💻 computer science

Orientation Matters: Learning Radiation Patterns of Multi-Rotor UAVs In-Flight to Enhance Communication Availability Modeling

यह शोधपत्र स्फेरिकल हार्मोनिक्स मॉडलिंग और कैलिब्रेशन उड़ान डेटा पर लीनियर रिग्रेशन का उपयोग करके, इन-फ्लाइट विषम क्वाड्रोटर यूएवी (UAV) के रेडिएशन पैटर्न को सीखने और अलग करने की एक विधि प्रस्तावित करता है, जो गतिशील पेलोड स्थितियों के तहत सटीक स्वायत्त पथ नियोजन और स्वार्म नियंत्रण को सक्षम करने के लिए माप-शोर-स्तर (measurement-noise-level) की सटीकता प्राप्त करता है।

मूल लेखक: Martin Zoula, Daniel Bonilla Licea, Jan Faigl, Václav Navrátil, Martin Saska

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Martin Zoula, Daniel Bonilla Licea, Jan Faigl, Václav Navrátil, Martin Saska

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: आपके ड्रोन की "आवाज़" क्यों बदल जाती है

कल्पना कीजिए कि आप एक मैदान में अपने दोस्त को पुकार रहे हैं। यदि आप स्थिर खड़े होकर उनकी ओर मुख करके चिल्लाते हैं, तो वे आपको स्पष्ट रूप से सुन पाते हैं। लेकिन यदि आप अपनी पीठ उनकी ओर कर लेते हैं, तो वे आपकी आवाज़ बहुत कम सुन पाते हैं। यदि आप हाथ में मेगाफोन (ध्वनि विस्तारक यंत्र) पकड़ लेते हैं, तो आवाज़ एक दिशा में तेज़ और अन्य दिशाओं में धीमी हो जाती है।

अब, कल्पना कीजिए कि आपका ड्रोन वह व्यक्ति है जो चिल्ला रहा है, और ड्रोन का शरीर (उसका ढांचा, प्रोपेलर, बैटरी) एक विशाल, अजीब आकार के मेगाफोन की तरह काम करता है जो आवाज़ को विकृत (distort) कर देता है।

रोबोटिक्स की दुनिया में, ड्रोन आपस में रेडियो तरंगों (जैसे वाई-फाई) का उपयोग करके बात करते हैं। आमतौर पर, इंजीनियर यह मान लेते हैं कि ये रेडियो सभी दिशाओं में एक आदर्श घेरे (circle) में चिल्लाते हैं। लेकिन वास्तव में, ड्रोन का शरीर सिग्नल को रोकता और मोड़ देता है। इससे एक "रेडिएशन पैटर्न" (Radiation Pattern) बनता है—यानी एक ऐसा नक्शा जो बताता है कि सिग्नल कहाँ मज़बूत है और कहाँ कमज़ोर।

समस्या:
यदि आप ड्रोन का पेलोड (जैसे एक कैमरे को हटाकर एक भारी सेंसर लगाना) बदलते हैं, तो उस "मेगाफोन" का आकार बदल जाता है। सिग्नल का पैटर्न भी बदल जाता है। यदि ड्रोन को इस बारे में पता नहीं है, तो वह किसी ऐसे "डेड ज़ोन" (dead zone) में जा सकता है जहाँ उसका कनेक्शन टूट जाए, या वह अक्षम तरीके से उड़ सकता है। पारंपरिक रूप से, इस पैटर्न को समझने के लिए, आपको ड्रोन को एक विशाल, ध्वनि-रहित (या रेडियो-रहित) कमरे में घंटों तक मापना पड़ता। वास्तविक दुनिया में हर बार ड्रोन का उपकरण बदलने पर ऐसा करना असंभव है।

समाधान:
यह शोध पत्र एक चतुर तरीका प्रस्तावित करता है जिससे दो ड्रोन बिना किसी विशेष लैब की आवश्यकता के, आकाश में उड़ते समय ही अपनी "आवाज़" को खुद "सीख" सकते हैं।

