[pt] No campo em crescimento da robótica subaquática, Veículos Subaquáticos
Automatizados (AUVs) estão se tornando cada vez mais importantes para
uma variedade de usos, como exploração, mapeamento e inspeção. Esta dissertação
foca em estudar os principais desafios da acoplagem automática de AUVs,
considerando um ambiente 3D simulado personalizado. A pesquisa divide essa
tarefa em duas partes principais: estimativa da pose da garagem e estratégia
de controle do AUV. Utilizando uma mistura de métodos tradicionais e novos,
incluindo sistemas baseados em marcos fiduciais, Redes Neurais Convolucionais
(CNN) e Aprendizado por Reforço (RL), o estudo realiza experimentos
para verificar o desempenho e as limitações do sistema.
Um aspecto significativo desta dissertação é o uso de um ambiente 3D
simulado para facilitar o desenvolvimento e o teste de algoritmos de acoplagem
automática para AUVs. Este ambiente simula dinâmicas subaquáticas,
sensores robóticos e atuadores, permitindo experimentar diferentes técnicas de
estimativa de pose e estratégias de controle. Além disso, o estabelecimento
de um ambiente 3D simulado amigável para RL representa uma contribuição
relevante, oferecendo uma plataforma reutilizável que não apenas valida os algoritmos
de acoplagem automática desenvolvidos neste estudo, mas também
serve como base para futuras aplicações subaquáticas baseadas em RL.
Em resumo, a dissertação explora uma série de cenários para avaliar a
eficácia de várias técnicas de acoplagem automática. Inicialmente, ela utiliza
servo-visualização junto com um controlador PID tradicional, seguido pela
introdução de métodos mais avançados, como estimadores de pose baseados
em CNN e controladores de Aprendizado por Reforço. Esses métodos são
avaliados tanto individualmente quanto em combinações híbridas para medir
sua adequação e limitações para entender os principais desafios por trás da
acoplagem automática de AUVs. / [en] In the growing field of underwater robotics, Automated Underwater
Vehicles (AUVs) are becoming more important for a range of uses, such as
exploration, mapping, and inspection. This dissertation focuses on studying
the main challenges of AUV auto-docking, considering a customized 3D
simulated environment. The research breaks down this challenging task into
two main parts: cage pose estimation and AUV control strategy. Using a mix of
traditional and new methods, including fiducial-based systems, Convolutional
Neural Networks (CNN), and Reinforcement Learning (RL), the study carries
out experiments to check system performance and limitations.
A significant aspect of this dissertation is using a 3D simulated environment
to facilitate the development and testing of auto-docking algorithms
for AUVs. This environment simulates crucial underwater dynamics, robotic
sensors, and actuators, allowing for experimenting with different pose estimation
techniques and control strategies. Additionally, the establishment of an
RL-friendly 3D simulated environment stands as a relevant contribution, offering
a reusable platform that not only validates the auto-docking algorithms
developed in this study but also serves as a foundation for future RL-based
underwater applications.
In summary, the dissertation explores a range of scenarios to evaluate the
efficacy of various auto-docking techniques. It initially utilizes visual servoing
along with a traditional PID controller, followed by the introduction of more
advanced methods like CNN-based pose estimators and Reinforcement Learning
controllers. These methods are assessed both individually and in hybrid
combinations to gauge their suitability and limitations for understanding the
main challenges behind the AUV auto-docking.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:65926 |
Date | 24 January 2024 |
Creators | MATHEUS DO NASCIMENTO SANTOS |
Contributors | WOUTER CAARLS |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0019 seconds