Autonome systemer (FFI) (external)

Oppgaven utføres i samarbeid med Forsvarets forskningsinstitutt (FFI) på Kjeller. 

Bildet kan inneholde: kjøretøy.

Aktuelle robotplatformer på FFI

Ved FFI har vi ubemannede farkoster innenfor alle domener. Vi utvikler autonomifunksjonalitet for å gjøre disse i stand til å utføre ulike oppgaver autonomt. Autonomifunksjonalitet gjør farkostene mer robuste og enklere og styre. FFI jobber tett sammen med Forsvaret for å se på operative konsepter med autonome farkoster og også hvordan funksjonaliteten som utvikles kan brukes til beslutningsstøtte. 

Vi har delt arbeidet med autonomi inn i tre aktivitetsområder: sceneanalyse, beslutningssystemer og samarbeidende systemer. Under følger en beskrivelse av hver og mulige temaer for masteroppgaver.

Sceneanalyse

Sceneanalyseaktiviteten har som oppgave å skape en god situasjonsforståelse fra sensorer og annen tilgjengelig informasjon, slik at autonome systemer kan forstå og ta hensyn til de virkelige forholdene rundt seg når de løser sine oppdrag.

Dette arbeidet innebærer gjerne sanntidsprosessering av sensordata, bruk av maskinlæring på ulike måter, statistisk estimering av tilstander som posisjon og 3D struktur basert på sensordata, og datafusjon mellom ulike datakilder. Vi jobber til vanlig på både båter, terrengkjøretøy og dronesvermer, og har bred erfaring med sensorer som kameraer, lidarer, radarer og navigasjonssensorer.

Vi kan tilby utfordrende oppgaver innenfor hele dette forskningsfeltet. Du kan selv velge om du vil hjelpe oss med å skape bedre forståelse i en teoretisk oppgave, eller om du vil utvikle en metode som kan kjøres og eksperimenteres med som en del av et større sceneanalysesystem. Ta forbindelse hvis dette høres spennende ut!

Beslutningssystemer

I aktiviteten vi har kalt beslutningssystemer jobber vi med å lage programvare som får de ulike farkostene våre til å fatte beslutninger på høyt og lavt nivå. Beslutningene skal være basert på farkostenes egenskaper, a priori og sansede modeller av omgivelsene (f.eks. kart), kunnskap om andre enheter i området og farkostens mål med operasjonen.

Vi liker å eksperimentere med styring både på et høyt nivå, for eksempel planlegging av grove ruter, og på et lavt nivå, slik som styring av dybden til en autonom undervannsfarkost. Mange av våre algoritmer er basert på klassiske metoder, men vi har også snust på oppgaver som evolusjonær optimering for farkostmodellering, og bruk av dype neurale nett for kursstyring av en ubemannet båt.

Vi har et bredt interessefelt, og mulighetene for masteroppgave-tema er mange. Konkrete eksempler på tema som er interessante for oss er ruteplanlegging, baneplanlegging, farkostmodellering, kunnskapsmodellering og høynivås oppgaveplanlegging (scheduling). Dette er riktignok ikke en uttømmende liste, her er det rom for idéer!

Ruteplanlegging

Med ruteplanlegging mener vi generering av grove ruter basert på a priori kartinformasjon. Vi bruker i dag grafbaserte metoder. Målet med ruten vil kunne være å transportere seg fra A til B på en optimal måte, hvor optimaliseringskriteriene kan være tidsbruk, energibruk, sikkerhet eller andre faktorer. Mulige tema for en oppgave innen ruteplanlegging kan for eksempel være

  • grafgenerering basert på detaljerte kartdata
  • ruteplanlegging i tre dimensjoner over store områder
  • håndtering et tidsvarierende miljø og dynamiske begrensninger,
  • ruteplanlegging for kompliserte oppgaver, slik som kartlegging av flere diskrete områder

Baneplanlegging

I motsetning til en ruteplanlegger, vil en baneplanlegger generere glatte, kjørbare baner. Banene er basert på sanset informasjon, og tidshorisonten er som regel mye kortere enn for ruteplanlegging. Målet kan være en bane som unngår hindringer, minimerer forflytning i farlige eller ulendte områder og samtidig holder seg nært en grovplanlagt rute. Andre mål kan være dokking, manøvrering for å oppnå ønsket sensorytelse eller å plukke opp en autonom undervannsfarkost med en ubemannet båt.

Farkostmodellering

En farkostmodell er avgjørende for å kunne simulere farkosten, både for verifisering av algoritmer og til bruk i planlegging. Videre er kan en presis farkostmodell være avgjørende for å få til rask og nøyaktig styring av en farkost under vanskelige omstendigheter. For autonome operasjoner som går over litt tid vil det også være viktig at farkosten selv merker om den eksisterende modellen endres, for eksempel grunnet feil på farkosten.

Det kan være utfordrende å lage en presis farkostmodell, spesielt for sjøgående og luftbårne farkoster. Dette er et felt hvor det er spesielt spennende å se på forskjellige maskinlæringsmetoder, gjerne i kombinasjon med klassiske metoder.

