Path planning and obstacle avoidance for auv: a review

CRediT authorship contribution statement

Chunxi Cheng:

Conceptualization of this study, Methodology, Writ-

ing - Original draft preparation.

Qixin Sha:

Data curation, Software.

Bo

He:

Data curation, Writing - Original draft preparation.

Declaration of competing interest

The authors declare that they have no known competing finan-

cial interests or personal relationships that could have appeared to

influence the work reported in this paper.

Acknowledgment

This work was supported by Natural Science Foundation of China

(under grant No. 51809246).

References

Abbasi, M., Danesh, M., Ghayour, M., 2010. A path fuzzy planner for autonomous un-

derwater vehicles to avoid moving unknown obstacles. In: 2010 IEEE International

Conference on Mechatronics and Automation. IEEE, pp. 1264–1269.

Alvarez, A., Caiti, A., 2001. A genetic algorithm for autonomous undetwater vehicle

route planning in ocean environments with complex space-time variability. IFAC

Proc. Vol. 34 (7), 237–242.

Alvarez, A., Caiti, A., Onken, R., 2004. Evolutionary path planning for autonomous

underwater vehicles in a variable ocean. IEEE J. Ocean. Eng. 29 (2), 418–429.

Arulkumaran, K., Deisenroth, M.P., Brundage, M., Bharath, A.A., 2017. Deep

reinforcement learning: A brief survey. IEEE Signal Process. Mag. 34 (6), 26–38.

Bagnitckii, A., Inzartsev, A., Pavin, A., 2017. Planning and correction of the AUV

coverage path in real time. In: 2017 IEEE Underwater Technology (UT). IEEE,

pp. 1–6.

Bandler, W., Kohout, L.J., 1980. Semantics of implication operators and fuzzy relational

products. Int. J. Man-Mach. Stud. 12 (1), 89–116.

Bhopale, P., Kazi, F., Singh, N., 2019. Reinforcement learning based obstacle avoidance

for autonomous underwater vehicle. J. Mar. Sci. Appl. 18 (2), 228–238.

Biswas, J., Veloso, M., 2012. Depth camera based indoor mobile robot localization and

navigation. In: 2012 IEEE International Conference on Robotics and Automation.

IEEE, pp. 1697–1702.

Borenstein, J., Koren, Y., 1991. The vector field histogram-fast obstacle avoidance for

mobile robots. IEEE Trans. Robot. Autom. 7 (3), 278–288.

Braginsky, B., Guterman, H., 2016. Obstacle avoidance approaches for autonomous

underwater vehicle: Simulation and experimental results. IEEE J. Ocean. Eng. 41

(4), 882–892.

Bui, L.D., Kim, Y.G., 2006. An obstacle-avoidance technique for autonomous underwater

vehicles based on BK-products of fuzzy elation. Fuzzy Sets and Systems 157 (4),

560–577.

Cai, K.Q., Wang, C.Q., Cheng, J.Y., De Silva, C.W., Meng, M.Q.-H., 2020. Mobile

robot path planning in dynamic environments: A survey, pp. 1–13. ArXiv Preprint

ArXiv:2006.14195

.

Cao, Q.X., Huang, Y.W., Zhou, J.L., 2006. An evolutionary artificial potential field algo-

rithm for dynamic path planning of mobile robot. In: 2006 IEEE/RSJ International

Conference on Intelligent Robots and Systems. IEEE, pp. 3331–3336.

Cao, J., Li, Y., Zhao, S.Q., Bi, X.S., 2016. Genetic-algorithm-based global path planning

for AUV. In: 2016 9th International Symposium on Computational Intelligence and

Design (ISCID). Vol. 2, IEEE, pp. 79–82.

Cao, X., Peng, J., 2018. A potential field bio-inspired neural network control algorithm

for AUV path planning. In: 2018 IEEE International Conference on Information and

Automation (ICIA). IEEE, pp. 1427–1432.

Cao, X., Sun, H., Guo, L., 2020. Potential field hierarchical reinforcement learning

approach for target search by Multi-AUV in 3-D underwater environments. Internat.

