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

要約

自律型水中ロボット（AUV）は、複雑な水中環境、特に打ち上げや回収（LAR）のような近接作業において、エネルギー、制御、航行に関する大きな課題に直面します。従来の航路計画手法では、このような詳細な航跡構造を取り込むことができず、エネルギー消費の増加、制御の安定性の低下、安全リスクの増大を招いていました。本論文では、局所的な航跡効果と大域的な潮流を計画アルゴリズムに完全に統合する、航跡を考慮した新しい3D航路計画手法を紹介する。A*アルゴリズムの2つのバリエーション（電流情報付きプランナと航跡情報付きプランナ）を作成し、その妥当性を評価した後、リアルタイムアプリケーション用にこれらのプランナを近似する2つのニューラルネットワークモデルをトレーニングした。A*プランナーとニューラルネットワークモデルの両方が、エネルギー消費、経路長、高速領域や乱流領域との遭遇などの重要な指標を用いて評価される。その結果、航跡を考慮したA*プランナが一貫して最も低いエネルギー消費量を達成し、高速領域との遭遇を最小化し、エネルギー消費量を最大11.3%削減することが実証された。ニューラルネットワークモデルでは、計算速度は6桁向上したが、エネルギー消費は4.51～19.79%高く、最適経路は9.81～24.38%減少した。これらの結果は、従来の経路計画アルゴリズムに詳細な航跡構造を組み込むことの重要性と、複雑な3D領域におけるAUVのエネルギー効率と運用の安全性を高めるニューラルネットワーク近似の利点を強調している。

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, DeepL