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

우리 도시와 들판 위 하늘에서, 조용한 혁명이 일어나고 있습니다. 물건을 배달하거나, 농작물을 점검하거나, 재난 지역에서 생존자를 수색하기 위해 공중을 가로지르는 무인 항공기, 즉 드론은 매일 더 유능해지고 있습니다. 이러한 기계들 중에서도 헥사로터(hexarotor)는 눈에 띕니다. 일반적인 4개 로터 드론과 달리, 헥사로터는 6개의 모터와 프로펠러를 탑재하고 있습니다. 이 추가적인 날개 세트는 더 큰 안정성과 더 무거운 하중을 운반할 수 있는 능력을 부여하며, 신뢰성이 최우선인 복잡한 임무에서 선호되는 이유가 됩니다. 하지만 모든 배터리 구동 항공기와 마찬가지로, 이 드론들도 지속적인 과제에 직면해 있습니다. 바로 비행 지속 시간입니다. 전력이 다하기 전까지 공중에 떠 있을 수 있는 시간은 제한적입니다. 운영자들에게 있어 20분의 비행과 40분의 비행 사이의 차이는 중요한 수색 임무를 완수하느냐, 아니면 빈손으로 돌아오느냐를 결정짓는 차이가 될 수 있습니다. 이를 해결하기 위해 엔지니어들은 단순히 더 큰 배터리를 채워 넣는 것을 넘어 그 이상의 방법을 모색하고 있는데, 이는 종종 드론을 효율적으로 날기에는 너무 무겁게 만들기 때문입니다. 대신, 그들은 설계 단계에서 드론의 물리적 형태를 변경하여 무게, 공기역학, 그리고 에너지 사용 사이의 완벽한 균형을 찾기 위해 구조를 조정하는 방법을 탐구하고 있습니다.

에르진잔 빌리 일림 대학교(Erzincan Binali Yıldırım University)의 오구즈 코세(Oguz Kose)가 이끄는 연구진은 물리적 재설계와 고급 컴퓨터 학습을 결격하여 이 문제를 해결했습니다. 그들의 목표는 헥사로터 드론의 팔 길이를 결정하여 비행 지속 시간을 극대화하는 동시에, 직선 및 측면 비행 모두에서 부드럽게 비행할 수 있도록 하는 것이었습니다. 그들은 단순히 최적의 모양을 추측한 것이 아니라, 정교한 컴퓨터 프로세스를 사용하여 수천 가지의 가능성을 테스트했습니다. 연구자는 먼저 설계 소프트웨어 프로그램에서 드론의 상세한 디지털 모델을 만드는 것으로 시작했습니다. 그들은 드론의 팔 길이를 바꾸면 무게 배분과 회전에 저항하는 성질인 관성 모멘트가 변한다는 것을 알고 있었습니다. 모든 가능한 팔 길이에 대해 이러한 변화를 일일이 손으로 계산하는 것은 매우 어렵기 때문에, 그들은 두 가지 다른 유형의 머신러닝 알고리즘을 활용했습니다. 하나는 인공 신경망(artificial neural network)으로 알려진 알고로로, 생물학적 뇌가 패턴으로부터 학습하는 방식을 모방합니다. 다른 하나는 확률적 경사 하강법(stochastic gradient descent)이라 불리는 방법으로, 최적의 해를 찾기 위해 추측치를 반복적으로 개선하는 수학적 기법입니다. 두 시스템 모두 디지털 모델로부터 얻은 데이터를 입력받아, 주어진 팔 길이에 필요한 배터리 무게와 물리적 특성을 예측했습니다.

연구진은 이어 의사 결정자 역할을 할 세 번째 도구인 확률적 최적화 방법(stochastic optimization method)을 채택했습니다. 이 시스템은 37센티미터에서 65센티미터 사이의 다양한 팔 길이를 테스트하는 동시에 드론의 비행 제어 설정도 조정했습니다. 목표는 드론이 목표 속도에 도달하는 속도, 안정화되는 데 걸리는 시간, 그리고 얼마나 흔들리는지를 나타내는 '비용(cost)' 값을 최소화하는 것이었습니다. 컴퓨터는 다섯 번의 테스트 라운드를 거치며 각 단계에서 팔 길이와 제어 설정을 정교하게 다듬었습니다. 결과는 명확한 승자를 보여주었습니다. 확률적 경사 하강법에 기반한 방법이 인공 신경법 방식보다 우수하다는 것이 증명되었습니다. 이 방법은 짧은 팔이 드론을 더 오래 비행할 수 있게 한다고 예측했습니다. 팔 길이를 줄임으로써 드론은 더 가벼워졌고, 이는 비행 시간을 직접적으로 증가시켰습니다. 시뮬레이션 결과, 이 방법으로 찾아낸 최적의 팔 길이와 제어 설정을 통해 드론은 최대 40분의 비행 지속 시간을 달성할 수 있었습니다. 이는 초기 설정과 비교했을 때 전체 성능 비용을 16% 감소시킨 유의미한 개선이었습니다.

이 연구는 또한 이러한 최적화된 설정이 드론을 정확하게 비행하게 함을 검증했습니다. 컴퓨터 시뮬레이션에서 드론은 요청된 대로 전진 및 측면 이동을 수행하며 통제력을 잃지 않고 특정 경로를 성공적으로 따라갔습니다. 비행 데이터에 따르면, 경사 하강법 예측을 사용한 드론이 신경망 예측을 사용한 드론보다 훨씬 더 빠르게 안정화되었으며 흔들림도 적었습니다. 예를 들어, 측면으로 이동할 때 경사법으로 최적화된 드론은 1초도 채 되지 않아 경로에 안착한 반면, 다른 방법은 훨씬 더 오랜 시간이 걸렸습니다. 연구자는 신경망이 배터리 무게를 예측하는 데는 뛰어났지만, 경사법이 드론의 움직임을 결정하는 물리적 특성에 대해 더 정확한 예측을 제공했다고 언급했습니다. 이는 이와 같은 유형의 공학 문제에 있어서 경사법이 구조와 비행 사이의 완벽한 균형을 찾는 데 더 신뢰할 수 있는 도구임을 시사합니다.

이 작업은 새로운 배터리 기술 없이도 드론을 더 효율적으로 만드는 데 있어 한 단계 진보한 것을 의미합니다. 드론 프레임의 물리적 치수를 조정하고 비행 방식을 미세 조정함으로써, 연구자는 비행 시간을 상당히 연장할 수 있음을 입증했습니다. 이 연구 결과는 현재 컴퓨터 시뮬레이션에 기반하고 있지만, 실제 테스트를 위한 견고한 토대를 제공합니다. 연구팀은 터키 과학기술연구위원회(Scientific and Technological Research Council of Turkey)의 지원을 받아 향후 프로젝트에서 이 결과를 바탕으로 실제 드론을 제작하고 테스트할 계획입니다. 만약 이 시뮬레이션이 현실 세계에서도 유효하다면, 비행 전 최대 지속 시간을 위해 드론의 형상을 재설계하는 능력은 농업, 수색 및 구조, 보안 분야에서 드론의 활용 방도를 변화시켜, 동일한 에너지로 더 오래 떠 있고 더 넓은 영역을 커버할 수 있게 할 것입니다.