Uncertainty-Aware Drone Dispatch: Recording-Energy Prediction and Charging-Constrained Simulation

Stellen Sie sich eine Flotte von Drohnen vor, die an einem Depot warten, bereit, Pakete auszuliefern. Jede Drohne führt einen Akku mit sich, und die verantwortliche Person muss entscheiden, welche Drohne für welchen Auftrag ausgesandt wird. Die Entscheidung ist ein Drahtseilakt. Wenn der Disponent eine Drohne entsendet, die nicht über ganz genau genug Energie verfügt, könnte der Drohne mitten im Flug die Kraft ausgehen, wodurch das Paket strandet und der Akku leer bleibt. Aber wenn der Disponent zu vorsichtig ist und Drohnen verweigert, die tatsächlich genug Energie haben, bleibt das Depot untätig und die Kunden müssen länger warten. Die Kernherausforderung besteht darin, genau zu wissen, wie viel Energie ein spezifischer Flug verbrauchen wird, noch bevor die Drohne überhaupt den Boden verlässt. Dies ist nicht bloßes Raten; es geht darum, die unsichtbaren Kosten der Ungewissheit zu messen. Wenn ein Flugplan erstellt wird, enthält er eine Geschwindigkeit, ein Gewicht und eine Höhe, aber er enthält nicht die exakte Menge an Elektrizität, die die Motoren verbrennen werden. Diese Zahl wird erst klar, nachdem der Flug beendet und die Daten heruntergeladen wurden.

Ein Forscher namens Samer Abaddi setzte sich zum Ziel, dieses Rätsel zu lösen, indem er reale Flugdaten einer spezifischen Drohne betrachtete, der DJI Matrice 100, die auf einer gängigen Route in Pennsylvania geflogen wurde. Er sammelte Aufzeichnungen von 209 separaten Flügen, konzentrierte sich jedoch nach der Überprüfung der Daten auf Fehler und Konsistenz auf 181 Aufzeichnungen, die einer strengen Regel folgten. Diese Flüge trugen unterschiedliche Gewichte, flogen mit unterschiedlichen Geschwindigkeiten und schwebten in unterschiedlichen Höhen. Das Ziel war es, ein System zu bauen, das einen geplanten Flug betrachten und vorhersagen kann, wie viel Energie er benötigen wird, während es gleichzeitig eine Sicherheitsmarge schafft, um der Tatsache Rechnung zu tragen, dass keine Vorhersage perfekt ist. Der Forscher verwendete eine statistische Methode namens Ridge-Regression, bei der es darum geht, die beste mathematische Beziehung zwischen den Flugeinstellungen und dem verbrauchten Energieaufwand zu finden, ohne dass das Modell durch kleine, zufällige Schwankungen in den Daten abgelenkt wird. Er testete dieses Modell dann an neuen Flügen, die es zuvor noch nie gesehen hatte, um zu sehen, wie nah die Vorhersagen der Realität kamen.

Die Ergebnisse zeigten, dass das Modell bemerkenswert genau war. Bei der Vorhersage der Gesamtenergie für einen Flug lag die durchschnittliche Differenz zwischen der Vorhersage und der tatsächlich verbrauchten Energie bei weniger als einem Wattstunde, eine sehr geringe Menge für einen Drohnenakku. Genauigkeit allein reicht jedoch nicht aus für einen Disponenten, der es sich nicht leisten kann, eine Drohne zu verlieren. Der Forscher musste wissen, wie viel zusätzliche Leistung zur Vorhersage hinzugefügt werden muss, um sicherzustellen, dass die Drohne es schafft. Er entwickelte eine Regel, die sich die schlimmsten Fehler aus einer Reihe vergangener Flüge ansah und einen Puffer hinzufügte, um diese abzudecken. Dies erzeugte eine „obere Schätzung“, eine Zahl, die etwas höher ist als der wahrscheinlichste Energieverbrauch und darauf ausgelegt ist, sicherzustellen, dass der Drohne nicht die Energie ausgeht. Als diese Regel auf die reservierten Testflüge angewendet wurde, verbrauchten alle von ihnen weniger Energie, als die obere Schätzung vorhersagte. Die Sicherheitsmarge funktionierte für die vorliegenden Daten perfekt.

