The Method of Intelligent Mission Planning for Autonomous Underwater Vehicles

Cover Page

Cite item

Full Text

Abstract

Creation of fully autonomous unmanned underwater vehicles and systems capable of performing various research and technological operations under uncertainty conditions is a pressing issue. The key problem is automatic mission correction in real time based on data from onboard systems. The aim of this work is to develop a method for intelligent mission planning at the strategic control level of autonomous underwater robotic systems, enabling automatic generation of adaptive plans and their transformation into tactical-level executable commands for operation in changing environmental conditions. In the article, the authors define the principles of developing an intelligent mission planner for autonomous underwater robotic systems (AURS) at the strategic level and a mission manager for managing the mission at the tactical level with the formation of specific tasks for performers. A formal model for planning missions through many linear sections with preconditions and postconditions has been developed. The key aspect of the proposed solution is the use of an ontological approach to standardize the description of missions and ensure their software interpretation. A specialized mission development environment has been created on the IACPaaS cloud platform, allowing experts to form and adapt mission plans without delving into technical details. The set of tools with a modular architecture has been developed, ensuring scalability and adaptation of the solution for various classes of submarines and types of missions. The results of testing have shown that the proposed solution allows for the formation of flexible plans that take into account the diversity of situations and automatically select command sequences depending on the incoming data. The results obtained open up new possibilities for creating fully autonomous underwater systems capable of performing complex research and technological operations without constant operator control. Further research is aimed at improving the mission manager algorithms, as well as integrating the planner with other onboard support components.

