ПЕРСПЕКТИВНА СТРУКТУРА МАТЕМАТИЧНОГО ЗАБЕЗПЕЧЕННЯ АВТОНОМНИХ ПІДВОДНИХ АПАРАТІВ ДЛЯ ОБСТЕЖЕННЯ МОРСЬКИХ ГЛИБИН
10.33815/2313-4763.2023.1–2.26–27.017–028
Анотація
Метою статті є підвищення ефективності вирішення завдань обстеження морських глибин та виконання різних підводних операцій за рахунок використання перспективного математичного забезпечення автономних підводних апаратів. У статті розглянуті проблеми розробки системи управління для автономних підводних апаратів. Вказано, що існуючі системи управління призначені переважно для вирішення завдань пошукового класу, але автономні підводні апарати можуть використовуватися для виконання складніших завдань, таких як обстеження. Для успішного виконання таких завдань автономним підводним апаратам необхідна система управління, яка може гнучко реагувати на нові завдання та дані від бортових датчиків. У статті запропонована нова архітектура математичного забезпечення системи управління автономними підводними апаратами, яка використовує як ієрархічні, так і поведінкові управлінські структури. Це значно розширює можливості автономних підводних апаратів, дозволяючи йому вирішувати завдання різних класів в умовах обмежень обчислювальних ресурсів бортової обчислювальної мережі. У рамках запропонованої архітектури використовується поведінковий підхід на різних рівнях функціональної ієрархічної системи управління. При цьому управлінські структури виконавчого рівня мають постійний склад, а на тактичному рівні формуються змінні структури, які створюються на основі розробленої бібліотеки агентів. Це забезпечує легке нарощування функціональності по мірі появи нових завдань та апаратних засобів. Обґрунтовано підхід щодо побудови бібліотеки агентів тактичного рівня на основі функціональної декомпозиції цільового класу завдань. Дії робота формуються в термінах агентів, що утворюють бібліотеку, яка забезпечує основу для створення декларативних місій. Розроблена та досліджена структура агента, яка містить локальну модель середовища, засоби планування дій на базі цієї моделі та аналізу використовуваної інформації для визначення працездатності агента. Відповідна система управління може бути запропонована в подальшому для випробування на автономних підводних апаратах.
Посилання
2. Cashmore, M., Fox, M., Long, D., Magazzeni, D., Ridder, B., Carrera, A., Palomeras, N., Hurtos, N., Carreras, M. (2015). Rosplan: Planning in the robot operating system. In: Proceedings of the international conference on automated planning and scheduling. vol 25, pp 333–341.
3. Kirchner, F., Straube, S., Kühn, D., Hoyer, N. (2020). AI technology for underwater robots. Springer, Cham, CH; https://doi.org/10.1007/978-3-030-30683-0.
4. Christensen, L., de Gea Fernández, J., Hildebrandt, M. et al. (2022). Recent Advances in AI for Navigation and Control of Underwater Robots. Curr Robot Rep 3, p. 165–175.
5. Zhandong Li, Jianguo Tao, Hao Sun, Yang Luo, Liang Ding, Zongquan Deng (2017). Hydrodynamic calculation and analysis of a complex-shaped underwater robot based on computational fluid dynamic sand prototype test Advances in Mechanical Engineering, Vol. 9(11), pp. 1–10.
6. Zhimin Liu, Xiaozhong Zhou (2019). Hydrodynamic Analysis and Structural Optimization of an Underwater Robot October 2019 IOP Conference Series Materials Science and Engineering 649(1):012017 DOI: 10.1088/1757-899X/649/1/012017.
7. Thompson, F., Guihen, D. (2019). Review of mission planning for autonomous marine vehicle fleets. Journal of Field Robotics. 36(2): 33–54. https://doi.org/10.1002/rob.21819/.
8. Panda, M., Das, B., Subudhi, B., Pati, BB. (2020). A comprehensive reviewof path planning algorithms for autonomous underwater vehicles. Int J Autom Comput. 17(3). p. 321–352.
9. Li, D. L., Wang, P., Du, L. (2019). Path planning technologies for autonomous underwater vehicles-a review. IEEE Access, vol. 7, pp. 9745–9768. DOI: 10.1109/ACCESS.2018. 2888617.
10. Ali Jebelli, Mustapha, C. E. Yagoub, R.H.J. Abdul Rahim, H. (2013). Kazemi Design and construction of an underwater robot based fuzzy logic controller January 2013 International Review of Mechanical Engineering (IREME) 7(1):147–153.
11. Ali Jebelli, M.C.E. Yagoub, B. S. (2016). Dhillon Design and Control of Underwater Robots with Rotating Thrusters international Journal of Robotics and Automation (IJRA) Vol. 5, No. 4, December, pp. 284−294.
12. Moniruzzaman, M., Islam SMS, Bennamoun, M., Lavery P. (2017). Deep learning on underwater marine object detection: a survey. In: International conference on advanced concepts for intelligentvision systems. Springer; pp 150–160.
13. Roehr TM, Kirchner, F. (2016). Spatiotemporal planning for a reconfigurable multi-robot system. In: Finzi A, Karpas E, editors. Proceedings of the 4th workshop on planning and robotics (PlanRob). London; pp. 135–146.
14. Yuan, J., Wang, H., Zhang, H., Lin, C., Yu, D., Li, C. (2021). AUV obstacle avoidance planning based on deep reinforcement learning. Journal of Marine Science and Engineering. 9(11): 1166. https://doi.org/10.3390/jmse9111166.
15. Guo, T., Jiang, N., Li, B. Y. (2021). UAV navigation in high dynamic environments: A deep reinforcement learning approach. Chin. J. Aeronaut. 34, 479–489. https://doi.org/10.1016/j.cja.2020.05.011.
16. Antonelli, G. (2018). Underwater robots. Springer Tracts in Advanced Robotics, vol. 123. Springer International Publishing, Cham. https://doi.org/10.1007/978-3-319-77899-0.