उन्होंने यह कैसे किया: ड्रोनों का "नृत्य"

स्थिर रहने के बजाय, शोधकर्ताओं ने दो ड्रोनों के लिए एक विशेष उड़ान पथ (flight path) डिज़ाइन किया।

उपमा: बॉलरूम डांस (Ballroom Dance)
कल्पना कीजिए कि दो नर्तक (ड्रोन) एक-दूसरे का हाथ थामे हुए हैं (रेडियो से जुड़े हुए)।

वे 10 मीटर की दूरी से शुरू करते हैं।
वे एक केंद्रीय बिंदु के चारों ओर एक विशाल ऊर्ध्वाधर (vertical) घेरे में उड़ते हैं, जैसे दो ग्रह सूर्य की परिक्रमा कर रहे हों।
हर बार जब वे एक चक्कर पूरा करते हैं, उनमें से एक रुकता है, थोड़ा मुड़ता है (जैसे अपना डांस स्टेप बदलना), और फिर से चक्कर लगाना शुरू करता है।

ऐसा करने से, ड्रोन हर संभव कोण (angle) पर एक-दूसरे के सामने से गुजरते हैं। कभी ड्रोन A, ड्रोन B की नाक की ओर देख रहा होता है, कभी उसकी पूंछ की ओर, तो कभी उसके किनारे की ओर। वे हर एक कोण पर सिग्नल कितना मज़बूत है, इसके हजारों डेटा पॉइंट एकत्र करते हैं।

जादुई ट्रिक: उलझन को सुलझाना

यहाँ सबसे कठिन हिस्सा है। जब ड्रोन A, ड्रोन B को सिग्नल भेजता है, तो सिग्नल इसलिए कमज़ोर हो जाता है क्योंकि इसमें ड्रोन A के शरीर और ड्रोन B के शरीर, दोनों का प्रभाव होता है। यह दोनों का मिश्रण है।

इसे ऐसे समझें जैसे दो लोग एक दीवार के माध्यम से एक-दूसरे को चिल्लाकर बुला रहे हों। आप दोनों के शोर का मिश्रण सुनते हैं, लेकिन केवल शोर सुनकर आप यह नहीं बता सकते कि कौन ज़्यादा ज़ोर से चिल्ला रहा है।

शोधकर्ताओं ने इस उलझन को सुलझाने के लिए एक गणितीय ट्रिक (Linear Regression) का उपयोग किया। उन्होंने इस समस्या को एक पहेली की तरह माना:

"हम जानते हैं कुल सिग्नल स्ट्रेंथ कितनी है।"
"हम दूरी जानते हैं।"
"हम कोण (angles) जानते हैं।"
"इसलिए, हम गणितीय रूप से अलग कर सकते हैं कि सिग्नल की हानि में ड्रोन A के शरीर का कितना योगदान है और ड्रोन B के शरीर का कितना।"

वे तीन "नक्शे" जिन्हें उन्होंने आज़माया

सिग्नल के आकार (रेडिएशन पैटर्न) का नक्शा बनाने के लिए, उन्होंने आकार को समझाने के तीन अलग-अलग तरीके आज़माए:

स्फेरिकल हार्मोनिक्स (Spherical Harmonics - "स्मूथ स्कल्प्टर"): यह विधि जटिल गणित (जैसे सुचारू, बहती हुई लहरें) का उपयोग करके एक आदर्श 3D आकार बनाती है। यह मिट्टी से एक मूर्ति गढ़ने जैसा है जहाँ सतह पूरी तरह से चिकनी होती है। परिणाम: यह विजेता रहा। इसने सबसे सटीक नक्शा बनाया।
बेसिस ग्रिड (Basis Grid - "पिक्सेलेटेड फोटो"): यह विधि आकाश को छोटे-छोटे चौकोर खानों (grid) में विभाजित करती है और प्रत्येक खाने के लिए सिग्नल स्ट्रेंथ का अनुमान लगाती है। यह एक कम रेजोल्यूशन वाली फोटो की तरह है। यह ठीक-ठाक चला, लेकिन यह उतना स्मूथ या सटीक नहीं था।
पॉलीनोमियल (Polynomial - "रफ स्केच"): इसने एक सरल वक्र (curve) को फिट करने की कोशिश की। यह विफल रहा क्योंकि रेडियो तरंगें वृत्तों में घूमती हैं, और साधारण वक्र उस "लपेटने" (wrapping) वाले तर्क को अच्छी तरह से नहीं संभाल पाते।

