Accurate simulation of underwater vehicles is essential for effective design, testing and deployment of autonomous underwater systems. However, a persistent challenge in underwater robotics is the sim-to-real gap, the discrepancy between simulation and reality. Within this domain the gap is especially pronounced in dynamics modelling. Contributing factors to this discrepancy between simulated and real-world dynamics include complex hydrodynamic effects, environmental disturbances and modelling limitations.

This thesis investigates a real-to-sim-to-real approach to improve simulation fidelity by learning residual dynamics; data-driven corrections that augment an existing nominal model, in a computationally efficient manner to assure real-time simulation capability. Specifically, the study compares two machine learning regression-based methods, K-Nearest Neighbours (KNN) and Gaussian Processes (GP), for learning residual dynamics of a BlueROV2. These models are trained on real-world data collected via an underwater motion capture system in a controlled tank environment and are evaluated in terms of simulated acceleration and velocity prediction accuracy. To assure the models real-time simulation feasibility, their inference times were also evaluated.

The results show that while both models reduce acceleration error, KNN consistently outperforms GP across most scenarios in terms of overall simulation accuracy. Notably, large baseline errors underscore the critical need for residual correction. However, increased velocity error in GP models introduces ambiguity in the overall benefit, highlighting the complexity of evaluating model effectiveness. The results also show that KNN is acceptable for real-time simulations but for GP it depends on its configuration on the tested computer.

The study also evaluates the effect of input space complexity. While models trained on a smaller control input space had more accurate zero-shot baselines, those trained with full 6-DoF inputs achieved greater improvements, especially in the rotational axes. This suggests that model expressiveness can be better utilized in scenarios where the data sufficiently captures the system dynamics.

En noggrann simulering av undervattensfarkoster är avgörande för effektiv design, testning och driftsättning av autonoma undervatten system. En återkommande utmaning inom undervattensrobotik är gapet mellan simulering och verklighet, särskilt det dynamiska gapet. Bidragande faktorer till denna skillnad mellan simulerad och verklig dynamik är komplexa hydrodynamiska effekter, störningar och modelleringsbegränsningar.

Denna avhandling undersöker en real-to-sim-to-realmetod för att förbättra simuleringsnoggrannheten genom att lära sig residualdynamiken, dvs. datadrivna korrigeringar som kompletterar en befintlig nominell modell på ett beräkningsmässigt effektivt sätt för att säkerställa realtidssimulering. Studien jämför specifikt två regressionsbaserade metoder, K-Nearest Neighbours (KNN) och Gaussian Processes (GP), för att lära sig residualdynamik hos en BlueROV2. Dessa modeller tränas på verkliga data som samlats in från ett undervattens-Motion Capture-system i en kontrollerad tankmiljö och utvärderas med avseende på prediktionsnoggrannhet för simulerad acceleration och hastighet. För att säkerställa modellernas genomförbarhet för realtidssimulering utvärderades även deras inferenstider.

Resultaten visar att båda modellerna minskar accelerationsfelet, men att KNN konsekvent presterar bättre än GP i de flesta scenarier när det gäller den övergripande simuleringsnoggrannheten. De stora grundfelen understryker behovet av residualkorrigering. Dock leder ökade hastighetsfel i GP-modellerna till viss osäkerhet kring den totala nyttan, vilket belyser komplexiteten i att utvärdera modellernas effektivitet. Resultaten visar även att KNN är acceptabel för realtidssimuleringar, medan GP:s lämplighet är beroende av dess konfiguration på den testade datorn.

Studien utvärderar också effekten av styrsignalernas komplexitet. Medan modeller tränade på ett mindre styrsignalsutrymme hade mer exakta grundsimuleringar så uppnådde de som tränades med full 6-frihetsgraders indata större förbättringar, särskilt i rotationsaxlarna. Detta tyder på att modellens förmåga att representera komplex dynamik kan utnyttjas bättre i mer komplexa scenarier, förutsatt att datan tillräckligt väl fångar systemets dynamik.