBES. We assess the performance of our approach in simulation against LMP regarding bathymetry reconstruction error of features, and distance travelled. 

Medan haven täcker mer än 70% av jordens yta, är den stora majoriteten av havsbotten fortfarande ej kartlagd. På vägen mot en fullt kartlagd havsbotten blir autonoma undervattensfordon (AUV) med multibeam ekolod (MBES) de facto verktygen för att samla in batyetri, tack vare deras förmåga att samla in högupplöst data oavsett vattendjup. Men den massiva skalan av områdena att kartlägga belyser behovet av mer intelligenta metoder för att planera uppdrag bortom standard gräsklippningsmönster (LMP). Informativ vägplanering (IPP) syftar till att övervinna begränsningarna av denna offline-planering genom att göra det möjligt för det mätande fordonet att planera banor under själva uppdraget, baserat på datainsamlingen som skett. Således kan fordonet optimera uppdragstiden för att kartlägga informationsrika områden och styra undan från mindre informativa sådana. I detta arbete presenterar vi en IPP-metod baserad på Bayesisk optimering (BO) med en stokastisk variationsmässig Gaussisk process (SVGP) som surrogatmodell av batymetri, tränad online med osäkra inputs (UI) som sprider AUV-lokaliseringsosäkerheten till SVGP. Optimering av banan utförs i två steg: först väljs kandidater för en icke-myopisk vägpunkt (WP) genom Monte-Carlo trädsökning (MCTS) som utökas med multi-objektiv BO över SVGP-UI; efter detta sker ett andra BO-steg för att hitta en genomförbar fordonsbana till dessa WP som maximerar informationen samlad på vägen med MBES. Vi bedömer prestandan av vår metod i simulering mot LMP med hänsyn till batymetrirekonstruktionsfel av områden med särdrag, och sträcka färdad.