About the authors

V. V Gribova

IACP FEB RAS

Email: gribova@iacp.dvo.ru
Radio St. 5

E. A Shalfeeva

IACP FEB RAS

Email: shalf@dvo.ru
Radio St. 5

V. F Filaretov

IACP FEB RAS

Email: filaret@iacp.dvo.ru
Radio St. 5

A. V Zuev

IACP FEB RAS

Email: zuev@iacp.dvo.ru
Radio St. 5

D. A Yukhimets

IACP FEB RAS

Email: undim@iacp.dvo.ru
Radio St. 5

References

  1. Aldhaheri S., Masi G.D., Pairet E., Ardón P. Underwater Robot Manipulation: Advances, Challenges and Prospective Ventures // Proceedings of the OCEANS 2022 – Chennai. 2022. pp. 1–7. doi: 10.1109/OCEANSChennai45887.2022.9775489.
  2. Sahoo A., Dwivedy S.K., Robi P.S. Advancements in the field of autonomous underwater vehicle // Ocean Engineering. 2019. vol. 181. pp. 145–160. doi: 10.1016/j.oceaneng.2019.04.011.
  3. Antonelli G. Underwater Robots: Motion and Force Control of Vehicle-Manipulator Systems. Berlin, Heidelberg: Springer, 2003. 268 p.
  4. Филаретов В.Ф., Зуев А.В., Тимошенко А.А. Особенности выполнения технологических операций с помощью автономных необитаемых подводных аппаратов, оснащаемых многозвенными манипуляторами // Вестник Дальневосточного отделения Российской академии наук. 2024. № 3(235). С. 165–177.
  5. Azar A.T., Koubaa A. Artificial Intelligence for Robotics and Autonomous Systems Applications. Springer Cham. 2023. 486 p.
  6. Kirchner F., Straube S., Kühn D., Hoyer N. AI Technology for Underwater Robots. Springer Cham. 2020. 193 p.
  7. Машошин А.И. Технологии искусственного интеллекта в задачах управления автономным необитаемым подводным аппаратом // Мехатроника, автоматизация, управление. 2022. Т. 23. № 11. С. 596–606.
  8. Петров А.А. Активное формирование моделей проблемной среды очувствленными роботами. М.: Институт проблем передачи информации РАН, 1997. 229 с.
  9. Раговский А.П. Интеллектуальная динамическая система формирования заданий для автономных необитаемых подводных аппаратов // Проблемы развития корабельного вооружения и судового радиоэлектронного оборудования. 2015. № 4. С. 100–108.
  10. Blum A., Furst M. Fast planning through planning graph analysis // Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI-95). Montreal, Canada. 1995. pp. 1636–1642.
  11. Liu F., Xu W., Feng Z., Yu C., Liang X., Su Q., Gao J. Task Allocation and Path Planning Method for Unmanned Underwater Vehicles // Drones. 2025. vol. 9. no. 6. doi: 10.3390/drones9060411.
  12. Maier S., Kiam J., Schulte A. Adaptive Mission Planning: Evaluation of a Hybrid Cognitive Mixed-Initiative Planning Assistant in Manned-Unmanned Teaming Operations // Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (SMC). 2024. pp. 3492–3499. doi: 10.1109/SMC54092.2024.10831141.
  13. Cunningham T., Spencer D. Automated Onboard Mission Planning for Robust and Flexible Rover Operations // Proceedings of the IEEE Aerospace Conference (AERO). 2022. pp. 1–19. doi: 10.1109/AERO53065.2022.9843729.
  14. Bian X., Chen T., Yan Z., Qin Z. Autonomous mission management and intelligent decision for AUV // Proceedings of the IEEE International Conference on Mechatronics and Automation. 2009. pp. 2101–2106. doi: 10.1109/ICMA.2009.5246027.
  15. Simetti E., Campos R., Vito D.D., Quintana J., Antonelli G., Garcia R., Turetta A. Sea Mining Exploration With an UVMS: Experimental Validation of the Control and Perception Framework // IEEE/ASME Transactions on Mechatronics. 2021. vol. 26. no. 3. pp. 1635–1645. doi: 10.1109/TMECH.2020.3025973.
  16. Филаретов В.Ф., Юхимец Д.А. Особенности синтеза высокоточных систем управления скоростным движением и стабилизацией подводных аппаратов в пространстве. Владивосток: Дальнаука, 2016. 400 с.
  17. Chen L., Liu Y., Dong P., Liang J., Wang A. An Intelligent Navigation Control Approach for Autonomous Unmanned Vehicles via Deep Learning-Enhanced Visual SLAM Framework // IEEE Access. 2023. vol. 11. pp. 119067–119077. doi: 10.1109/ACCESS.2023.3326754.
  18. Lin J., Liang T., Ma G., Li B., Yu T. Research on SLAM Intelligent Robot Based on Visual Laser Fusion // Proceedings of the 8th International Conference on Control, Robotics and Cybernetics (CRC). 2024. pp. 53–57. doi: 10.1109/CRC60659.2023.10488663.
  19. Борейко А.А., Инзарцев А.В., Машошин А.И., Павин А.М., Пашкевич И.В. Система управления АНПА большой автономности на базе мультиагентного подхода // Подводные исследования и робототехника. 2019. № 2(28). С. 23–31.
  20. Ferri G., Faggiani A., Celi F., Tesei A., Been R. Exploiting Behaviour Trees in Underwater Autonomous Robotic Networks // Proceedings of the OCEANS 2024 – Singapore. 2024. pp. 1–10. doi: 10.1109/OCEANS51537.2024.10682233.
  21. Han S., Zhao J., Li X., Yu J., Wang S., Liu Z. Online Path Planning for AUV in Dynamic Ocean Scenarios: A Lightweight Neural Dynamics Network Approach // IEEE Transactions on Intelligent Vehicles. 2024. vol. 9. no. 2. pp. 3782–3795. doi: 10.1109/TIV.2024.3356529.
  22. Chatterjee I., Zalte S. Machine Learning Applications: From Computer Vision to Robotics. Wiley-IEEE Press. 2023. 240 p.
  23. Guo J., Li D., He B. Intelligent Collaborative Navigation and Control for AUV Tracking // IEEE Transactions on Industrial Informatics. 2021. vol. 17. no. 3. pp. 1732–1741. doi: 10.1109/TII.2020.2994586.
  24. Liu X.-F., Fang Y., Zhan Z.-H., Jiang Y.-L., Zhang J. A Cooperative Evolutionary Computation Algorithm for Dynamic Multiobjective Multi-AUV Path Planning // IEEE Transactions on Industrial Informatics. 2024. vol. 20. no. 1. pp. 669–680. doi: 10.1109/TII.2023.3268760.
  25. Guo Y., Fang X., Dong Z., Mi H. Research on multi-sensor information fusion and intelligent optimization algorithm and related topics of mobile robots // EURASIP J. Adv. Signal Process. 2021. vol. 2021. doi: 10.1186/s13634-021-00817-4.
  26. Li X., Xu S. Multi-Sensor Complex Network Data Fusion Under the Condition of Uncertainty of Coupling Occurrence Probability // IEEE Sensors Journal. 2021. vol. 21. no. 22. pp. 24933–24940. doi: 10.1109/JSEN.2021.3061437.
  27. Инзарцев А.В., Грибова В.В., Клещёв А.С. Интеллектуальная система для формирования адекватного поведения автономного подводного робота в аварийных ситуациях // Подводные исследования и робототехника. 2015. № 2(20). С. 4–11.
  28. Gribova V., Moskalenko P., Timchenko V., Shalfeyeva E. Intelligent Services Development Technology Using the IACPaaS Cloud Platform // Communications in Computer and Information Science. 2022. vol. 1625. pp. 19–38. doi: 10.1007/978-3-031-15882-7_2.
  29. Gribova VV, Moskalenko PM, Timchenko VA, Shalfeeva EA. The IACPaaS Platform for Developing Systems Based on Ontologies: A Decade of Use. Scientific and Technical Information Processing. 2023. vol. 50(5). pp. 406–413. doi: 10.3103/S0147688223050064.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».