परिणाम: वास्तविक जीवन के लिए "पर्याप्त अच्छा"

टीम ने अपने ड्रोनों को एक वास्तविक मैदान में उड़ाया (लैब में नहीं)।

लक्ष्य: सिग्नल स्ट्रेंथ का पूर्वानुमान लगाना।
परिणाम: उनका सबसे अच्छा मॉडल (Spherical Harmonics) केवल 3.6 डेसिबल (decibels) के अंतर पर था।
यह क्यों मायने रखता है: उनके उपकरणों का "शोर" (जैसे स्टैटिक, हवा, घूमते हुए प्रोपेलर) भी लगभग 3.6 डेसिबल ही था। इसका मतलब है कि उनका मॉडल परफेक्ट था। यह उतना ही सटीक था जितना कि भौतिक रूप से मापने योग्य हार्डवेयर स्वयं हो सकता है। उन्होंने पैटर्न को मापने की भौतिक सीमा तक सीख लिया था।

यह सब कुछ कैसे बदल देता है

यह ड्रोन स्वार्म्स (swarms) और मॉड्यूलर रोबोट्स के लिए एक गेम-चेंजर है।

पहले: यदि आप ड्रोन का कैमरा बदलते थे, तो आपको उसे ज़मीन पर उतारना पड़ता था, उसे लैब में ले जाना पड़ता था और घंटों तक उसका रेडियो मैप फिर से कैलिब्रेट करना पड़ता था।
अब: आप कैमरा बदल सकते हैं, ड्रोन को लॉन्च कर सकते हैं, उसे साथी ड्रोन के साथ कुछ मिनटों के लिए एक त्वरित "डांस" करने के लिए कह सकते हैं, और तुरंत जान सकते हैं कि उसका रेडियो व्यवहार कैसा है।

निष्कर्ष:
ठीक वैसे ही जैसे कोई गायक कॉन्सर्ट से पहले अपनी आवाज़ को वार्म-अप करता है, अब ये ड्रोन भी मैदान में ही अपने रेडियो को "वार्म-अप" कर सकते हैं। यह उन्हें स्मार्ट तरीके से उड़ने, कनेक्शन टूटने से बचने और उपकरणों के बदलने के बावजूद झुंड (swarms) में मिलकर काम करने में सक्षम बनाता है। उन्होंने एक जटिल भौतिक समस्या को एक सरल, स्वचालित उड़ान प्रक्रिया में बदल दिया है।

यहाँ शोध पत्र "Orientation Matters: Learning Radiation Patterns of Multi-Rotor UAVs In-Flight to Enhance Communication Availability Modeling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वास्तविक दुनिया के मॉड्यूलर परिदृश्यों में अनक्रेयड एरियल व्हीकल (UAVs) के लिए कम्युनिकेशन रेडिएशन पैटर्न्स (RPs) को मॉडल करने की चुनौती को संबोधित करता है।

