Autonomous Surface Vehicle Navigation and Mapping in River Basins

Abstract

Autonomous Surface Vehicles (ASVs) are vehicles that operate on the surface of the water without a crew or operator. They can be used in surveillance, environmental monitoring, and sea/river floor mapping tasks. These tasks take time and need to be automated, so the ASV must navigate autonomously. To achieve this, many types of sensors can be used(LiDAR, Sonar, Stereo Camera Setup), but one of the most versatile is a single monocular camera. This dissertation takes a look at the state-of-the-art methods for navigation and implements a strategy to map and avoid obstacles. To achieve this, a water segmentation network is implemented that achieves a dice score of 0.9896 in a mixed dataset with images from the Mondego River and the ROSEBUD dataset. A 3 Dimensional reconstruction algorithm has been developed that estimates distances accurately and eliminates the problem of scale by using the distance travelled between frames. This algorithm takes advantage of a calibrated camera to simplify the distance estimations. Obstacle avoidance is achieved by using information from the CNN prediction mask. Two algorithms were developed. One based on position control and the other using velocity controlFor future work, other types of CNN could be developed and a more robust and efficient obstacle avoidance strategy could be implemented, taking advantage of the segmented water mask. The 3D reconstruction needs to be optimized to run in real time in the Single Board Computer (Nvidia Jetson Nano).

Os veículos autónomos de superfície (VAS) são veículos que operam na superfície da água, sem tripulação ou operador. Podem ser utilizados em tarefas de vigilância, monitorização ambiental e cartografia do solo marinho/fluvial. Estas tarefas levam tempo e precisam de ser automatizadas, pelo que o VAS deve navegar de forma autónoma. Para tal, podem ser utilizados muitos tipos de sensores (LiDARs, Sonares, Pares de Câmaras Estéreo), mas um dos mais versáteis é a câmara monocular. Esta dissertação analisa o estado da arte de métodos de navegação, e implementa uma estratégia para mapear e evitar obstáculos. Para o conseguir, é implementada uma rede de segmentação da água que atinge um dice score de 0,9896 num dataset misto com imagens do rio Mondego e imagens do dataset ROSEBUD. Foi desenvolvido um algoritmo de reconstrução tridimensional (3D), que estima as distâncias com precisão e elimina o problema da escala, utilizando a distância percorrida entre imagens. O algoritmo toma partido de uma câmara calibrada para simplificar a computação. O desvio de obstáculos é conseguido através da utilização de informação da máscara prevista pela rede neuronal convolucional. Dois algoritmos foram desenvolvidos. Um baseado em controlo de posição e o outro usa controlo de velocidade. Como trabalho futuro, outros tipos de redes neuronais podem ser desenvolvidos e uma estratégia the desvio de obstáculos mais robusta e eficiente pode ser implementada, tirando partido da máscara prevista pela rede.