Path planning with homotopic constraints for autonomous underwater vehicles

Abstract

This thesis addresses the path planning problem for Autonomous Underwater Vehicles (AUVs) using homotopy classes to provide topological information on how paths avoid obstacles. Looking for a path within a homotopy class constrains the search into a specific area of the search space, speeding up the computation of the path. Given a workspace with obstacles, the method starts by generating the homotopy classes. Those which probably contain lower cost solutions are determined by means of a lower bound criterion before computing a path. Finally, a path planner uses the topological information of homotopy classes to generate a few good solutions very quickly. Three path planners from different approaches have been proposed to generate paths for the homotopy classes obtained. The path planning is performed on Occupancy Grid Maps (OGMs) improved with probabilistic scan matching techniques. The results obtained with synthetic s scenarios and with real datasets show the feasibility of our method.

Aquesta tesi aborda el problema de la planificació de camins per a Vehicles Submarins Autònoms (AUVs) mitjançant la utilització de classes d'homotopia per a proporcionar informació topològica de com els camins eviten els obstacles. Calcular un camí dins d'una classe d'homotopia permet limitar l'espai de cerca accelerant-ne el càlcul de la solució. Donat un workspace amb obstacles, el mètode primer genera les classes homotòpiques. Aquelles classes que probablement contenen les solucions de menor cost s'identifiquen per mitjà d'una heurística sense haver-ne de calcular el camí al workspace. Finalment, un planificador de camins utilitza la informació topològica de les classes d'homotopia per generar solucions segons les classes seleccionades molt ràpidament. El mètode de planificació de camins s’aplica sobre Mapes d’Occupació de Graella (OGMs) millorats amb tècniques de scan matching probabilístic. Els tests i resultats obtinguts tan en escenaris sintètics com en datasets reals mostren la viabilitat del nostre mètode.