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

हमारे शहरों और खेतों के ऊपर आसमान में, एक शांत क्रांति हो रही है। मानव रहित हवाई वाहन (अनमैन्ड एरियल व्हीकल), वे ड्रोन जो पैकेज पहुंचाने, फसलों का निरीक्षण करने या आपदा क्षेत्रों में जीवित बचे लोगों की तलाश करने के लिए हवा में उड़ते हैं, हर दिन अधिक सक्षम होते जा रहे हैं। इन मशीनों के बीच, हेक्सारोटर (hexarotor) विशिष्ट स्थान रखता है। सामान्य चार-रोटर वाले ड्रोन के विपरीत, हेक्सारोटर में छह मोटर और प्रोपेलर होते हैं। पंखों का यह अतिरिक्त सेट इसे अधिक स्थिरता और भारी भार उठाने की क्षमता देता है, जिससे यह उन जटिल मिशनों के लिए पसंदीदा बन जाता है जहाँ विश्वसनीयता सर्वोपरि होती है। हालाँकि, सभी बैटरी से चलने वाले विमानों की तरह, इन ड्रोनों को भी एक निरंतर चुनौती का सामना करना पड़ता है: सहनशक्ति (endurance)। अपनी शक्ति समाप्त होने से पहले वे केवल एक सीमित समय के लिए ही हवा में रह सकते हैं। ऑपरेटरों के लिए, बीस मिनट की उड़ान और चालीस मिनट की उड़ान के बीच का अंतर एक महत्वपूर्ण खोज मिशन को पूरा करने या खाली हाथ वापस लौटने के बीच का अंतर हो सकता है। इसे हल करने के लिए, इंजीनियर केवल बड़ी बैटरियों को भरने से आगे देख रहे हैं, जो अक्सर ड्रोन को कुशलतापूर्वक उड़ने के लिए बहुत भारी बना देती हैं। इसके बजाय, वे डिजाइन चरण के दौरान ड्रोन के भौतिक आकार को बदलने, वजन, वायुगतिकी (aerodynamics) और ऊर्जा उपयोग के बीच सही संतुलन खोजने के लिए इसकी संरचना को समायोजित करने के तरीकों की खोज कर रहे हैं।

एर्ज़िनकन बिनाली यिल्दिरिम विश्वविद्यालय के ओगुज़ कोसे के नेतृत्व में एक शोधकर्ता ने उन्नत कंप्यूटर लर्निंग के साथ भौतिक पुनर्गठन को जोड़कर इस समस्या का समाधान किया है। उनका लक्ष्य हेक्सारोटर ड्रोन की भुजाओं (arms) की आदर्श लंबाई निर्धारित करना था ताकि यह अधिकतम समय तक हवा में रह सके, और साथ ही यह सुनिश्चित करना था कि यह सीधी रेखाओं और पार्श्व (sideways) दिशाओं, दोनों में सुचारू रूप से उड़ सके। उन्होंने केवल सबसे अच्छे आकार का अनुमान नहीं लगाया; उन्होंने हजारों संभावनाओं का परीक्षण करने के लिए एक परिष्कृत कंप्यूटर प्रक्रिया का उपयोग किया। शोधकर्ता ने एक डिजाइन सॉफ्टवेयर प्रोग्राम में ड्रोन का एक विस्तृत डिजिटल मॉडल बनाकर शुरुआत की। वे जानते थे कि ड्रोन की भुजाओं की लंबाई बदलने से उसके वजन का वितरण और मुड़ने के प्रति उसका प्रतिरोध, जिसे जड़त्व आघूर्ण (moments of inertia) कहा जाता है, बदल जाएगा। क्योंकि प्रत्येक संभावित भुजा की लंबाई के लिए इन परिवर्तनों की गणना हाथ से करना अविश्वसनीय रूप से कठिन है, इसलिए उन्होंने दो अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम का सहारा लिया। एक एल्गोरिदम, जिसे आर्टिफिशियल न्यूरल नेटवर्क कहा जाता है, जैविक मस्तिष्क के पैटर्न से सीखने के तरीके की नकल करता है। दूसरा, स्टोकैस्टिक ग्रेडिएंट डिसेंट (stochastic gradient descent) नामक एक विधि, जो सर्वोत्तम समाधान खोजने के लिए अनुमानों को बार-बार परिष्कृत करने वाली एक गणितीय तकनीक है। किसी भी दी गई भुजा की लंबाई के लिए आवश्यक बैटरी वजन और भौतिक गुणों की भविष्यवाणी करने के लिए दोनों प्रणालियों को डिजिटल मॉडलों से डेटा दिया गया था।