Um zu sehen, wie sich diese Sicherheitsmarge auf den realen Betrieb auswirkt, baute der Forscher eine Computersimulation eines Drohnen-Depots. Er erschuf eine virtuelle Welt, in der Lieferanfragen zufällig eintrafen und zwei verschiedene Regeln miteinander konkurrierten, um zu sehen, welche von beiden mehr Arbeit bewältigen konnte. Eine Regel nutzte die einfache, wahrscheinlichste Energievorhersage, während die andere die vorsichtige obere Schätzung mit dem Sicherheitsbuffer verwendete. Die Simulation lief durch Tausende von Szenarien und imitierte einen geschäftigen Tag in einem Depot mit zwei Drohnen und einem Ladegerät. Die Ergebnisse zeigten einen klaren Kompromiss. Die vorsichtige Regel, die die obere Schätzung verwendete, verhinderte erfolgreich, dass die Drohnen jemals unter ihre erforderliche Reserveleistung fielen. Im Haupttestszenario wies die vorsichtige Regel null Fälle auf, in denen einer Drohne die Reserveenergie ausging, während die einfachere Regel fünf solcher Vorfälle hatte. Dieser Sicherheit ging jedoch ein Preis an. Da die vorsichtige Regel strenger war, lehnte sie mehr Anfragen ab. Im Hauptszenario schloss sie 22 Lieferungen weniger ab als die einfachere Regel. Die Drohnen waren sicherer, aber das Depot bediente weniger Kunden.

Die Studie untersuchte auch, was passiert, wenn sich die Bedingungen ändern, etwa wenn die Drohnen schwerere Lasten tragen müssen oder wenn die Ladestation langsamer arbeitet. In jedem der achtzehn getesteten Szenarien schloss die vorsichtige Regel weniger Anfragen ab als die einfache Regel. Sie reduzierte auch die Anzahl der Fälle, in denen die Drohnen ihre Reservegrenzen unterschritten, in sechzehn der Szenarien. In zwei Szenarien war die Anzahl der Reserveverletzungen bei beiden Regeln gleich, aber die vorsichtige Regel lieferte dennoch weniger Pakete. Dies deutet darauf hin, dass übermäßige Vorsicht zwar den Akku schützt, aber die Gesamteffizienz des Depots konsequent verringert. Der Forscher merkte an, dass die Simulation eine spezifische Art des Ladens der Akkus und eine spezifische Art der Route annahm, daher könnten die genauen Zahlen in einer anderen Umgebung variieren, aber das Muster des Kompromisses blieb beständig.

Um anderen diese Entscheidungen verständlich zu machen, erstellte der Forscher eine interaktive Website, auf der jeder die Daten selbst sehen kann. Ein Nutzer kann einen spezifischen Flugplan auswählen, die Menge der verfügbaren Akkuladung ändern und sehen, ob eine Drohne unter der einfachen Regel oder der vorsichtigen Regel ausgesandt würde. Das Tool zeigt einen engen Bereich von Akkuständen auf, in dem sich die beiden Regeln uneinig sind: In dieser Zone sagt die einfache Regel „los“, während die vorsichtige Regel „warten“ sagt. Dies visualisiert genau den Punkt, an dem der Wunsch nach Sicherheit mit dem Wunsch nach Geschwindigkeit kollidiert. Die Forschung kommt zu dem Schluss, dass es keine perfekte Lösung gibt, die sowohl Sicherheit als auch Service maximiert. Ein Depot kann wählen, weniger Reserveverletzungen zu haben, indem es weniger Lieferungen abschließt, oder es kann wählen, mehr Pakete zu liefern, während es ein höheres Risiko eingeht, dass die Energie ausgeht. Der Wert dieser Arbeit liegt darin, dass sie diese Wahl sichtbar und messbar macht, indem sie ein vages Gefühl von Risiko in eine konkrete Zahl verwandelt, die Betreiber nutzen können, um zu entscheiden, wie viel Sicherheit sie bereit sind, durch entgangene Lieferungen zu bezahlen.