Wyniki wyszukiwania - Biblioteka Nauki

1

Fuzzy inference-based adaptive sonar control for collision avoidance in autonomous underwater vehicles

100%

Kot R.

Polish Maritime Research

|

2024

|

tom nr 4

142--152

EN

This article discusses the use of adaptive control in the sonar scanning sector within an obstacle detection system, to improve the effectiveness of collision avoidance for autonomous underwater vehicles (AUVs). An Adaptive network-based fuzzy inference system (ANFIS) was used for dynamic calculations of the sonar scanning sector. Based on 100 simulation scenarios containing various trajectories created by the mission planner, with various shapes, dimensions and arrangements of static obstacles, and various arrangements and displacement vectors of dynamic obstacles, the effectiveness of the proposed system was tested in comparison with other classical approaches such as a single echosounder and sonar with a fixed scanning sector width. The above sensor configurations were evaluated in terms of the percentage of collision-free trials, the average percentage of trajectory completion, and the average number of activations of the collision avoidance system. Simulations conducted based on the mathematical model of the AUV confirmed that the proposed approach increased the effectiveness of collision avoidance systems for AUVs compared to classical echosounder and sonar-based systems.

2

Trajectory Tracking Control of Autonomous Underwater Vehicle Called PAST

63%

Szymak P. , Kot R.

Pomiary Automatyka Robotyka

|

2022

|

tom R. 26, nr 3

17--22

EN

The increasing development of Autonomous Underwater Vehicles (AUVs) with varying levels of autonomy can be seen globally. The paper is devoted to the new AUV called PAST being developed and built within the Polish development project entitled „Development of the underwater autonomous transport system” (no. POIR.01.01.01-00-0893/20). Mainly, the paper focuses on high-level control of PAST AUV devoted to controlling along the desired trajectory. It demands a set of tuned controllers of advanced velocity, course, depth, and trim. The trajectory tracking algorithm should be implemented and verified for different trajectories set in practice. At the beginning of the article, an introduction to the research is inserted. Then, the following scientific issues are presented: the mathematical model of AUV motion, high-level control structure, and the trajectory tracking algorithm. Next, the results of numerical research in the Matlab environment are presented. In the end, the conclusions for future research are formulated.

PL

Na całym świecie można zaobserwować rosnący rozwój autonomicznych pojazdów podwodnych (AUV) o różnych poziomach autonomii. Artykuł poświęcony jest opracowywaniu i budowie nowego AUV o nazwie PAST w ramach polskiego projektu rozwojowego pt. „Rozwój podwodnego autonomicznego systemu transportowego” (nr POIR.01.01.01-00-0893/20). Artykuł koncentruje się głównie na wysokopoziomowym sterowaniu pojazdem PAST przeznaczonym do podążania wzdłuż pożądanej trajektorii. Wymaga to zaawansowanego zestawu dostrojonych kontrolerów prędkości, kursu, głębokości i trymu. Algorytm śledzenia trajektorii powinien być zaimplementowany i zweryfikowany dla różnych trajektorii wyznaczanych w praktyce. Na początku artykułu zamieszczone zostało wprowadzenie do badań. Następnie przedstawiono następujące zagadnienia naukowe: model matematyczny ruchu AUV, wysokopoziomową strukturę sterowania oraz algorytm śledzenia trajektorii. Następnie przedstawiono wyniki badań numerycznych w środowisku MATLAB. Na koniec formułowane są wnioski dla przyszłych badań.

3

Model systemu detekcji przeszkód i mapowania środowiska dla autonomicznych pojazdów podwodnych

51%

Kot R. , Piskur P. , Sigiel N.

|

tom R. 27, nr 4

19--26

PL

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.

EN

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.

4

Automatic classification of Unexploded Ordnance (UXO) based on Deep Learning Neural Networks (DLNNs)

51%

Sigiel N. , Chodnicki M. , Socik P. , Kot R.

Polish Maritime Research

|

2024

|

tom nr 1

77--84

EN

This article discusses the use of a deep learning neural network (DLNN) as a tool to improve maritime safety by classifying the potential threat to shipping posed by unexploded ordnance (UXO) objects. Unexploded ordnance poses a huge threat to maritime users, which is why navies and non-governmental organisations (NGOs) around the world are using dedicated advanced technologies to counter this threat. The measures taken by navies include mine countermeasure units (MCMVs) and mine-hunting technology, which relies on the use of sonar imagery to detect and classify dangerous objects. The modern mine-hunting technique is generally divided into three stages: detection and classification, identification, and neutralisation/disposal. The detection and classification stage is usually carried out using sonar mounted on the hull of a ship or on an underwater vehicle. There is now a strong trend to intensify the use of more advanced technologies, such as synthetic aperture sonar (SAS) for high-resolution data collection. Once the sonar data has been collected, military personnel examine the images of the seabed to detect targets and classify tchem as mine-like objects (MILCO) or non mine-like objects (NON-MILCO). Computer-aided detection (CAD), computeraided classification (CAC) and automatic target recognition (ATR) algorithms have been introduced to reduce the burden on the technical operator and reduce post-mission analysis time. This article describes a target classification solution using a DLNN-based approach that can significantly reduce the time required for post-mission data analysis during underwater reconnaissance operations.