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

En el cielo sobre nuestras ciudades y campos, se está llevando a cabo una revolución silenciosa. Los vehículos aéreos no tripulados, los drones que surcan el aire para entregar paquetes, inspeccionar cultivos o buscar supervivientes en zonas de desastre, son cada día más capaces. Entre estas máquinas, el hexarrotor destaca. A diferencia del común dron de cuatro rotores, el hexarrotor lleva seis motores y hélices. Este juego extra de alas le otorga una mayor estabilidad y la capacidad de transportar cargas más pesadas, convirtiéndolo en un favorito para misiones complejas donde la fiabilidad es primordial. Sin embargo, como todos los aeronaves alimentadas por baterías, estos drones enfrentan un desafío persistente: la autonomía. Solo pueden permanecer en el aire durante un tiempo limitado antes de que su energía se agote. Para los operadores, la diferencia entre un vuelo de veinte minutos y uno de cuarenta minutos puede significar la diferencia entre completar una misión de búsqueda crítica o tener que regresar a casa con las manos vacías. Para resolver esto, los ingenieros están mirando más allá de simplemente empaquetar baterías más grandes, lo que a menudo hace que el dron sea demasiado pesado para volar eficientemente. En su lugar, están explorando formas de cambiar la forma física del dron durante la fase de diseño, ajustando su estructura para encontrar el equilibrio perfecto entre peso, aerodinámica y uso de energía.

Un investigador liderado por Oguz Kose, de la Universidad de Erzincan Binali Yıldırım, ha abordado este problema combinando el rediseño físico con el aprendizaje computacional avanzado. Su objetivo era determinar la longitud ideal para los brazos de un dron hexarrotor para maximizar cuánto tiempo podía permanecer en el aire, asegurando al mismo tiempo que pudiera volar suavemente tanto en línea recta como lateralmente. No se limitaron a adivinar la mejor forma; utilizaron un sofisticado proceso computacional para probar miles de posibilidades. El investigador comenzó creando un modelo digital detallado del dron en un programa de software de diseño. Sabían que cambiar la longitud de los brazos del dron alteraría su distribución de peso y cómo resiste el giro, lo que se conoce como sus momentos de inercia. Debido a que calcular estos cambios para cada posible longitud de brazo a mano es increíblemente difícil, recurrieron a dos tipos diferentes de algoritmos de aprendizaje automático. Un algoritmo, conocido como red neuronal artificial, imita la forma en que los cerebros biológicos aprenden de los patrones. El otro, un método llamado descenso de gradiente estocástico, es una técnica matemática que refina iterativamente las suposiciones para encontrar la mejor solución. Ambos sistemas fueron alimentados con datos de los modelos digitales para predecir el peso de la batería y las propiedades físicas necesarias para cualquier longitud de brazo dada.

El investigador empleó luego una tercera herramienta, un método de optimización estocástica, para actuar como el tomador de decisiones. Este sistema probó diferentes longitudes de brazo, que oscilaban entre 37 centímetros y 65 centímetros, y ajustó simultáneamente los ajustes de control de vuelo del dron. El objetivo era minimizar un valor de "costo", que representaba qué tan mal se desempeñaba el dron en términos de qué tan rápido podía alcanzar una velocidad objetivo, cuánto tiempo tardaba en estabilizarse y cuánto tambaleaba. La computadora realizó cinco rondas de pruebas, refinando la longitud del brazo y los ajustes de control en cada paso. Los resultados mostraron un ganador claro. El método basado en el descenso de gradiente estocástico demostró ser superior al enfoque de la red neuronal. Predijo que brazos más cortos permitirían al dron volar durante más tiempo. Al reducir la longitud del brazo, el dron se volvió más ligero, lo que aumentó directamente su tiempo de vuelo. Las simulaciones indicaron que, con la longitud de brazo óptima y los ajustes de control encontrados por este método, el dron podría lograr una autonomía máxima de 40 minutos. Esto fue una mejora significativa, representando una reducción del 16 por ciento en el costo de rendimiento general en comparación con la configuración inicial.

El estudio también verificó que estos ajustes optimizados permitían al dron volar con precisión. En las simulaciones por computadora, el dron siguió con éxito rutas específicas, moviéndose hacia adelante y lateralmente según se le solicitó sin perder el control. Los datos de vuelo mostraron que el dron que utilizaba el método de descenso de gradiente estocástico se estabilizaba mucho más rápido y con menos tambaleo que el que utilizaba las predicciones de la red neuronal. Por ejemplo, al moverse lateralmente, el dron optimizado por el método de gradiente se asentaba en su trayectoria en menos de un segundo, mientras que el otro método tardaba significamente más. El investigador señaló que, si bien la red neuronal era buena prediciendo el peso de la batería, el método de gradiente proporcionaba predicciones más precisas para las propiedades físicas que dictan cómo se mueve el dron. Esto sugiere que, para este tipo específico de problema de ingeniería, el método de gradiente es la herramienta más fiable para encontrar el equilibrio perfecto entre estructura y vuelo.

Este trabajo representa un paso adelante para hacer que los drones sean más eficientes sin requerir nueva tecnología de baterías. Simplemente ajustando las dimensiones físicas del armazón del dron y perfeccionando cómo vuela, el investigador demostró que el tiempo de vuelo puede extenderse sustancialmente. Los hallazgos se basan actualmente en simulaciones por computadora, pero proporcionan una base sólida para pruebas en el mundo real. El equipo planea utilizar estos resultados para construir y probar drones reales en proyectos futuros apoyados por el Consejo de Investigación Científica y Tecnológica de Turquía. Si estas simulaciones se mantienen en el mundo real, la capacidad de rediseñar la forma de un dron para la máxima autonomía antes del vuelo podría transformar cómo se utilizan estas máquinas en la agricultura, la búsqueda y rescate, y la seguridad, permitiéndoles permanecer en el aire más tiempo y cubrir más terreno con la misma cantidad de energía.