Arm Redesign and Endurance Maximization of Hexarotor using Stochastic Optimization and Machine Learning

In dem Himmel über unseren Städten und Feldern findet eine stille Revolution statt. Unbemannte Luftfahrzeuge, die Drohnen, die durch die Luft sausen, um Pakete auszuliefern, Ernten zu inspizieren oder Überlebende in Katastrophengebieten zu suchen, werden jeden Tag leistungsfähiger. Unter diesen Maschinen sticht der Hexarotor hervor. Im Gegensatz zur gewöhnlichen Vierrotor-Drohne trägt ein Hexarotors sechs Motoren und Propeller. Dieser zusätzliche Satz Flügel verleiht ihm eine größere Stabilität und die Fähigkeit, schwerere Lasten zu tragen, was ihn zum Favoriten für komplexe Missionen macht, bei denen Zuverlässigkeit oberste Priorigkeit hat. Doch wie alle batteriebetriebenen Fluggeräte stehen auch diese Drohnen vor einer beständigen Herausforderung: der Ausdauer. Sie können nur für eine begrenzte Zeit in der Luft bleiben, bevor ihre Energie zur Neige geht. Für Betreiber kann der Unterschied zwischen einem zwanzigminütigen Flug und einem vierzigminütigen Flug den Unterschied bedeuten, ob eine kritische Suchmission abgeschlossen wird oder man mit leeren Händen nach Hause zurückkehren muss. Um dies zu lösen, schauen Ingenieure über das bloße Einbauen größerer Batterien hinaus, die die Drohne oft zu schwer zum effizienten Fliegen machen. Stattdessen erforschen sie Wege, die physische Form der Drohne bereits in der Designphase zu verändern und ihre Struktur anzupassen, um das perfekte Gleichgewicht zwischen Gewicht, Aerodynamik und Energieverbrauch zu finden.

Ein Forscher unter der Leitung von Oguz Kose an der Erzincan Binali Yıldırım Universität hat dieses Problem angegangen, indem er die physische Neugestaltung mit fortschrittlichem maschinellem Lernen kombiniert hat. Ihr Ziel war es, die ideale Länge der Arme eines Hexarotor-Drohnenmodells zu bestimmen, um die Zeit in der Luft zu maximieren und gleichzeitig sicherzustellen, dass sie sowohl in geraden Linien als auch seitlich reibungslos fliegen kann. Sie haben nicht einfach die beste Form geraten; sie nutzten einen hochentwickelten Computerprozess, um tausende Möglichkeiten zu testen. Der Forscher begann damit, ein detailliertes digitales Modell der Drohne in einem Design-Softwareprogramm zu erstellen. Er wusste, dass die Änderung der Länge der Drohnenarme die Gewichtsverteilung und den Widerstand gegen Drehbewegungen, bekannt als Trägheitsmomente, verändern würde. Da die Berechnung dieser Änderungen für jede mögliche Armlänge von Hand unglaublich schwierig ist, wandten sie sich an zwei verschiedene Arten von Algorithmen des maschinellen Lernens. Ein Algorithmus, bekannt als künstliches neuronales Netz, ahmt die Art und Weise nach, wie biologische Gehirne aus Mustern lernen. Eine andere Methode, namens stochastischer Gradientenabstieg, ist eine mathematische Technik, die durch iterative Verfeinerung von Vermutungen die beste Lösung findet. Beiden Systemen wurden Daten aus den digitalen Modellen zugeführt, um das Batteriegewicht und die physikalischen Eigenschaften vorherzusagen, die für eine gegebene Armlänge erforderlich sind.

Der Forscher setzte dann ein drittes Werkzeug ein, eine stochastische Optimierungsmethode, die als Entscheidungsträger fungierte. Dieses System testete verschiedene Armlängen, die von 37 Zentimetern bis 65 Zentimeter reichten, und passte gleichzeitig die Flugsteuerungseinstellungen der Drohne an. Das Ziel war es, einen „Kostenwert“ zu minimieren, der darstellte, wie schlecht die Drohne in Bezug auf die Geschwindigkeit, mit der sie eine Zielgeschwindigkeit erreichte, die Zeit, die sie zur Stabilisierung benötigte, und wie sehr sie schwankte, performte. Der Computer durchlief fünf Testrunden und verfeinerte in jedem Schritt die Armlänge und die Steuerungseinstellungen. Die Ergebnisse zeigten einen klaren Gewinner. Die Methode basierend auf dem stochastischen Gradientenabstieg erwies sich als überlegen gegenüber dem Ansatz des neuronalen Netzes. Sie sagte voraus, dass kürzere Arme es der Drohne ermöglichen würden, länger zu fliegen. Durch die Reduzierung der Armlänge wurde die Drohne leichter, was ihre Flugzeit direkt erhöhte. Die Simulationen ergaben, dass die Drohne mit der durch diese Methode gefundenen optimalen Armlänge und den optimalen Steuerungseinstellungen eine maximale Ausdauer von 40 Minuten erreichen konnte. Dies war eine signifikante Verbesserung und entsprach einer Reduktion der Gesamtleistungskosten um 16 Prozent im Vergleich zum ursprünglichen Setup.

Die Studie verifizierte auch, dass diese optimierten Einstellungen die Drohne präzise fliegen ließen. In den Computersimulationen folgte die Drohne erfolgreich spezifischen Pfaden, bewegte sich vorwärts und seitlich wie gewünscht, ohne die Kontrolle zu verlieren. Die Flugdaten zeigten, dass die Drohne, die durch die Gradientenmethode optimiert wurde, viel schneller stabilisierte und weniger schwankte als diejenige mit den Vorhersagen des neuronalen Netzes. Beispielsweise pendelte sich die durch die Gradientenmethode optimierte Drohne beim Seitwärtsflug in weniger als einer Sekunde in ihren Pfad ein, während die andere Methode deutlich länger brauchte. Der Forscher stellte fest, dass das neuronale Netz zwar gut darin war, das Batteriegewicht vorherzusagen, die Gradientenmethode jedoch genauere Vorhersagen für die physikalischen Eigenschaften lieferte, die die Bewegung der Drohne bestimmen. Dies deutet darauf sich, dass die Gradientenmethode für diese spezifische Art von Ingenieurproblem das zuverlässigere Werkzeug ist, um das perfekte Gleichgewicht zwischen Struktur und Flug zu finden.

Diese Arbeit stellt einen Schritt nach vorn, um Drohnen effizienter zu machen, ohne neue Batterietechnologie zu benötigen. Allein durch die Anpassung der physischen Dimensionen des Drohnenrahmens und die Feinabstimmung der Flugweise hat der Forscher demonstriert, dass die Flugzeit erheblich verlängert werden kann. Die Ergebnisse basieren derzeit auf Computersimulationen, bieten aber eine solide Grundlage für reale Tests. Das Team plant, diese Ergebnisse in zukünftigen Projekten, die vom Rat für wissenschaftliche und technologische Forschung der Türkei unterstützt werden, zur Konstruktion und zum Testen echter Drohnen zu verwenden. Sollten sich diese Simulationen in der realen Welt bewähren, könnte die Fähigkeit, die Form einer Drohne vor dem Flug für maximale Ausdauer neu zu gestalten, die Nutzung dieser Maschinen in der Landwirtschaft, bei Such- und Rettungsmissionen sowie in der Sicherheit transformieren, indem sie es ihnen ermöglicht, mit der gleichen Menge an Energie länger in der Luft zu bleiben und mehr Gelände zu überfliegen.