Method choosing an energy economical way to bypass a complex obstacle by autonomous

Cover Page

Cite item

Full Text

Abstract

A method based on bathymetric and physical maps of the World Ocean has been developed to select a bypass path around a complex obstacle. It has been proposed to use the Kriging algorithm to go from mesorelief to minirelief. It has been proposed to consider a depth grid in the form of an oriented weighted graph to determine the most energy-efficient bypass path around complex obstacles. The conditions for the shortest path on the graph to be the most energy efficient way have been determined. An algorithm for enumerating bypass path options with pruning has been developed, based on the "depth-first graph search" algorithm. The advantage of using the proposed method for selecting a bypass option over the traditionally proposed bypasses from above or from the side of the obstacle has been shown in an example of bypassing a complex obstacle. The results of the conducted numerical experiments confirmed the correctness of the proposed solution: the reduction of the path for the considered variant of the obstacle was 15-20%, which makes it possible to implement the proposed method of selecting an energy-efficient spatial path to bypass a complex obstacle in the control system of an autonomous underwater vehicle.

About the authors

Lyubov Aleksandrovna Martynova

JSC Concern Central Research Institute

Email: martynowa999@bk
Санкт-Петербург

Alexey Aleksandrovich Pavlov

JSC Concern Central Research Institute

Email: ialex.science@gmail.com
Санкт-Петербург

References

  1. АГАРКОВ С.А., ПАШЕНЦЕВ С.В. Параметрическая идентифи-кация обобщенной модели Номото с помощью аппарата вариа-ционного исчисления // Вестник МГТУ. – T. 18. – №1. – 2015. – С. 7–11.
  2. БЫКОВА В.С., МАШОШИН А.И., ПАШКЕВИЧ И.В. Алгоритм обеспечения безопасности плавания автономного необитаемого подводного аппарата // Гироскопия и навигация. – 2021. – Т. 29, №1(112). – С. 97–110.
  3. ЗАВЬЯЛОВ В.В., КЛЮЕВА С.Ф., ЛАБЮК Ф.И. Анализ точности построения и использования цифровой модели дна в задачах нави-гации по полю глубин // Transport Business in Russia. – №6. – 2015. – С. 211–213.
  4. ИНЗАРЦЕВ А.В., БАГНИЦКИЙ А.В. Алгоритмы обхода локаль-ных донных объектов для автономного подводного робота // Ше-стая Всерос. науч.- техн. конф. «Технические проблемы освоения мирового океана» (ТПОМО-6). Владивосток. – 2015. – С. 450–454.
  5. МАРТЫНОВА Л.А. Решение задачи подводного наблюдения в условиях применения интеллектуальных помех // Информацион-но-управляющие системы. – 2018. – №1(92). – С. 31–41.
  6. МАРТЫНОВА Л.А., ГРИНЕНКОВ А.В., ПРОНИН А.О. и др. Ими-тационное моделирование функционирования мультиагентной си-стемы управления автономного необитаемого подводного аппа-рата // В сб.: «Имитационное моделирование. Теория и практика. Восьмая Всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и про-мышленности». – 2017. – С. 474–479.
  7. МАРТЫНОВА Л.А., КИСЕЛЕВ Н.К., МЫСЛИВЫЙ А.А. Метод выбора архитектуры мультиагентной системы управления авто-номного необитаемого подводного аппарата // Информационно-управляющие системы. – 2020. – №4(107). – С. 31–41.
  8. МАРТЫНОВА Л.А., МАШОШИН А.И., ПАШКЕВИЧ И.В. и др. Алгоритмы, реализуемые интегрированной системой управления АНПА // Известия ЮФУ. Технические науки. – 2015. – №1(162). – С. 50–58.
  9. ПШИХОПОВ В.Х. Интеллектуальное планирование траекторий подвижных объектов в средах с препятствиями. – М.: Физмат-лит, 2015. – 300 с.
  10. ALCARAS E., PARENTE C., VALLARIO A. From electronic naviga-tional chart data to sea-bottom models: Kriging approaches for the Bay of Pozzuoli // Acta IMEKO. – Vol. 10, No. 4, Article 9, December 2021, ID: IMEKO-ACTA-10 (2021)-04-09/.