Det vil også kunne være nyttig å modellere farkostens nyttelastsensorer. Dette kan være en modellering både av en kvalitativ art, hva måler sensoren og hvilke oppgaver kan den brukes til, og av en kvantitativ art, slik som sensorens oppløsning, rekkevidde, strømforbruk og datalagringsrate. Dette vil kunne gå inn i en total farkostmodell som inneholder farkostens ressurslagre og –forbruk (for eksempel energi og lagringsplass), samt hvilke typer oppgaver en farkost er i stand til å gjennomføre til enhver tid.

Kunnskapsmodellering

Farkostene våre samler ofte inn flere forskjellige typer data. Dette kan være

  • kart over terrenget, fra flere sensorer
  • miljøvariable som temperatur, trykk og vind
  • gasskonsentrasjoner
  • turbiditet
  • strømningsforhold

Disse dataene kan benyttes til adaptering av eksisterende tokt, og eventuell replanlegging dersom forholdene tilsier det. Dataene må derfor lagres på en måte som gjør at de kan sees i sammenheng med hverandre, samtidig som lagringsmetoden må håndtere utfordringer som

  • motstridende data fra ulike sensorer, eller ved forskjellige tidspunkt
  • navigasjonsusikkerhet
  • ulik oppløsning fra ulike sensorer

Høynivås oppgaveplanlegging

Planlegging og sekvensering av oppgaver på et høyt nivå (scheduling), er et område som vil bli nyttig når de autonome operasjonene blir lange og komplekse, eller når mange enheter skal operere i samme område. Dette er et felt som er helt i startgropen hos oss, så her er det mulig å få stor frihet i å definere en interessant oppgave.

Samarbeidende systemer (multiagent-systemer)

I aktiviteten samarbeidende systemer forsker vi på multiagent-systemer, både ut fra et teoretisk perspektiv og for å kunne utvikle nye praktiske applikasjoner. Vårt mål er å studere og forstå kontinuerlig områdeovervåkning med multifunksjons RF, elektrooptiske og akustiske sensorer ombord på multirobot-systemer. Disse systemene kan være på land, i sjøen eller i lufta. Innen denne tverrfaglige forskningen kan vi tilby oppgaver som varierer fra elektronikkorienterte studier innen sensorteknologi til mer teoretiske analyser av kunstig intelligens-metoder for optimalisering av multiagent-systemer. Vi har flere konkrete forlag til masteroppgaver men er selvfølgelig åpne for nye ideer og andre vinklinger på forskning innen multiagent-systemer.

Farkostspesifikke oppgaver

Her har vi listet opp noen tema for oppgaver tilknyttet noen av farkostene våre. Noen av disse er spesialiseringer av temaene nevnt ovenfor. Andre dreier seg om styring på et lavere nivå, og blir dermed mer farkostspesifikke av natur.

Unmanned ground vehicle – UGV

Ubemannede bakkekjøretøy (UGV) er et av anvendelsesområdene der vi bruker autonomi. Her ønsker vi å få et beltegående kjøretøy til å komme seg fram i terrenget av seg selv. Mulige tema på masteroppgaver er listet under:

  • Banefølging, klare å følge en bane i terrenget ved å estimere eller undertrykke terrengets påvirkning
  • Baneplanlegging, planlegge en bane som unngår hindringer i terrenget og velger en trygg vei
  • Kartlegging, buke sensorer til å lage et kart som viser hvor kjøretøyet kan kjøre
  • Navigasjon, finne ut hvordan kjøretøyet har beveget seg i forhold til hvor det var og det globale kartet

Det vil i mange tilfeller være mulig a teste det man utvikler i masteroppgaven på kjøretøyet vi har på FFI.

Unmanned surface vehicle – USV

FFI har i en årrekke forsket på autonome undervannsfarkoster og droner. I den siste tiden har FFI begynt å se på autonome overflatefarkoster og selvkjørende kjøretøy. Til førstnevnte har FFI anskaffet en testplattform som i hovedsak skal brukes til å kartlegge mulige anvendelser av USV i minemottiltakssammenheng. Mulige tema for en oppgaver innen USV er listet under, og noen av disse er også nevnt under:

  • Banefølging – Klare å følge en kurvet bane med en underaktuert farkost (båten sklir sideveis når den svinger)
  • Baneplanlegging – Planlegge en kjørbar bane som unngår andre farkoster, følger sjøveisreglene og holder trygg avstand fra land
  • Posisjonering av USV i forhold til en AUV i overflaten – Deteksjon av en autonom undervannsfarkost (Hugin) i kamera, og bruk av dette til å styre USV-en i en ønsket bevegelse i forhold til AUV-en, for eksempel i for opptak av AUV-en.

 

 

Emneord: Robotikk, UAV, autonomous cars, autonomy and automation, Robotics, Artificial intelligence, Kunstig intelligens, Maskinlæring, Machine Learning
Publisert 18. aug. 2021 16:25 - Sist endret 18. aug. 2021 16:25

Omfang (studiepoeng)

60