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

Dans le ciel au-dessus de nos villes et de nos champs, une révolution silencieuse est en cours. Les véhicules aériens sans pilote, les drones qui sillonnent l'air pour livrer des colis, inspecter les cultures ou rechercher des survivants dans les zones de catastrophe, deviennent de plus en plus performants chaque jour. Parmi ces machines, l'hexaroteur se distingue. Contrairement au drone classique à quatre rotors, l'hexaroteur possède six moteurs et hélices. Cette paire d'ailes supplémentaire lui confère une plus grande stabilité et la capacité de transporter des charges plus lourdes, ce qui en fait un favori pour les missions complexes où la fiabilité est primande. Cependant, comme tous les aéronefs alimentés par batterie, ces drones sont confrontés à un défi persistant : l'endurance. Ils ne peuvent rester en l'air que pendant un temps limité avant que leur énergie ne s'épuise. Pour les opérateurs, la différence entre un vol de vingt minutes et un vol de quarante minutes peut signifier la différence entre achever une mission de recherche critique ou devoir rentrer à la maison les mains vides. Pour résoudre ce problème, les ingénieurs cherchent au-delà du simple ajout de batteries plus grosses, qui rendent souvent le drone trop lourd pour voler efficacement. Au lieu de cela, ils exploreent des moyens de modifier la forme physique du drone lors de la phase de conception, en ajustant sa structure pour trouver l'équilibre parfait entre poids, aérodynamisme et consommation d'énergie.

Un chercheur dirigé par Oguz Kose de l'Université d'Erzincan Binali Yıldırım a abordé ce problème en combinant la redéfinition physique avec l'apprentissage informatique avancé. Leur objectif était de déterminer la longueur idéale des bras d'un drone hexaroteur pour maximiser sa durée de vol, tout en garantissant qu'il puisse voler de manière fluide en ligne droite et latéralement. Ils n'ont pas simplement deviné la meilleure forme ; ils ont utilisé un processus informatique sophistiqué pour tester des milliers de possibilités. Le chercheur a commencé par créer un modèle numérique détaillé du drone dans un logiciel de conception. Il savait que changer la longueur des bras du drone modifierait sa répartition du poids et sa résistance aux rotations, connue sous le nom de moments d'inertie. Comme calculer ces changements pour chaque longueur de bras possible à la main est incroyablement difficile, ils se sont tournés vers deux types différents d'algorithmes d'apprentissage automatique. Un algorithme, connu sous le nom de réseau de neurones artificiels, imite la façon dont les cerveaux biologiques apprennent à partir de modèles. L'autre, une méthode appelée descente de gradient stochastique, est une technique mathématique qui affine de manière itérative les suppositions pour trouver la meilleure solution. Les deux systèmes ont été alimentés par des données provenant des modèles numériques pour prédire le poids de la batterie et les propriétés physiques nécessaires pour toute longueur de bras donnée.

Le chercheur a ensuite employé un troisième outil, une méthode d'optimisation stochastique, pour agir comme décideur. Ce système a testé différentes longueurs de bras, allant de 37 centimètres à 65 centimètres, et a ajusté simultanément les paramètres de contrôle de vol du drone. Le but était de minimiser une valeur de « coût », qui représentait la médiocrité de la performance du drone en termes de rapidité pour atteindre une vitesse cible, de temps de stabilisation et de balancement. L'ordinateur a effectué cinq cycles de tests, affinant la longueur des bras et les paramètres de contrôle à chaque étape. Les résultats ont montré un vainqueur clair. La méthode basée sur la descente de gradient stochastique s'est avérée supérieure à l'approche par réseau de neurones. Elle a prédit que des bras plus courts permettraient au drone de voler plus longtemps. En réduisant la longueur des bras, le drone devenait plus léger, ce qui augmentait directement son temps de vol. Les simulations ont indiqué qu'avec la longueur de bras optimale et les paramètres de contrôle trouvés par cette méthode, le drone pouvait atteindre une endurance maximale de 40 minutes. C'était une amélioration significative, représentant une réduction de 16 % du coût de performance globale par rapport à la configuration initiale.

L'étude a également vérifié que ces paramètres optimisés permettaient au drone de voler avec précision. Dans les simulations informatiques, le drone a suivi avec succès des trajectoires spécifiques, avançant et se déplaçant latéralement comme demandé sans perdre le contrôle. Les données de vol ont montré que le drone utilisant la méthode de descente de gradient stochastique se stabilisait beaucoup plus rapidement et avec moins de balancements que celui utilisant les prédictions du réseau de neurones. Par exemple, lors d'un déplacement latéral, le drone optimisé par la méthode de gradient s'est stabilisé sur sa trajectoire en moins d'une seconde, tandis que l'autre méthode mettait nettement plus de temps. Le chercheur a noté que si le réseau de neurones était efficace pour prédire le poids de la batterie, la méthode de gradient fournissait des prédictions plus précises pour les propriétés physiques qui dictent le mouvement du drone. Cela suggère que pour ce type spécifique de problème d'ingénierie, la méthode de gradient est l'outil le plus fiable pour trouver l'équilibre parfait entre structure et vol.

Ce travail représente une étape de plus vers la création de drones plus efficaces sans nécessiter de nouvelles technologies de batteries. En ajustant simplement les dimensions physiques de la structure du drone et en peaufinant sa façon de voler, le chercheur a démontré que le temps de vol peut être considérablement prolongé. Les conclusions sont actuellement basées sur des simulations informatiques, mais elles constituent une base solide pour des tests en conditions réelles. L'équipe prévoit d'utiliser ces résultats pour construire et tester de véritables drones dans de futurs projets soutenus par le Conseil de la Recherche Scientifique et Technologique de Turquie. Si ces simulations se confirment dans le monde réel, la capacité de redessiner la forme d'un drone pour une endurance maximale avant le vol pourrait transformer l'utilisation de ces machines dans l'agriculture, la recherche et le sauvetage, ainsi que la sécurité, leur permettant de rester en l'air plus longtemps et de couvrir plus de terrain avec la même quantité d'énergie.