Development of Framework for Underwater Robotic Autonomy in Subsea oil & Gas Intervention

L’industrie 4.0 est une transformation numérique qui vise à améliorer la performance et l’efficacité de l’industrie mondiale. Dans le secteur du pétrole et du gaz, elle pourrait po-tentiellement réduire les coûts et augmenter la valeur des revenus. La production pétrolière offshore est difficile et coûteuse, nécessitant des ressources onéreuses pour des problèmes opérationnels complexes tout en présentant des risques pour les humains et l’environnement. Cette transformation numérique peut changer ce scénario et constitue le principal moteur du développement d’une autonomie robotique complète dans les interventions P&G sous-marines. En l’absence de solutions efficaces, les opérateurs explorent des alternatives en util-isant des agents robotiques subaquatiques avec des niveaux d’autonomie limités. Certaines solutions s’appuient sur des véhicules téléopérés depuis la terre ferme, mais elles présentent l’inconvénient d’un contrôle difficile en raison de perturbations constantes, d’un décalage des signaux et de la fatigue de l’utilisateur. Les avancées technologiques dans le domaine des véhicules sous-marins autonomes sans manipulateurs (AUV) permettent d’effectuer des tâches d’inspection et de surveillance, mais pas d’intervention. La demande d’autonomie a conduit au développement théorique et/en laboratoire de systèmes de véhicule-manipulateurs sous-marins. Cependant, les schémas de contrôle manquent de caractéristiques d’autonomie. Cette thèse identifie trois obstacles principaux à surmonter pour parvenir à l’autonomie robo-tique subaquatique : "La nature complexe de l’environnement sous-marin non structuré et dynamique (influencé par des forces et des facteurs naturels qui ont un impact sur les opéra-tions robotiques), la variété et la complexité des systèmes sous-marins impliqués (avec de nombreuses structures, des équipements à longue durée de vie, des composants, des fonc-tions et des processus en constante évolution) et l’absence d’une modélisation appropriée de la connaissance technique des tâches, y compris un manque d’ensembles de données. Dans ce contexte, les agents robotiques subaquatiques ne peuvent pas raisonner ou prendre des décisions. Par conséquent, cette thèse aborde ces défis, en définissant d’abord une autonomie robotique complète formée de trois catégories : sensorielle, interactive et cognitive. Les deux premières catégories sont des technologies matures étroitement liées aux composants industriels, tels que des capteurs, des dispositifs de communication et des actionneurs. Les capacités cogni-tives telles que la perception, reconnaissance et catégorisation s’améliorent grâce aux progrès de l’informatique. La planification et exécution de taches, y compris la navigation, font l’objet d’un développement constant. Les capacités de connaissance et d’inférence, telles que raisonnement, évaluation de la situation, prise de décision, résolution de problèmes et ap-prentissage, représentent des lacunes qui nécessitent des développements spécifiques. Certains efforts utilisant l’apprentissage par renforcement et méthodes d’apprentissage de représenta-tion associés au traitement du langage naturel ont permis de réaliser des progrès en matière de manipulation dextre. Cependant, l’absence d’une solution impliquant la connaissance persiste.

Abstract

Industry 4.0 is a digital transformation that aims to improve performance, efficiency, and value in the global industry. In the oil and gas sector, it can potentially reduce costs and increase revenue. Offshore oil production is a challenging and costly endeavor that requires expensive resources to solve complex operational problems while posing risks to humans and the environment. However, digital transformation can change this scenario and is the main drive for developing full robotic autonomy in subsea O&G intervention. Without ef-fective solutions, operators explore limited autonomy alternatives using underwater robotic agents. Some solutions rely on teleoperated underwater robots from onshore but with con-trol drawbacks due to constant disturbances, signal lagging, and user fatigue. Technological advancements in autonomous underwater vehicles without manipulators (AUVs) allow for inspection, monitoring, and survey but no intervention tasks. The demand for autonomy led to the theoretical and laboratory development of Underwater Vehicle Manipulator Sys-tems (UVMS) or Autonomous Underwater Intervention Vehicles (AUIV). However, control schemes lack autonomy features. In this context, this thesis identifies three main obstacles to achieving underwater robotic autonomy: the challenging nature of the subsea environment, the variety and complexity of the subsea systems involved, and the absence of proper task knowledge modeling, including a lack of datasets. The subsea environment is unstructured and dynamic, influenced by natural forces and factors that impact robotic operations. The intricate subsea systems scenario is challenging for knowledge representation and modeling, with many structures, long-life equipment, components, functions, and processes constantly evolving. Intervention tasks on these elements require specific technical knowledge based on technical documentation. In this scenario, underwater robotic agents without task knowledge cannot reason or make decisions. Therefore, this thesis addresses these challenges, initially defining full robotic autonomy formed by three groups: sensorial, interactive, and cognitive. The first two groups are ma-ture technologies closely related to industrial components, such as sensors, communication devices, and actuators. Cognitive capabilities such as perception, recognition, and catego-rization improve with advancements in computer science. Planning and action, including navigation, are under constant development. Knowledge and inference capabilities, such as reasoning, situation assessment, decision-making, problem-solving, and learning, represent a gap that requires specific developments. Dexterous manipulation advanced with reinforce-ment learning and machine learning methods associated with natural language processing but is still challenging. However, the lack of a solution involving knowledge persists.