मुख्य मुद्दा: मॉड्यूलर UAV सिस्टम में, पेलोड, सेंसर और एयरफ्रेम बदल सकते हैं, जिससे एंटीना का रेडिएशन पैटर्न बदल जाता है। पारंपरिक तरीके पूर्व-निर्धारित सैद्धांतिक मॉडलों या प्रयोगशाला अंशांकन (एनेकोइक चैंबर) पर निर्भर करते हैं, जो फील्ड में तैनात होने वाले पुनर्गठित स्वार्म्स (swarms) के लिए अव्यावहारिक हैं।
अंतराल (The Gap): मौजूदा रोबोटिक संचार मॉडल अक्सर आदर्श, आइसोट्रोपिक एंटीना या स्थिर पैटर्न मान लेते हैं। हालाँकि, UAV का एयरफ्रेम और पेलोड जटिल हस्तक्षेप (interference) पैदा करते हैं, जिससे दिशा-निर्भर सिग्नल क्षीणन (attenuation) होता है (जो -20 dB तक हो सकता है) और यह संचार कर रहे UAVs के सापेक्ष ओरिएंटेशन (अज़ीमुथ और इन्क्लिनेशन) के साथ बदलता रहता है।
लक्ष्य: बिना किसी बुनियादी ढांचे के, इन-फ्लाइट दो विषम (heterogeneous) UAVs के संयुक्त रेडिएशन पैटर्न को तेजी से सीखने और डीकपल (decouple) करने की एक विधि विकसित करना, ताकि सटीक स्वायत्त पथ नियोजन (autonomous path planning) और स्वार्म नियंत्रण सक्षम किया जा सके।

2. कार्यप्रणाली (Methodology)

A. संयुक्त अंशांकन प्रक्षेपवक्र (Joint Calibration Trajectory)

मानक क्वाडकॉप्टर की नॉन-होलोनोमिक बाधाओं (जो बिना किसी विशेष व्यवस्था के सभी 6 डिग्री ऑफ फ्रीडम में घूम नहीं सकते) को दूर करने के लिए, लेखकों ने एक विशिष्ट सिंक्रोनाइज्ड फ्लाइट प्रक्षेपवक्र डिज़ाइन किया:

सेटअप: दो UAVs एक दूसरे से 10 मीटर की दूरी पर 20 मीटर की ऊंचाई पर शुरू होते हैं (ग्राउंड रिफ्लेक्शन को कम करने के लिए)।
गति (Motion): दोनों UAVs उनके बीच स्थित एक वर्टिकल सर्कल के चारों ओर 10 मीटर व्यास के साथ सिंक्रोनस रूप से उड़ते हैं।
ओरिएंटेशन स्कैनिंग: प्रत्येक लूप पूरा करने के बाद, एक UAV अपनी हेडिंग (yaw) को थोड़ा बदलता है। इसे दोहराकर, जोड़ी पूरे 360° सापेक्ष ओरिएंटेशन स्पेस को सैंपल करती है, जो दोनों एंटेना के बीच सभी संभावित अज़ीमुथ ( $\alpha$ ) और इन्क्लिनेशन ( $\beta$ ) कोणों को कवर करती है।

B. गणितीय सूत्रीकरण (Mathematical Formulation)

प्राप्त शक्ति ( $P_{rx}$ ) को फ्रिस ट्रांसमिशन समीकरण (Friis transmission equation) का उपयोग करके मॉडल किया गया है:
$P_{rx} = P_{tx} + G_{tx}(\alpha_{tx}^{rx}, \beta_{tx}^{rx}) + G_{rx}(\alpha_{rx}^{tx}, \beta_{rx}^{tx}) + \text{Path Loss}$
मुख्य चुनौती संयुक्त गेन $G$ को दो स्वतंत्र पदों, $G_{tx}$ (ट्रांसमिटर) और $G_{rx}$ (रिसीवर) में डीकपल करने की है। लेखक इसे एक रेसिडुअल-मिनिमाइजेशन समस्या के रूप में देखते हैं जहाँ लक्ष्य $\phi$ और $\psi$ मापदंडों को खोजना है जो मापे गए और अनुमानित सिग्नल स्ट्रेंथ के बीच त्रुटि को कम करते हैं।

C. प्रस्तावित लर्निंग मॉडल्स (Proposed Learning Models)

रेडिएशन पैटर्न $G(\alpha, \beta)$ को दर्शाने के लिए तीन लीनियर कॉम्बिनेशन मॉडल्स की तुलना की गई:

