Kowalczyk, WojciechWojciechKowalczyk0000-0002-7390-2836Hoth, JulianJulianHoth2021-04-082021-04-082016-05-31http://hdl.handle.net/11420/9234Autonome 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.Autonomous underwater vehicles (AUVs) have changed the way marine environment is surveyed, monitored and mapped. They have a wide range of applications in research, military, and commercial settings. AUVs should not only perform a given task but also adapt to changes in the environment. Typical effects are sudden side currents, downdrafts, and other effects which are extremely unpredictable. Simultaneous localisation and mapping (SLAM) is a well-known and well-understood problem in robotics. For land-based robots in 2-D environments this problem is generally considered to be solved. SLAM algorithms for these tend to rely on optical recognition in combination with dead reckoning and inertial measurement units. The optical properties of water and especially seawater prevent the use of established optical recognition algorithms. High quality images with correct colouring simplify the detection of underwater objects and may allow the use of visual SLAM algorithms developed for land-based robots underwater. Hence, appropriate image processing is required especially in deep water. In this thesis physics-based models for autonomous underwater vehicle navigation are developed with an emphasis on fast exploratory AUVs with cruising speeds in the range of 5 kn to 20 kn. The system should be capable of detecting disturbances in the water flow and be able to use a camera for object detection, ground survey, and especially for navigational purposes. Furthermore, it should be possible to integrate the system into existing autonomous underwater vehicles. Therefore, the system must be small and lightweight such that the payload of the AUV is not reduced significantly. The required computational power and the power consumption must also be small such that the duration of the vehicle does not decrease strongly. The algorithms should also be fast to allow SLAM application. In the first part of the thesis the applicability of different learning methods for determining flow parameters of a surrounding fluid from pressure on an AUV body are tested based on numerous computational fluid dynamical (CFD) simulations and using pressure data from specified points on the surface of the AUV. It is shown that a combination of support vector machines (SVM) is an excellent choice to perform this task. With the findings from the simulations the position of pressure measurement points is then optimised such that the most significant pressure changes due to changing flow velocities can be captured. This also reduces the number of measurement points. It is then shown that also for the optimised setup support vector machines are the best choices for the given task. However, fewer machines are required in this case. In the second part of the thesis different learning methods are applied for the reconstruction of underwater images. First laboratory tests are performed using a special light source imitating underwater lighting conditions. It is shown that a combination of the k-nearest neighbour method and support vector machines yields excellent results. Based on these results an experimental verification is performed under severe conditions in murky water of a diving basin. It is shown that the k-nearest neighbour method gives very good results for small distances between the object and the camera and for small water depths in the red channel. For higher distances, water depths, and for the other colour channels a combination of support vector machines is the best choice for the reconstruction of the colour as seen under white light from the underwater images. Thus, a novel approach to autonomous underwater vehicle navigation and the reconstruction of underwater images is proposed and developed in this thesis.enTechnikIngenieurwissenschaftenDoctoral ThesisPaschen, MathiasMathiasPaschenOther