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

Nel cielo sopra le nostre città e i nostri campi, sta avvenendo una rivoluzione silenziosa. I veicoli aerei senza pilota, i droni che sfrecciano nell'aria per consegnare pacchi, ispezionare i raccolti o cercare sopravvissuti nelle zone colpite da disastri, stanno diventando sempre più capaci ogni giorno di più. Tra queste macchine, l'esarotore si distingue. A differenza del comune drone a quattro rotori, l'esarotore trasporta sei motori e rotori. Questo set extra di ali gli conferisce maggiore stabilità e la capacità di trasportare carichi più pesanti, rendendolo un preferito per missioni complesse dove l'affidabilità è fondamentale. Tuttavia, come tutti gli aeromobili alimentati a batteria, questi droni affrontano una sfida persistente: l'autonomia. Possono rimanere in volo solo per un tempo limitato prima che la loro energia si esaurisca. Per gli operatori, la differenza tra un volo di venti minuti e uno di quaranta minuti può significare la differenza tra completare una missione di ricerca critica o dover tornare a casa a mani vuote. Per risolvere questo problema, gli ingegneri stanno guardando oltre il semplice inserimento di batterie più grandi, che spesso rendono il drone troppo pesante per volare efficientemente. Invece, stanno esplorando modi per cambiare la forma fisica del drone durante la fase di progettazione, regolando la sua struttura per trovare il perfetto equilibrio tra peso, aerodinamica e consumo energetico.

Un ricercatore guidato da Oguz Kose presso l'Università Erzincan Binali Yıldırım ha affrontato questo problema combinando la riprogettazione fisica con l'apprendimento informatico avanzato. Il loro obiettivo era determinare la lunghezza ideale per le braccia di un drone esarotore per massimizzare quanto tempo potesse restare in aria, assicurando al contempo che potesse volare fluidamente sia in linea retta che lateralmente. Non hanno semplicemente indovinato la forma migliore; hanno utilizzato un sofisticato processo informatico per testare migliaia di possibilità. Il ricercatore ha iniziato creando un modello digitale dettagliato del drone in un programma di progettazione software. Sapevano che cambiare la lunghezza delle braccia del drone avrebbe alterato la distribuzione del peso e la sua resistenza alla rotazione, nota come momenti di inerzia. Poiché calcolare questi cambiamenti per ogni possibile lunghezza del braccio a mano è incredibilmente difficile, si sono rivolti a due diversi tipi di algoritmi di apprendimento automatico. Un algoritmo, noto come rete neurale artificiale, imita il modo in cui i cervelli biologici imparano dai modelli. L'altro, un metodo chiamato discesa del gradiente stocastico, è una tecnica matematica che affina iterativamente le ipotesi per trovare la soluzione migliore. Entrambi i sistemi sono stati alimentati con dati dai modelli digitali per prevedere il peso della batteria e le proprietà fisiche necessarie per qualsiasi data lunghezza del braccio.

Il ricercatore ha poi impiegato un terzo strumento, un metodo di ottimizzazione stocastica, per agire come decisore. Questo sistema ha testato diverse lunghezze dei bracci, spaziando da 37 centimetri a 65 centimetri, e ha contemporaneamente regolato le impostazioni di controllo del volo del drone. L'obiettivo era minimizzare un valore di "costo", che rappresentava quanto scarsamente il drone performasse in termini di velocità con cui poteva raggiungere una velocità target, il tempo necessario per stabilizzarsi e quanto oscillava. Il computer ha eseguito cinque round di test, perfezionando la lunghezza del braccio e le impostazioni di controllo in ogni passaggio. I risultati hanno mostrato un chiaro vincitore. Il metodo basato sulla discesa del gradiente stocastico si è dimostrato superiore all'approccio della rete neurale. Ha previsto che braccia più corte avrebbero permesso al drone di volare più a lungo. Riducendo la lunghezza del braccio, il drone è diventato più leggero, il che ha aumentato direttamente il tempo di volo. Le simulazioni hanno indicato che con la lunghezza ottimale del braccio e le impostazioni di controllo trovate con questo metodo, il drone poteva raggiungere un'autonomia massima di 40 minuti. Questo è stato un miglioramento significativo, rappresentando una riduzione del 16 percento nel costo complessivo delle prestazioni rispetto alla configurazione iniziale.

Lo studio ha anche verificato che queste impostazioni ottimizzate permettevano al drone di volare con precisione. Nelle simulazioni al computer, il drone ha seguito con successo percorsi specifici, muovendosi in avanti e lateralmente come richiesto senza perdere il controllo. I dati di volo hanno mostrato che il drone utilizzando il metodo della discesa del gradiente stocastico si stabilizzava molto più velocemente e con meno oscillazioni rispetto a quello che utilizzava le previsioni della rete neurale. Ad esempio, muovendosi lateralmente, il drone ottimizzato con il metodo del gradiente si assestava nel suo percorso in meno di un secondo, mentre l'altro metodo impiegava significativamente più tempo. Il ricercatore ha notato che, sebbene la rete neurale fosse brava a prevedere il peso della batteria, il metodo del gradiente forniva previsioni più accurate per le proprietà fisiche che determinano il movimento del drone. Ciò suggerisce che, per questo specifico tipo di problema di ingegneria, il metodo del gradiente è lo strumento più affidabile per trovare il perfetto equilibrio tra struttura e volo.

Questo lavoro rappresenta un passo avanti nel rendere i droni più efficienti senza richiedere nuove tecnologie per le batterie. Semplicemente regolando le dimensioni fisiche della struttura del drone e perfezionando il modo in cui vola, il ricercatore ha dimostrato che il tempo di volo può essere esteso sostanzialmente. Le scoperte si basano attualmente su simulazioni al computer, ma forniscono una solida base per test nel mondo reale. Il team intende utilizzare questi risultati per costruire e testare droni reali in progetti futuri supportati dal Consiglio per la Ricerca Scientifica e Tecnologica della Turchia. Se queste simulazioni si riveleranno vere nel mondo reale, la capacità di riprogettare la forma di un drone per la massima autonomia prima del volo potrebbe trasformare il modo in cui queste macchine vengono utilizzate in agricoltura, ricerca e soccorso, e sicurezza, permettendo loro di rimanere in volo più a lungo e coprire più terreno con la stessa quantità di energia.