शोधकर्ता ने फिर एक निर्णय लेने वाले के रूप में कार्य करने के लिए तीसरे उपकरण, एक स्टोकैस्टिक ऑप्टिमाइज़ेशन विधि का उपयोग किया। इस प्रणाली ने 37 सेंटीमीटर से 65 सेंटीमीटर तक की विभिन्न भुजाओं की लंबाई का परीक्षण किया, और साथ ही ड्रोन के उड़ान नियंत्रण सेटिंग्स को भी समायोजित किया। लक्ष्य एक "लागत" (cost) मान को कम करना था, जो यह दर्शाता था कि ड्रोन कितनी खराब तरह से प्रदर्शन करता है—जैसे कि वह कितनी तेज़ी से लक्ष्य गति तक पहुँच सकता है, उसे स्थिर होने में कितना समय लगता है, और उसमें कितना डगमगाहट (wobble) होती है। कंप्यूटर ने परीक्षण के पांच दौर चलाए, प्रत्येक चरण में भुजा की लंबाई और नियंत्रण सेटिंग्स को परिष्कृत किया। परिणामों ने एक स्पष्ट विजेता दिखाया। स्टोकैस्टिक ग्रेडिएंट डिसेंट पर आधारित विधि, न्यूरल नेटवर्क दृष्टिकोण की तुलना में श्रेष्ठ सिद्ध हुई। इसने भविष्यवाणी की कि छोटी भुजाएं ड्रोन को अधिक समय तक उड़ने में सक्षम बनाएंगी। भुजा की लंबाई कम करके, ड्रोन हल्का हो गया, जिससे उसकी उड़ान का समय सीधे तौर पर बढ़ गया। सिमुलेशन ने संकेत दिया कि इस विधि द्वारा पाए गए इष्टतम भुजा लंबाई और नियंत्रण सेटिंग्स के साथ, ड्रोन 40 मिनट की अधिकतम सहनशक्ति प्राप्त कर सकता है। यह एक महत्वपूर्ण सुधार था, जो प्रारंभिक सेटअप की तुलना में समग्र प्रदर्शन लागत में 16 प्रतिशत की कमी को दर्शाता है।

अध्ययन ने यह भी सत्यापित किया कि इन अनुकूलित सेटिंग्स ने ड्रोन को सटीक रूप से उड़ने में सक्षम बनाया। कंप्यूटर सिमुलेशन में, ड्रोन ने नियंत्रण खोए बिना, अनुरोध के अनुसार आगे और पार्श्व दिशा में चलते हुए विशिष्ट पथों का सफलतापूर्वक अनुसरण किया। उड़ान के आंकड़ों ने दिखाया कि स्टोकैस्टिक ग्रेडिएंट डिसेंट विधि का उपयोग करने वाला ड्रोन, न्यूरल नेटवर्क भविष्यवाणियों का उपयोग करने वाले ड्रोन की तुलना में बहुत तेज़ी से स्थिर हुआ और कम डगमगाया। उदाहरण के लिए, पार्श्व दिशा में चलते समय, ग्रेडिएंट विधि द्वारा अनुकूलित ड्रोन एक सेकंड से भी कम समय में अपने पथ पर स्थिर हो गया, जबकि अन्य विधि को काफी अधिक समय लगा। शोधकर्ता ने उल्लेख किया कि जबकि न्यूरल नेटवर्क बैटरी के वजन की भविष्यवाणी करने में अच्छा था, ग्रेडिएंट विधि उन भौतिक गुणों के लिए अधिक सटीक भविष्यवाणियां प्रदान करती थी जो ड्रोन की गति को नियंत्रित करते हैं। यह सुझाव देता है कि इस विशिष्ट प्रकार की इंजीनियरिंग समस्या के लिए, ग्रेडिएंट विधि संरचना और उड़ान के बीच पूर्ण संतुलन खोजने के लिए अधिक विश्वसनीय उपकरण है।

यह कार्य नई बैटरी तकनीक की आवश्यकता के बिना ड्रोनों को अधिक कुशल बनाने की दिशा में एक कदम है। केवल ड्रोन के फ्रेम के भौतिक आयामों को बदलकर और इसके उड़ने के तरीके को सूक्ष्मता से व्यवस्थित करके, शोधकर्ता ने प्रदर्शित किया कि उड़ान के समय को काफी हद तक बढ़ाया जा सकता है। ये निष्कर्ष वर्तमान में कंप्यूटर सिमुलेशन पर आधारित हैं, लेकिन वे वास्तविक दुनिया के परीक्षण के लिए एक ठोस आधार प्रदान करते हैं। टीम इन परिणामों का उपयोग भविष्य के प्रोजेक्ट्स में वास्तविक ड्रोन बनाने और परीक्षण करने के लिए करने की योजना बना रही है, जो तुर्की की वैज्ञानिक और तकनीकी अनुसंधान परिषद द्वारा समर्थित हैं। यदि ये सिमुलेशन वास्तविक दुनिया में भी सही साबित होते हैं, तो उड़ान से पहले अधिकतम सहनशक्ति के लिए ड्रोन के आकार को फिर से डिजाइन करने की क्षमता इन मशीनों के उपयोग को कृषि, खोज और बचाव, तथा सुरक्षा के क्षेत्र में बदल सकती है, जिससे वे समान ऊर्जा के साथ अधिक समय तक हवा में रह सकेंगी और अधिक क्षेत्र कवर कर सकेंगी।