स्फेरिकल हार्मोनिक्स (SH): यह ऑर्थोगोनल लेजेंड्रे पॉलिनोमिअल्स का उपयोग करता है। यह एक "ड्यूल-डोमेन" दृष्टिकोण है जो गोलाकार डेटा के लिए उपयुक्त है।
बेसिस ग्रिड (BG): यह गोलाकार डेटा पर गाऊसी कर्नेल (Gaussian kernel) का उपयोग करके इंड्यूसिंग सैंपल्स के ग्रिड वाला एक "प्राइमरी-डोमेन" दृष्टिकोण है (गाऊसी प्रोसेस के समान)।
पॉलिनोमियल (P): अज़ीमुथ और इन्क्लिनेशन पर एक अनकन्स्ट्रेंड पॉलिनोमियल मॉडल (इसे डोमेन की आवधिकता (periodicity) को अनदेखा करने के कारण कम प्रभावी माना गया)।

डीकपलिंग रणनीति: इस गणितीय अस्पष्टता को रोकने के लिए कि $G = G_1 + \epsilon + G_2 - \epsilon$ (अनंत समाधान), लेखकों ने मापदंडों को रेगुलराइज करने और एक अद्वितीय समाधान प्राप्त करने के लिए एक ट्यून किए गए हाइपरपैरामीटर ( $\kappa=50$ ) के साथ रिज रिग्रेशन (Ridge Regression) लागू किया।

3. प्रयोगात्मक सेटअप (Experimental Setup)

हार्डवेयर: दो विषम UAVs (DJI F450 और Holybro X500) जो ऑफ-द-शेल्फ TP-Link Archer T2U Plus Wi-Fi USB मॉड्यूल (2.4 GHz) से लैस हैं।
पेलोड्स: एक UAV ने UVDAR पेलोड ले जाने के साथ, दूसरे ने LiDAR ले जाने के साथ। एंटेना को अलग-अलग ओरिएंटेशन (क्षैतिज बनाम ऊर्ध्वाधर) में लगाया गया था।
पर्यावरण: बाधा-मुक्त ग्रामीण क्षेत्र (आउटडोर), जहाँ बाधाएं 50 मीटर से अधिक दूर थीं।
डेटा: अंशांकन उड़ान के दौरान एकत्र किए गए 27,958 RSSI सैंपल, जिन्हें सब-मिलीसेकंड सटीकता के साथ NTP (Chrony) के माध्यम से सिंक्रोनाइज़ किया गया था।
बेसलाइन: मीन (M) और नियरस्ट नेबर (NN) रिग्रेशन के विरुद्ध तुलना की गई।

4. मुख्य परिणाम (Key Results)

