AUV mission planning for Multiple Vehicles using Adaptive sampling

Flere AUV-er brukes i dag i prøvetaking av havet for å studere hvordan marint liv i havet påvirkes av endringer på grunn av havfenomener som havfronter eller eddier. Havprøvetaking er ofte avhengig av forhåndsprogrammerte oppdrag. Dette er problematisk siden forkunnskap om havet vanligvis er dårlig og stadig endrer seg. Hensikten med denne oppgaven er å utvikle en algoritme og teste beslutningsmetoder for å bruke adaptiv prøvetaking ombord i flere AUV-er for å forbedre prøvetaking av havet. Adaptiv prøvetaking kan resultere i forbedret effektivitet og prøvetakingsresultater. Ved å bruke flere AUV-er samtidig og utføre et samarbeidsoppdrag med kommunikasjon, er målet å øke effektiviteten og forbedre prøvetakningsresultatene sammenlignet med flere AUV-er som kjører et forhåndsplanlagt oppdrag. I denne masteroppgaven gjøres det 12 simuleringer av adaptiv prøvetaking ved å bruke et Python-program hjulpet av PyIMC for å kontrollere flere AUVer. AUVene simuleres ved hjelp av LSTS Toolchain. En havserver basert på data fra en SINMOD-fil brukes til å simulere havprøvetaking. Gaussiske prosesser brukes til å forutsi temperaturen i oppdragsområdet basert på havprøvetaking utført av AUVer. Som input til den gaussiske prosessen, brukes gjennomsnittet av alle tilgjengelige temperaturer fra kartreferansene i SINMOD-filen. Prediksjonen fra den gaussiske prosessen brukes som input for å teste flere myopiske beslutningsmetoder. Simuleringsresultatene viser en forbedring i både effektivitet og kvalitet når man samler havdata. Den gjennomsnittlige absolutte feilen mellom den faktiske temperaturen og den gjennomsnittlige temperaturen som ble brukt i den gaussiske prosessen var 0,03046°C. Resultat fra adaptiv prøvetaking med to AUVer som kommuniserer, viser en gjennomsnittlig absolutt feil så lavt som 0,01410°C. Denne simuleringen kjørte i 13 timer. Den gjennomsnittlige absolutte feilen for adaptiv prøvetaking med en AUV eller to AUVer som ikke kommuniserer, var omtrent 0,020°C. Simuleringen gikk i 25 timer for en AUV og 12 timer for to. Algoritmen presentert i denne oppgaven gjør det mulig å kartlegge et område både tidseffektivt og med en finere oppløsning. Denne algoritmen skal kunne arbeide med alle havdata. Ved å bruke gaussiske prosesser for å forutsi havdata, kan adaptiv prøvetaking utvide mulighetene for å oppdage datasett som aldri har blitt samlet før. Dette er mulig selv med lite eller ingen havdata på forhånd. Resultatene viser vellykket implementering av en beslutningsmodell for fler-AUV-systemer som gjør adaptiv prøvetaking. Utførelser i det virkelige liv må testes før dette kan sies med sikkerhet. Før bruk av algoritmen beskrevet her i en feltprøve, må noen problemer undersøkes nærmere. Det må jobbes videre med å lage en bedre kommunikasjonsmodell. Når teknologien utvikles, vil mulighetene for å bruke ikke-myopiske beslutningsmetoder sammen med mer komplekse gaussiske prosessmodeller, kunne bidra til bedre prøvetaking av havet