J. Control 93 (7), 1677–1683.

Cao, X., Sun, C.Y., Yan, M.Z., 2019. Target search control of AUV in underwater

environment with deep reinforcement learning. IEEE Access 7, 96549–96559.

Carroll, K.P., McClaran, S.R., Nelson, E.L., Barnett, D.M., Friesen, D.K., William, G.N.,

1992. AUV Path planning: An A* approach to path planning with consideration

of variable vehicle speeds and multiple, overlapping, time-dependent exclusion

zones. In: Proceedings of the 1992 Symposium on Autonomous Underwater Vehicle

Technology. IEEE, pp. 79–84.

Chang, C., Gaudiano, P., 1998. Application of biological learning theories to mobile

robot avoidance and approach behaviors. Adv. Complex Syst. 1 (1), 79–114.

Che, G.F., Liu, L.J., Yu, Z., 2020. An improved ant colony optimization algorithm

based on particle swarm optimization algorithm for path planning of autonomous

underwater vehicle. J. Ambient Intell. Humaniz. Comput. 11 (8), 3349–3354.

Chen, Q., Chen, T., Qin, Z., 2009. Research on motion planning based on self-learning

behavior agent for AUV. In: 2009 IEEE International Conference on Mechatronics

and Automation. IEEE, pp. 4440–4445.

Chen, S., Liu, C.W., Huang, Z.P., Cai, G.S., 2012. Global path planning for AUV based

on sparse A* search algorithm. Torpedo Technol. 20 (4), 271–275.

Cheng, X.B., Shen, J., Liu, H.B., Gu, G.C., 2007. Multi-robot cooperation based on

hierarchical reinforcement learning. In: International Conference on Computational

Science. Springer, pp. 90–97.

Cheng, C.L., Zhu, D.Q., Sun, B., Chu, Z.Z., Nie, J.D., Zhang, S., 2015. Path planning

for autonomous underwater vehicle based on artificial potential field and velocity

synthesis. In: 2015 IEEE 28th Canadian Conference on Electrical and Computer

Engineering (CCECE). IEEE, pp. 717–721.

Christiano, P., Shah, Z., Mordatch, I., Schneider, J., Blackwell, T., Tobin, J., Abbeel, P.,

Zaremba, W., 2016. Transfer from simulation to real world through learning deep

inverse dynamics model. ArXiv Preprint

ArXiv:1610.03518

.

Chu, Z., Sun, B., Zhu, D., Zhang, M., Luo, C., 2020. Motion control of unmanned

underwater vehicles via deep imitation reinforcement learning algorithm. IET Intell.

Transp. Syst. 14 (7), 764–774.

Cobb, H.G., Grefenstette, J.J., Genetic algorithms for tracking changing environments,

in: Proceedings of International Genetic Algorithms Conference, 1993, pp. 1–8.

Cordón, O., Herrera, F., Herrera-Viedma, E., Lozano, M., 1996. Genetic algorithms and

fuzzy logic in control processes. Arch. Control Sci. 5, 135–168.

Dechter, R., Pearl, J., 1985. Generalized best-first search strategies and the optimality

of A*. J. Assoc. Comput. Mach. 32 (3), 505–536.

Ding, F.G., Jiao, P., Bian, X.Q., Wang, H.J., 2005. AUV Local path planning based

on virtual potential field. In: IEEE International Conference Mechatronics and

Automation, volume 4. IEEE, pp. 1711–1716.

Ding, G.H., Zhu, D.Q., Sun, B., 2014. Formation control and obstacle avoidance of

multi-AUV for 3-D underwater environment. In: Proceedings of the 33rd Chinese

Control Conference. IEEE, pp. 8347–8352.

Dong, L.Y., Xu, H.L., 2017. AUV Path planning based on improved ant colony algorithm.

Autom. Instrum. 32 (3), 1–4.

Dorigo, M., Colorni, A., Maniezzo, V., Distributed optimization by ant colonies, in:

Eupopean Conference on Artificial Life, 1991, pp. 134–142.

