Path planning and obstacle avoidance for auv: a review

4.3. Fuzzy logic algorithm

The fuzzy logic algorithm represents a nonlinear mapping from the

state space to the control space (

Cordón et al.

,

1996

), which is usually

defined according to the expert’s knowledge.

Fig. 9

shows the basic

principle of the fuzzy logic algorithm applied to an AUV platform. As

shown in

Fig. 9

, information detected from sensors is first processed

by fuzzifer. Then fuzzy rules defined according to experts’ experience

will be used for fuzzy inference and decision-making. The result of

reasoning is defuzzified to control the movement of AUV. For obstacle

avoidance with a fuzzy logic algorithm, sensory information between

AUV and surrounding obstacles is usually taken as input of the fuzzy

controller, and new driving instructions are outputted for AUV.

Khanmohammadi et al.

(

2007

) applied a robust fuzzy controller

to the obstacle avoidance of AUV. The forward looking sonar obtains

the angle, velocity and distance of the obstacle as the input of the

controller, and the two outputs of the controller are the change of the

angle of attack of the two rods and the change of the propeller speed.

Their simulation results show that the fuzzy controller can effectively

avoid moving obstacles. To overcome the limitations of the control-

lable degree of freedom of underactuated underwater vehicles,

Xu and

Feng

(

2009

) integrated a fuzzy logic controller into the finite state

automata to realize the intelligent transformation of horizontal and

vertical obstacle avoidance behaviors. In addition, considering that

the two rudders are controlled to a large angle at the same time and

AUV may be out of control, the emergency yaw and emergency ascent

are set in the horizontal plane and vertical plane respectively. The

fuzzy logic algorithm does not work well when AUVs confront a strong

sea flow. Therefore,

Yang et al.

(

2009

) used Q learning (

Watkins and

Dayan

,

1992

) to adjust the peak value of fuzzy membership function

against current behavior. Their experimental results show that AUV

can successfully avoid obstacles and its trajectory is unaffected by

ocean currents.

Abbasi et al.

(

2010

) used line of sight guidance to

make AUV move towards the target. By considering the experience

of experts and taking the velocity of moving obstacles as one of the

inputs to the fuzzy controller, AUV can generate left or right turn

when encountering obstacles. Their method enables the AUV to bypass

fixed or moving obstacles and reach the target effectively. To improve

the intelligence of decision-making for AUV obstacle avoidance,

Yang

---

Ocean Engineering 235 (2021) 109355

10

C. Cheng et al.

and Zhu

(

2011

) added an acceleration braking module in the fuzzy

reasoning process.

Fang et al.

(

2015

) obtained the corresponding hydro-

dynamic coefficients of AUV through the planar motion mechanism as

the important data input of the fuzzy control, and used the BK (

Bandler

and Kohout

,

1980

) triangular sub product of the fuzzy relations to

determine the turning angle of AUV when the obstacle exists. This self-

tuning fuzzy control system was tested to be able to avoid obstacles in

the horizontal plane. To solve the problem that the boundary design

of fuzzy logic in path planning relies heavily on expert experience,

Sun et al.

(

2018b

) used quantum-behaved particle swarm optimization

(

Sun et al.

,

2016

) to optimize the membership function value of fuzzy

logic. In addition, sonars are set in the horizontal plane and vertical

plane respectively, and the virtual acceleration and velocity of AUV

in 3D space can be obtained using the fuzzy system of acceleration or

deceleration module. Their results show that AUV with their proposed

method can automatically avoid dynamic obstacles. Because the speed

of moving obstacles in real environments is difficult to obtain,

Li

et al.

(

2019b

) take changes of the distance between AUV and obstacles

as additional input to the fuzzy membership function. Their results

show that when the obstacle moves rapidly, the proposed method is

obviously better than the traditional fuzzy logic algorithm.

The biggest advantage of the fuzzy logic algorithm is that it does

not need accurate mathematical models and the operation principle is

essentially similar to human cognition. Many researchers have achieved

good results in obstacle avoidance of AUV using the fuzzy logic al-

gorithm. However, the definition of fuzzy rules relies heavily on the

expert’s experience and cannot adapt to the environment. In complex

and uncertain underwater environments, the construction of fuzzy rule

base would be difficult or even impossible.

4.4. Neural network

Neural network is proposed for exploring the law of intelligent

activities by simulating human brains. The traditional neural network

for path planning takes the data collected by sensors as the input.

After training, the output drives the action for obstacle avoidance of

AUV.

Duan et al.

(

2001

) used a fuzzy neural network for real-time

AUV obstacle avoidance. In addition,

Li and Guo

(

2012

) designed a

dynamic neural network, which was tested to be able to bypass the

uneven obstacles and reach the target position in 3D spaces.

However, data for training a traditional neural network has to be

collected beforehand. Therefore,

Yang and Meng

(

2003

) proposed a

bio-inspired neural network which does not need any training process.

In bio-inspired neural network, the dynamic characteristics of neurons

are expressed by a shunt equation derived from the uniform diaphragm

model of the biological neural system (

Hodgkin and Huxley

,

1952

).

Fig. 10

shows the structure of a 2D bio-inspired neural network. In

Fig. 10

, each black circle represents a neuron. Each neuron interacts

with eight adjacent neurons to generate a real-time path according to

the dynamic activity diagram of the neural network. Because of the

high self-adaptability, bio-inspired neural network is more widely used

in the real-time path planning of AUV.

An improved bionic neural network based on

Yan and Zhu

(

2011

) is

used for AUV full coverage path planning. When encountering moving

obstacles, the activity of neural network will receive a great inhibition,

prompting AUV to adjust its direction.

Guerrero-González et al.

(

2011

)

used the self-organizing neural network to generate the transformation

between the spatial coordinates and the speed coordinates of AUV

propeller, and proposed a bio-inspired neural network based on animal

learning for obstacle avoidance of AUV. The proposed method can

drive AUV to rotate a certain angle according to the activation of

the neural network nodes. In unknown dynamic environment,

Zhu

et al.

(

2014

) applied the bio-inspired neural network and map planning

method to AUV path planning. Specifically, considering the uncertainty

of the ultrasonic sensor in underwater measurement, ultrasonic sensory

information is fused into a grid map to deal with dynamic obstacles