सटीकता: ऑर्डर 14 वाले स्फेरिकल हार्मोनिक्स (SH) मॉडल ने सर्वश्रेष्ठ प्रदर्शन किया, जिसमें 3.73 dB का रूट-मीन-स्क्वेर्ड एरर (RMSE) प्राप्त हुआ। ऑर्डर 28 मॉडल ने 3.39 dB प्राप्त किया, जो प्रभावी रूप से अंतर्निहित माप शोर (लोकल RSSI स्टैंडर्ड डेविएशन $\approx$ 2.74 dB) के स्तर पर है।
डीकपलिंग सफलता: पद्धति ने संयुक्त पैटर्न को दो अलग-अलग पैटर्न में सफलतापूर्वक विभाजित किया, जिससे पता चला कि दूसरे के सापेक्ष UAV का ओरिएंटेशन सिग्नल गेन/लॉस के रूप में 10–20 dB तक का प्रभाव डालता है।
मॉडल तुलना:
- SH: सटीकता और जटिलता का सबसे अच्छा संतुलन। इसने क्रॉस-वैलिडेशन के माध्यम से सत्यापित किया कि यह ओवरफिटिंग के बिना सूक्ष्म-स्तरीय पैटर्न को कैप्चर करता है।
- BG: अच्छा प्रदर्शन किया लेकिन इसके लिए अधिक ट्यूनिंग की आवश्यकता थी; SH की तुलना में त्रुटि थोड़ी अधिक थी।
- Polynomial: डोमेन की गैर-आवधिक प्रकृति के कारण खराब प्रदर्शन किया।
- Baselines: मीन मॉडल में उच्च त्रुटि (5.43 dB) थी; NN मॉडल (3.43 dB) सटीक था लेकिन पैटर्न को डीकपल नहीं कर सका (उसने व्यक्तिगत UAV विशेषताओं के बजाय संयुक्त अवस्था को सीखा)।
ओवरफिटिंग विश्लेषण: उच्च-क्रम वाले मॉडल्स (ऑर्डर 28) में रैंडम शोर फिटिंग के संकेत नहीं मिले; क्रॉस-वैलिडेशन मामलों ने टोपोलॉजिकल रूप से समान पैटर्न उत्पन्न किए, जो सुझाव देता है कि मॉडल ने एयरफ्रेम इंटरफेरेंस के वास्तविक भौतिकी को कैप्चर किया है।

5. प्रमुख योगदान (Key Contributions)

एक साथ डीकपल करना (Simultaneous Decoupling): एक एकल संयुक्त फ्लाइट डेटासेट से दो विषम UAVs के रेडिएशन पैटर्न को सीखने और डीकपल करने की एक नवीन विधि, जिसके लिए अलग-अलग अंशांकन की आवश्यकता नहीं है।
इन-फ्लाइट कैलिब्रेशन प्रक्षेपवक्र: एक व्यावहारिक, इंफ्रास्ट्रक्चर-मुक्त फ्लाइट पाथ जिसे नॉन-होलोनोमिक UAVs के लिए विशेष रूप से 3D सापेक्ष ओरिएंटेशन स्पेस को सैंपल करने के लिए डिज़ाइन किया गया है।
व्यावहारिक व्यवहार्यता: प्रदर्शित किया गया कि ऑफ-द-शेल्फ हार्डवेयर का उपयोग करके वास्तविक बाहरी स्थितियों में सटीक RP मॉडलिंग (माप शोर की सीमा के भीतर) प्राप्त करना संभव है, जिससे पेलोड परिवर्तन के बाद तीव्र पुन: अंशांकन सक्षम होता है।

6. महत्व और भविष्य का कार्य (Significance and Future Work)

प्रभाव: यह कार्य गतिशील वातावरण में कम्युनिकेशन-अवेयर पाथ प्लानिंग और स्वार्म कंट्रोल को सक्षम बनाता है। यह जानकर कि एक UAV का विशिष्ट रेडिएशन पैटर्न क्या है (जो पेलोड के साथ बदलता है), रोबोट अपने फॉर्मेशन और ओरिएंटेशन को अनुकूलित कर सकते हैं ताकि लिंक की गुणवत्ता को अधिकतम और हस्तक्षेप को न्यूनतम किया जा सके।
भविष्य की दिशाएं: लेखक वेव पोलराइजेशन (wave polarization) को ध्यान में रखने, विभिन्न आवृत्तियों का परीक्षण करने, प्रक्षेपवक्र को सूचना-एकत्रीकरण समस्या के रूप में अनुकूलित करने, और सैंपलिंग बायस एवं लोकलाइजेशन संवेदनशीलता का विश्लेषण करने का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र सिद्ध करता है कि पूरे UAV को एक जटिल एंटीना सिस्टम के रूप में मानना और रेडिएशन पैटर्न को मॉडल करने के लिए स्फेरिकल हार्मोनिक्स का उपयोग करना, मजबूत स्वायत्त हवाई स्वार्म्स के लिए आवश्यक उच्च-परिशुद्धता, डेटा-संचालित संचार मॉडलिंग को सक्षम बनाता है।