Duan, Q.J., Zhang, M., Zhang, Q., 2001. Local path planning method for AUV based

on fuzzy-neural network. Ship Eng. (1), 54–58.

Duchoň, F., Babinec, A., Kajan, M., Beňo, P., Florek, M., Fico, T., Jurišica, L., 2014.

Path planning with modified A star algorithm for A mobile robot. Procedia Eng.

96, 59–69.

Eberhart, R., Kennedy, J., 1995. A new optimizer using particle Swarm Theory. In:

MHS’95. Proceedings of the Sixth International Symposium on Micro Machine and

Human Science. IEEE, pp. 39–43.

Fan, X.J., Guo, Y.J., Liu, H., Wei, B.W., Liu, W.H., 2020. Improved artificial potential

field method applied for AUV path planning. Math. Probl. Eng. 2020.

Fang, M.C., Wang, S.M., Mu Chen, W., Lin, Y.H., 2015. Applying the self-tuning

fuzzy control with the image detection technique on the obstacle-avoidance for

autonomous underwater vehicles. Ocean Eng. 93, 11–24.

Fossen, T.I., 2011. Handbook of Marine Craft Hydrodynamics and Motion Control. John

Wiley & Sons.

Fu, X., Zhang, L.L., Chen, Z., Wang, H.B., Shen, J., Improved RRT* for fast path

planning in underwater 3D environment, in: Proceedings of the 2019 International

Conference on Artificial Intelligence and Computer Science, 2019, pp. 504–509.

Fujimoto, S., Hoof, H., Meger, D., 2018. Addressing function approximation error

in actor-critic methods. In: Proceedings of International Conference on Machine

Learning (ICML). PMLR, pp. 1587–1596.

Ge, H.Q., Chen, G.B., Xu, G., 2018. Multi-AUV cooperative target hunting based on

improved potential field in a surface-water environment. Appl. Sci. 8 (6), 1–12.

Ghatak, A., Pratihar, D.K., Kumar, C.S., 2006. Online measurement of obstacles’

distances using forward looking sonar sensor mounted on an experimental AUV. In:

2006 IEEE International Conference on Industrial Technology. IEEE, pp. 983–988.

Goecks, V.G., Gremillion, G.M., Lawhern, V.J., Valasek, J., Waytowich, N.R., Inte-

grating behavior cloning and reinforcement learning for improved performance in

dense and sparse reward environments, in: Proceedings of the 19th International

Conference on Autonomous Agents and MultiAgent Systems (AAMAS), 2020, pp.

465–473.

Gore, R., Pattanaik, K., Bharti, S., 2019. Efficient re-planned path for autonomous

underwater vehicle in random obstacle scenarion. In: 2019 IEEE 5th International

Conference for Convergence in Technology (I2CT). IEEE, pp. 1–5.

Greenwald, A., Hall, K., Serrano, R., 2003. Correlated Q-Learning. In: Proceedings of

the Twentieth International Conference on Machine Learning (ICML-2003). 20, (1),

p. 242.

Grossberg, S., Levine, D.S., 1987. Neural dynamics of attentionally modulated pavlovian

conditioning: Blocking, interstimulus interval, and secondary reinforcement. Appl.

Opt. 26 (23), 5015–5030.

Guerrero-González, A., García-Córdova, F., Gilabert, J., 2011. A biologically inspired

neural network for navigation with obstacle avoidance in autonomous underwater

and surface vehicles. In: OCEANS 2011 IEEE-Spain. IEEE, pp. 1–8.

Gupta, N., Pillai, G.V., Ari, S., 2018. Change detection in landsat images based on local

neighbourhood information. IET Image Process. 12 (11), 2051–2058.

Hagen, P.E., Størkersen, N., Vestgård, K., Kartvedt, P., Sten, G., Operational military

use of the HUGIN AUV in Norway, in: Proc. UDT Europe 2003, 2003, pp. 123–130.

Hansen, L.K., Salamon, P., 1990. Neural network ensembles. IEEE Trans. Pattern Anal.

Mach. Intell. 12 (10), 993–1001.

---