Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations

要約

自律的な水中車両（AUV）は、特に流体の相互作用やウェイク効果が追加のナビゲーションとエネルギーの課題をもたらす、発射と回復（LAR）などの近接操作中に、複雑な水中環境でかなりのエネルギー、制御、およびナビゲーションの課題に遭遇します。
従来の経路計画方法は、これらの詳細なウェイク構造を組み込むことができず、エネルギー消費の増加、制御安定性の低下、安全性の高まりをもたらします。
このペーパーでは、ローカライズされたウェイクエフェクトとグローバルな電流を計画アルゴリズムに完全に統合する、新しいウェイクに基づいた3Dパス計画アプローチを紹介します。
A*アルゴリズムの2つのバリアント – 現在の情報に基づいたプランナーとウェイクに基づいたプランナー – がその妥当性を評価するために作成され、2つのニューラルネットワークモデルがリアルタイムアプリケーションのためにこれらのプランナーを近似するようにトレーニングされます。
A*プランナーとNNモデルの両方は、エネルギー消費、経路の長さ、高速および乱流領域との出会いなどの重要なメトリックを使用して評価されます。
結果は、ウェイクに基づいたA*プランナーが一貫して最低のエネルギー消費を達成し、高速地域との出会いを最小限に抑え、エネルギー消費を最大11.3％削減することを示しています。
ニューラルネットワークモデルは、6桁の計算スピードアップを提供することが観察されていますが、エネルギー消費量が4.51〜19.79％、9.81-24.38％が最適なパスが少なくなります。
これらの調査結果は、複雑な3DドメインのAUVのエネルギー効率と運用安全性を高めるために、詳細なウェイク構造を従来の経路計画アルゴリズムに組み込むことの重要性と、神経ネットワーク近似の利点を強調しています。

要約(オリジナル)

Autonomous Underwater Vehicles (AUVs) encounter significant energy, control and navigation challenges in complex underwater environments, particularly during close-proximity operations, such as launch and recovery (LAR), where fluid interactions and wake effects present additional navigational and energy challenges. Traditional path planning methods fail to incorporate these detailed wake structures, resulting in increased energy consumption, reduced control stability, and heightened safety risks. This paper presents a novel wake-informed, 3D path planning approach that fully integrates localized wake effects and global currents into the planning algorithm. Two variants of the A* algorithm – a current-informed planner and a wake-informed planner – are created to assess its validity and two neural network models are then trained to approximate these planners for real-time applications. Both the A* planners and NN models are evaluated using important metrics such as energy expenditure, path length, and encounters with high-velocity and turbulent regions. The results demonstrate a wake-informed A* planner consistently achieves the lowest energy expenditure and minimizes encounters with high-velocity regions, reducing energy consumption by up to 11.3%. The neural network models are observed to offer computational speedup of 6 orders of magnitude, but exhibit 4.51 – 19.79% higher energy expenditures and 9.81 – 24.38% less optimal paths. These findings underscore the importance of incorporating detailed wake structures into traditional path planning algorithms and the benefits of neural network approximations to enhance energy efficiency and operational safety for AUVs in complex 3D domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google