Visually-augmented acoustic subsea navigation

Bruken av undervannsfarkoster øker raskt. Det dekker et bredt spekter av bruksområder, inkludert inspeksjon av strukturer, havbunnskartlegging og miljøovervåking. Siden GNSS/GPS ikke fungerer under vann, er en av de grunnleggende utfordringene at navigasjon og kunnskap om egen posisjon kan være både utfordrende og dyrt. Dette er også et nøkkel-element for autonome operasjoner av undervannsfarkoster. Dette prosjektet har som mål å utforske måter å integrere optiske sensorer i tradisjonelle akustiske navigasjonssystemer. Integrering av slike komplementære sensorer kan bidra til å forbedre navigasjonsystemer til undervannsfartøyer. Prosjektet vil bli gjennomført gjennom teoretisk forskning kombinert med eksperimentell verifikasjon. Det siste gjenspeiler usikkerheten og mangelen på kunnskap i dagens modeller. Forskningen vil også se på ytelsen i tøffe miljøer, noe som har betydning når man vurderer hvilke applikasjoner som vil ha mest nytte av resultatet av prosjektet. Integrering av optiske sensorer i tradisjonelle akustiske navigasjonssystemer er en lovende teknikk. Det gjør det mulig å kompensere for ulempene ved den lave oppløsningen til akustiske sensorer og begrensningene til optiske sensorer under dårlige siktforhold. Forskningen skal undersøke hvordan de komplementære sensorene kan optimaliseres, noe som vil bidra til å forbedre nøyaktigheten til undervannsnavigasjonssystemer.

The project’s primary objective is to develop an enhanced near-seafloor underwater navigation system by complementing traditional acoustic navigation systems with visual observations and processing. The secondary objective is is to establish whether the capabilities will meet requirements for potential commercial applications of this technology, and in particular for autonomous navigation for new, low-cost vehicles. This addresses the needs of expanding offshore wind energy as well as the existing needs of the offshore oil & gas industry. This will involve researching optimal camera technology, visual odometry capabilities, integration with acoustic-inertial navigation, methods for optimization of sensors and potential for SLAM functionality and application of machine learning towards such goals. The project will extensively combine theoretical research with experimental verification reflecting the present uncertainty in models and lack of knowledge in this area. The research will address the potential and also limitations of visual capabilities in various conditions and the relevance for applications in harsh environments. A fundamental parameter of a useful application is the ability to identify visually features of sufficient quality. This is in contrast to the subsea visual (or acoustic) identification of features of infrastructure. Feature recognition of the seafloor is a substantial challenge and largely unknown for most environments.