Model systemu detekcji przeszkód i mapowania środowiska dla autonomicznych pojazdów podwodnych

pol Article in Polish DOI: 10.14313/PAR_250/19

send Rafał Kot , Paweł Piskur , Norbert Sigiel Akademia Marynarki Wojennej, Śmidowicza 69, 81-127 Gdynia, Polska

Download Article

Streszczenie

W artykule przedstawiono model systemu detekcji przeszkód i mapowania środowiska, bazujący na przetwarzaniu obrazowym w czasie rzeczywistym, przeznaczony dla autonomicznego pojazdu podwodnego. Model został zrealizowany w oparciu o parametry pracy rzeczywistego sonaru z mechanicznym przestawianiem wiązki Tritech Micron Sonar. Działanie systemu detekcji zostało zweryfikowane z wykorzystaniem matematycznego modelu autonomicznego pojazdu podwodnego poruszającego się w środowisku podwodnym wyrażonym mapą testową przygotowaną na bazie rzeczywistych pomiarów zrealizowanych za pomocą ww. sonaru. Model systemu pozwala wykrywać i zapisywać w postaci mapy, przeszkody znajdujące się w polu widzenia sonaru w czasie rzeczywistym.

Słowa kluczowe

akwizycja danych pomiarowych, autonomiczny pojazd podwodny, detekcja przeszkód, przetwarzanie zobrazowań sonarowych, sonar

Simulation Model of Obstacle Detection and Mapping System for AUVs

Abstract

This article presents a real-time model of an obstacle detection and environmental mapping system based on image processing for an autonomous underwater vehicle (AUV). The model was based on Tritech Micron Sonar operating parameters with mechanical beam adjustment. The operation of the detection system was verified using a mathematical model of an autonomous underwater vehicle moving in the underwater environment, expressed by a test map prepared based on actual measurements of the above-mentioned sonar. The system model allows for detecting and mapping obstacles in the sonar’s field of view in real-time.

Keywords

autonomous underwater vehicle, AUV, data acquisition system, obstacle detection, sonar image processing

Bibliography

  1. Szymak P., Piskur P., Naus K., The Effectiveness of Using a Pretrained Deep Learning Neural Networks for Object Classification in Underwater Video, “Remote Sensing”, Vol. 12, No. 18, 2020, DOI: 10.3390/rs12183020.
  2. Hożyń S., Żak B., Stereo Vision System for Vision-Based Control of Inspection-Class ROVs, “Remote Sensing”, Vol. 13, No. 24, 2021, DOI: 10.3390/rs13245075.
  3. Xanthidis M., Karapetyan N., Damron H., Rahman S., Johnson J., O’Connell A., O’Kane J.M., Rekleitis I., Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle, 2020 IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, 892–899, DOI: 10.1109/ICRA40945.2020.9197558.
  4. An R., Guo S., Zheng L., Hirata H., Gu S., Uncertain moving obstacles avoiding method in 3D arbitrary path planning for a spherical underwater robot, “Robotics and Autonomous Systems”, Vol. 151, 2022, DOI: 10.1016/j.robot.2021.104011.
  5. Kot R., Review of Obstacle Detection Systems for Collision Avoidance of Autonomous Underwater Vehicles Tested in a Real Environment, “Electronics”, Vol. 11, No. 21, 2022, DOI: 10.3390/electronics11213615.
  6. Zieja M., Wawrzyński W., Tomaszewska J., Sigiel N., A Method for the Interpretation of Sonar Data Recorded during Autonomous Underwater Vehicle Missions, “Polish Maritime Research”, Vol. 29, No. 3, 2022, 176–186, DOI: 10.2478/pomr-2022-0038.
  7. Kot R., Review of Collision Avoidance and Path Planning Algorithms Used in Autonomous Underwater Vehicles, “Electronics”, Vol. 11, No. 15, 2022, DOI: 10.3390/electronics11152301.
  8. Szymak P., Kot R., Trajectory Tracking Control of Autonomous Underwater Vehicle Called PAST, “Pomiary Automatyka Robotyka”, Vol. 26, No. 3, 2022, 17–22, DOI: 10.14313/PAR_245/17.
  9. Wawrzyński W., Zieja M., Żokowski M., Sigiel N., Optimization of autonomous underwater vehicle mission planning process, „Bulletin of the Polish Academy of Sciences: Technical Sciences Bulletin of the Polish Academy of Sciences: Technical Sciences”, Vol. 70, No. 2, 2022, DOI: 10.24425/BPASTS.2022.140371.
  10. Hożyń S., A Review of Underwater Mine Detection and Classification in Sonar Imagery, “Electronics”, Vol. 10, No. 23, 2021, DOI: 10.3390/electronics10232943.
  11. Piskur P., Gąsiorowski M., Digital Signal Processing for Hydroacoustic System in Biomimetic Underwater Vehicle, “Nase More”, Vol. 67, No. 1, 2020, 14–18, DOI: 10.17818/nm/2020/1.3.
  12. Szymak P., Piskur P., Measurement system of biomimetic underwater vehicle for passive obstacles detection, Proceedings of the 18th International Conference on Transport Science, ICTS, 2018.
  13. Piskur P., Szymak P., Algorithms for passive detection of moving vessels in marine environment, “Journal of Marine Engineering & Technology”, Vol. 16, No. 4, 2017, 377–385, DOI: 10.1080/20464177.2017.1398483.
  14. Piskur P., Szymak P., Jaskólski K., Flis L., Gąsiorowski M., Hydroacoustic system in a biomimetic underwater vehicle to avoid collision with vessels with low-speed propellers in a controlled environment, “Sensors”, Vol. 20, No. 4, 2020, DOI: 10.3390/s20040968.
  15. Szymak P., Zorientowany na sterowanie model ruchu oraz neuro-ewolucyjno-rozmyta metoda sterowania bezzałogowymi jednostkami pływającymi. Politechnika Krakowska, 2015