PT Unknown
AU Hoth, J
TI Development and Analysis of Physics-based Models for Autonomous Underwater Vehicle Navigation and the Reconstruction of Underwater Images
PD 05
PY 2016
LA en
DE AUV; Underwater navigation; Image processing; Underwater images
AB Autonome Unterwasserfahrzeuge (AUVs) haben die Art wie die Meeresumwelt untersucht, überwacht und kartographiert wird verändert. Sie bieten eine breite Palette von Anwendungen in der Forschung, beim Militär und in kommerziellen Zusammenhängen. AUVs sollen nicht nur eine bestimmte Aufgabe erfüllen, sondern sich auch an Veränderungen in der Umgebung anpassen. Typische Einflüsse sind plötzliche Seitenströmungen, Fallströme und andere Effekte, welche extrem unberechenbar sind.
Simultane Lokalisierung und Kartenerstellung (SLAM) ist ein bekanntes und gut verstandenes Problem in der Robotik. Für landgestützte Roboter in 2D-Umgebungen wird dieses Problem im Allgemeinen als gelöst angesehen. SLAM-Algorithmen für diese neigen dazu sich auf die optische Erkennung in Kombination mit Koppelnavigation und Trägheitsmesseinheiten zu verlassen. Die optischen Eigenschaften des Wassers und insbesondere Meerwassers verhindern die Nutzung etablierter optischer Erkennungsalgorithmen. Bilder in hoher Qualität mit der richtigen Farbgebung erleichtern die Erkennung von Objekten unter Wasser und können die Verwendung der für landgestützte Roboter entwickelten visuelle SLAM-Algorithmen unter Wasser ermöglichen. Daher ist geeignete Bildverarbeitung vor allem im tiefen Wasser erforderlich.
In dieser Arbeit werden physikbasierte Modelle für die Navigation autonomer Unterwasserfahrzeuge entwickelt mit einem Schwerpunkt auf schnellen Forschungs-AUVs mit Reisegeschwindigkeiten im Bereich von 5 kn bis 20 kn. Das System sollte fähig sein Störungen im Wasserfluss zu erkennen und in der Lage sein eine Kamera zur Objekterkennung, Bodenuntersuchung und vor allem für Navigationszwecke zu verwenden.
Des Weiteren sollte es möglich sein, das System in bestehende autonome Unterwasserfahrzeuge zu integrieren. Daher muss das System klein und leicht sein, so dass die Nutzlast des AUV nicht wesentlich reduziert wird. Die erforderliche Rechenleistung und der Leistungsverbrauch müssen ebenfalls klein sein, so dass die Einsatzdauer des Fahrzeugs nicht stark verringert wird. Die Algorithmen sollten außerdem schnell sein, um SLAM-Anwendung zu ermöglichen.
Im ersten Teil der Arbeit wird die Anwendbarkeit verschiedener Lernverfahren zur Bestimmung der Strömungsparameter eines umgebenden Fluids mit Hilfe des Drucks auf einen AUV-Körper anhand zahlreicher numerischer Strömungssimulationen (CFD) und unter Verwendung von Druckdaten von festgelegten Punkten auf der Oberfläche des AUV getestet. Es wird gezeigt, dass eine Kombination von Support Vector Machines (SVM) eine ausgezeichnete Wahl ist, um diese Aufgabe auszuführen.
Mit den Ergebnissen aus den Simulationen wird dann die Lage der Druckmessstellen optimiert, so dass die höchsten Druckänderungen aufgrund der Fließgeschwindigkeiten erfasst werden. Dies reduziert auch die Anzahl von Messpunkten. Es wird dann gezeigt, dass auch für die optimierte Konfiguration Support Vector Machines die beste Wahl für die gestellte Aufgabe sind. Jedoch sind in diesem Fall weniger Maschinen erforderlich.
Im zweiten Teil der Arbeit werden verschiedene Lernmethoden für die Rekonstruktion von Unterwasserbildern angewandt. Zuerst werden Labortests unter Verwendung einer speziellen Lichtquelle, welche die Lichtverhältnisse unter Wasser imitieren, durchgeführt. Es wird gezeigt, dass eine Kombination aus der k-nächste-Nachbarn-Methode und Support Vector Machines hervorragende Ergebnisse liefert.
Basierend auf diesen Ergebnissen wird eine experimentelle Verifikation unter erschwerten Bedingungen im trüben Wasser eines Tauchbeckens durchgeführt. Es wird gezeigt, dass die k-nächste-Nachbarn-Methode sehr gute Ergebnisse für kleine Abstände zwischen dem Objekt und der Kamera und für kleine Wassertiefen im roten Kanal liefert. Für höhere Distanzen, Wassertiefen und für die anderen Farbkanäle ist eine Kombination von Support Vector Machines die beste Wahl für die Rekonstruktion der Farbe, wie sie unter weißem Licht zu sehen sind, aus den Unterwasserbildern.
Somit wird in dieser Arbeit ein neuer Ansatz zur Navigation autonomer Unterwasserfahrzeug und der Rekonstruktion von Unterwasserbildern vorgeschlagen und entwickelt.
ER