  11. AMOROSO P.P., FALCHI U., FIGLIOMENI F.G. et al. The Influence of Interpolation Methods and point density on the Accuracy of a Bathymetric Model // IEEE Int. Workshop on Metrology for the Sea; Learning to Measure Sea Health Parameters (MetroSea-2023), 04–06 October 2023. – doi: 10.1109/MetroSea58055.2023.10317127.
  12. BIRX A., DISSER Y., HOPP A.V. et al. An improved lower bound for competitive graph exploration // Theoretical Computer Science. – May 2021. – No. 868. – P. 65–86. – arXiv:2002.10958. – doi: 10.1016/j.tcs.2021.04.003.
  13. BRAHMI H., AMMAR B., ALIMI A.M. Intelligent path planning algorithm for autonomous robot based on recurrent neural networks // Int. Conf. on Advanced Logistics and Transport, 2013. – P. 199–204. – doi: 10.1109/ICAdLT.2013.6568459.
  14. BRANDT S., FOERSTER K.-T., MAURER J. et al. Online graph ex-ploration on a restricted graph class: Optimal solutions for tadpole graphs // Theoretical Computer Science. – November 2020. – No. 839. – P. 176–185. – arXiv:1903.00581. – doi: 10.1016/j.tcs.2020.06.007.
  15. CHANG J.-H., HART D.R., MUNROE D.M. et al. Bias Correction of Ocean Bottom Temperature and Salinity Simulations From a Regional Circulation Model Using Regression Kriging // Journal of Geophysi-cal Research: Oceans. – 2021. – doi: 10.1029/2020JC017140.
  16. EVANS J., PATRÓN P., SMITH B. et al. Design and evaluation of a reactive and deliberative collision avoidance and escape architecture for autonomous robots // Autonomous Robots. – 2008. – Vol. 24, No 3. – P. 247–266.
  17. GALARZA C., MASMITJA I., PRAT J. et al. Design of obstacle detec-tion and avoidance system for Guanay II AUV //Appl. Sci. – 2020. – Vol. 10. – P. 32–37.
  18. GOKARN R.P. A Study of Ship Manoeuvrability. – Springer Nature Singapore Pte Ltd., 2024. – P. 105–115.
  19. IYANDA J.A. Comparative Analysis of Breadth First Search (BFS) and Depth First Search (DFS) Algorithms. – May 2023. Preprint. – URL: https://www.researchgate.net/publication/370751322_Title_A_Comparative_Analysis_of_Breadth_First_Search_BFS_and_Depth_First_Search_DFS_Algorithms (дата обращения: 17.06.2024).
  20. LEE S.Y., MALLICK B. Bayesian Hierarchical Modeling: Applica-tion Towards Production Results in the Eagle Ford Shale of South Texas // Sankhya B 84. – 2022. – Vol. 84. – P. 1–43. – doi: 10.1007/s13571-020-00245-8.
  21. LIN C., WANG H., YUAN J. et al. An improved recurrent neural net-work for unmanned underwater vehicle online obstacle avoidance // IEEEJ. Ocean. Eng. – 2019. – Vol. 44. – P. 120–133.
  22. LIU S., WEI Y., GAO Y. 3D path planning for AUV using fuzzy logic // Computer Science and Information Processing (CSIP), 2012. – URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6308925 (дата обращения: 17.06.2024).
  23. RANFTL S., VON DER LINDEN W. Bayesian Surrogate Analysis and Uncertainty Propagation. // Physical Sciences Forum. – 2021. – No. 3(1):6. – arXiv:2101.04038. – doi: 10.3390/psf2021003006. ISSN 2673-9984.
  24. SAMI A., AYMAN M.M., BRISHA M. Analysis and Simulation of 3D Trajectory with Obstacle Avoidance of an Autonomous Underwater Vehicle for Optimum Performance // Int. Journal of Computer Science and Network Security. – 2012. – Vol. 12, No. 3. – P. 43–50.
  25. The General Bathymetric Chart of the Oceans (GEBCO). – URL: https://www.gebco.net/ (дата обращения: 17.06.2024).
  26. VALENZA E. Blender 2.6 Cycles: Materials and Textures Cookbook: Over 40 Recipes to Help You Create Stunning Materials and Textures Using the Cycles Rendering Engine With Blender. – Birmingham, UK: Packt Pub Ltd, 2013. – 265 p.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).