Path planning and obstacle avoidance for auv: a review

5. Outlook and future directions

Path planning has been an important research branch for improving

the autonomy of AUV and attracted lots of attentions from world-

wide researchers for the last decades. Though many path planning

algorithms have been proposed and implemented on AUV, there are

still many potential problems for AUV path planning remaining to be

further explored, especially in consideration of the characteristics and

constraints of AUV and its working environment.

5.1. Path planning for real AUV platform

Any collision may cause serious and irreparable damage to AUV

in complex underwater environment. Although many of the above

surveyed methods have been shown to be able to plan a collision-free

path in simulations, only a few of them can work well on physical AUV

platform in real marine environments.

For example,

Guerrero-González et al.

(

2011

) tested a bionic neural

network for AUV obstacle avoidance in the shallow water area of Mar

Menor Lagoon. Their experimental results show that when approaching

obstacles such as other ships on the water surface, the conditioning

circuit (

Chang and Gaudiano

,

1998

;

Grossberg and Levine

,

1987

) of

---

Ocean Engineering 235 (2021) 109355

13

C. Cheng et al.

Table 2

Comparison of main local path planning methods for unknown and dynamic obstacle avoidance.

Algorithm

Advantages and disadvantages

Reference

Improvement

Rapidly-exploring

Solve high dimensional space

Tan et al.

(

2005

)

Add the generation of sub nodes

Random Trees

Excellent ability to explore

Hernández et al.

(

2011

)

Reduce exploration space

The path is usually suboptimal

Hernández et al.

(

2015

)

Optimization path

Poor stability

Li et al.

(

2017

)

Add liveness attributes to nodes

Poor real-time performance

Yu et al.

(

2017

)

Optimization path

Taheri et al.

(

2019

)

/

Fu et al.

(

2019

)

Control the randomness of sub nodes

Artificial Potential

Simple structure

Ding et al.

(

2005

)

A third virtual force is introduced

Field

Good real-time performance

Saravanakumar and Asokan

(

2013

)

Consider multi-point potential field force

Fast path planning speed

Cheng et al.

(

2015

)

Consider AUV and current velocity

Easy to fall into a local minimum

Villar et al.

(

2016

)

Virtual obstacles are introduced

Oscillations near obstacles

Ge et al.

(

2018

)

Considering the cooperation of multi-AUV

Noguchi and Maki

(

2019

)

/

Khalaji and Tourajizadeh

(

2020

)

An adjustable avoidance gain is added

Fan et al.

(

2020

)

/

Lin et al.

(

2020

)

/

Fuzzy Logic

Strong flexibility

Khanmohammadi et al.

(

2007

)

/

Algorithm

Good real-time performance

Xu and Feng

(

2009

)

Combine with finite state automata

Small amount of calculation

Yang et al.

(

2009

)

Adjust the value fuzzy membership function

No precise mathematical models

Abbasi et al.

(

2010

)

Consider the speed of the obstacle

Lack of systematicness

Yang and Zhu

(

2011

)

Add acceleration braking module

Rely on expert knowledge

Fang et al.

(

2015

)

Combine with BK triangle product

Sun et al.

(

2018b

)

Optimization of the value fuzzy membership function

Li et al.

(

2019b

)

Consider changes in distance from obstacles

Neural Network

Strong learning ability

Duan et al.

(

2001

)

Combine with fuzzy logic control

Simple learning rules

Guerrero-González et al.

(

2011

)

/

Have storage capacity

Li and Guo

(

2012

)

Dynamic neural network

Nonlinear mapping capability

Yan and Zhu

(

2011

)

Bio-inspired neural network

The sample is not easy to obtain

Ding et al.

(

2014

)

Combine with leader–follower formation control

Long training time

Zhu et al.

(

2014

)

Combine with map planning method

Ni et al.

(

2017

)

Dynamic change of bio-inspired neural network

Wu et al.

(

2018

)

Add the lateral inhibition effect

Cao and Peng

(

2018

)

Combine with potential field

Sun et al.

(

2018a

)

Glasius bio-inspired neural network

Reinforcement

High generalization ability

Kawano and Ura

(

2002b

)

Add teaching Method

Learning

Strong robustness

Kawano and Ura

(

2002a

)

Establish hierarchical reinforcement learning

Without prior obstacle information

Chen et al.

(

2009

)

Combine with neural network

Strong learning ability

Huang et al.

(

2014

)

/

Dimensional disasters

Gore et al.

(

2019

)

/

Handcrafted state features

Noguchi and Maki

(

2019

)

/

Bhopale et al.

(

2019

)

Balance exploration and exploitation

Sun et al.

(

2020

)

Design Hierarchical Deep Q Network

Cao et al.

(

2020

)

Establish hierarchical reinforcement learning

Deep Reinforcement

High generalization ability

Cao et al.

(

2019

)

Asynchronous Advantages actor–critic

Learning

Reduce dimensions

Wu et al.

(

2019

)

Proximal Policy Optimization

Automatic learning state features

Hou et al.

(

2020

)

Deterministic Policy Gradient

Training takes a long time

Havenstrøm et al.

(

2021

)

Proximal Policy Optimization

the neural network can drive AUV to change its direction and ef-

fectively guide it to move between obstacles. In addition,

Hernández

et al.

(

2011

) used SPARUS AUV to test the performance of the HRRT

algorithm for obstacle avoidance in the Underwater Robotics Lab of

the University of Girona. Obstacles of different shapes are made with

insulating board and placed in the water with a depth of 3 m. The

results show that the HRRT algorithm can generate a path in less than

100 ms which meets certain real-time requirement, but cannot guide

AUV to move along the generated path autonomously.

Fan et al.

(

2020

)

used the underwater robot named ‘‘Intelligence Ocean I’’ to verify the

effectiveness of an improved artificial potential field method. In their

method, a distance correction factor is added to the exclusion function

to solve the problem of local minimum, and relative speed method is

introduced for dynamic obstacle detection and avoidance. However,

obstacle avoidance in 3D environments are not considered in their

experiments.

On the other hand, multi-AUV cooperation can not only improve

the efficiency of performing underwater tasks, but also present more

intelligent behaviors compared to a single AUV (

Li et al.

,

2014b

).

The task distribution (

Li and Zhang

,

2017

), collaborative search (

Ge

et al.

,

2018

), formation control (

Yuan et al.

,

2017

) and other aspects

of multiple AUVs have achieved good results, though most of them are

also only tested on simulation platforms (

Wu et al.

,

2018

;

Cao et al.

,

2020

). For path planning of multi-AUV in real environment, it is more

challenging because it needs to take other AUVs into account. More

importantly, the communication between AUVs is limited and usually

only underwater acoustic communication can be used for multi-AUV

cooperation, compared to other robotic platforms on land or in the

air.

Cao et al.

(

2019

) carried out multi-AUV target search experiments

with deep reinforcement learning model for obstacle avoidance in

a pool of 10 m

×

20 m. In their experiments, a remote-controlled

submersible was placed in the pool as an obstacle. Their results show

that two AUVs completed the collision-free search to the target point

with the pre-trained deep reinforcement learning model, achieving

similar performance to the simulation experiments. However, due to

the lacking of underwater acoustic communication for multi-AUV, the

experiments are only carried out on the surface of the pool with WiFi

wireless communication. Data acquisition methods of wireless sensor

networks based on mobile sink

Mehto et al.

(

2020

) might be useful

to overcome the limitation of acoustic communication for multi-AUV

communication, since AUV is a relatively resource poor device which

is similar to mobile sink.