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

In de lucht boven onze steden en velden vindt een stille revolutie plaats. Onbemande luchtvaartuigen, de drones die door de lucht zoeven om pakketjes te bezorgen, gewassen te inspecteren of overlevenden te zoeken in rampgebieden, worden elke dag capabeler. Onder deze machines valt de hexarotor op. In tegenstelling tot de veelvoorkomende vier-rotor drone, draagt de hexarotor zes motoren en propellers. Deze extra set vleugels geeft hem een grotere stabiliteit en het vermogen om zwaardere lasten te dragen, waardoor hij een favoriet is voor complexe missies waarbij betrouwbaarheid essentieel is. Echter, net als alle door batterijen aangedreven luchtvaartuigen, worden deze drones geconfronteerd met een hardnekkige uitdaging: uithoudingsvermogen. Ze kunnen slechts een beperkte tijd in de lucht blijven voordat hun energie op is. Voor operators kan het verschil tussen een vlucht van twintig minuten en een vlucht van veertig minuten het verschil betekenen tussen het voltooien van een kritieke zoekmissie of het met lege handen moeten terugkeren naar huis. Om dit op te lossen, kijken ingenieurs verder dan simpelweg grotere batterijen inbouwen, wat de drone vaak te zwaar maakt om efficiënt te kunnen vliegen. In plaats daarvan verkennen ze manieren om de fysieke vorm van de drone tijdens de ontwerpfase te veranderen, waarbij ze de structuur aanpassen om het perfecte evenwicht te vinden tussen gewicht, aerodynamica en energieverbruik.

Een onderzoeker onder leiding van Oguz Kose aan de Erzincan Binali Yıldırım Universiteit heeft dit probleem aangepakt door fysiek herontwerp te combineren met geavanceerd computerleren. Hun doel was om de ideale lengte van de armen van een hexarotor drone te bepalen om te maximaliseren hoe lang deze in de lucht kon blijven, terwijl er ook werd gewaarborgd dat de drone soepel kon vliegen in zowel rechte lijnen als zijwaarts. Ze hebben niet simpelweg gegokt naar de beste vorm; ze gebruikten een geavanceerd computercellect om duizenden mogelijkheden te testen. De onderzoeker begon met het maken van een gedetailleerd digitaal model van de drone in een ontwerpsoftwareprogramma. Ze wisten dat het veranderen van de lengte van de armen van de drone de gewichtsverdeling en de weerstand tegen draaien, ook wel bekend als traagheidsmomenten, zou veranderen. Omdat het handmatig berekenen van deze veranderingen voor elke mogelijke armlengte ongelooflijk moeilijk is, maakten ze gebruik van twee verschillende soorten machine learning-algoritmen. Het ene algoritme, een kunstmatig neuraal netwerk genoemd, bootst de manier na waarop biologische hersenen leren van patronen. De andere methode, een techniek genaamd stochastic gradient descent, is een wiskundige techniek die iteratief gissingen verfijnt om de beste oplossing te vinden. Beide systemen werden gevoed met gegevens uit de digitale modellen om het batterijgewicht en de fysieke eigenschappen te voorspellen die nodig zijn voor een gegeven armlengte.

De onderzoeker maakte vervolgens gebruik van een derde hulpmiddel, een stochastic optimization methode, om als besluitvormer te fungeren. Dit systeem testte verschillende armlengtes, variërend van 37 centimeter tot 65 centimeter, en paste tegelijkertijd de vluchtregelingen van de drone aan. Het doel was om een "kostenwaarde" te minimaliseren, die vertegenwoordigde hoe slecht de drone presteerde in termen van hoe snel deze een doel snelheid kon bereiken, hoe lang het duurde om te stabiliseren, en hoeveel de drone wiebelde. De computer doorliep vijf rondes van testen, waarbij de armlengte en de regelingen in elke stap werden verfijnd. De resultaten toonden een duidelijke winnaar. De methode gebaseerd op stochastic gradient descent bleek superieur aan de neurale netwerkbenadering. Het voorspelde dat kortere armen de drone langer zouden laten vliegen. Door de armlengte te verkorten, werd de drone lichter, wat de vliegtijd direct verhoogde. De simulaties gaven aan dat de drone met de optimale armlengte en de door deze methode gevonden regelingen een maximale uithoudingsduur van 40 minuten kon bereiken. Dit was een significante verbetering, wat een reductie van 16 procent in de algehele prestatiekosten betekende vergeleken met de initiële opstelling.

De studie verifieerde ook dat deze geoptimaliseerde instellingen de drone in staat stelden om nauwkeurig te vliegen. In de computersimulaties volgde de drone succesvol specifieke paden, waarbij hij vooruit en zijwaarts bewoog zoals gevraagd zonder de controle te verliezen. De vluchtgegevens toonden aan dat de drone die de stochastic gradient descent methode gebruikte, veel sneller stabiliseerde en met minder wiebelen dan de drone met de neurale netwerkvoorspellingen. Bijvoorbeeld, bij het zijwaarts bewegen, stabiliseerde de drone die geoptimaliseerd was door de gradiëntmethode in minder dan een seconde in zijn pad, terwijl de andere methode aanzienlijk langer duurde. De onderzoeker merkte op dat hoewel het neurale netwerk goed was in het voorspellen van het batterijgewicht, de gradiëntmethode nauwkeurigere voorspellingen bood voor de fysieke eigenschappen die bepalen hoe de drone beweegt. Dit suggereert dat voor dit specifieke type technisch probleem de gradiëntmethode het meer betrouwbare instrument is om het perfecte evenwicht tussen structuur en vlucht te vinden.

Dit werk vormt een stap voorwaarts in het efficiënter maken van drones zonder dat er nieuwe batterijtechnologie nodig is. Door simpelweg de fysieke afmetingen van het frame van de drone aan te passen en de manier waarop deze vliegt te verfijnen, heeft de onderzoeker aangetoond dat de vliegtijd aanzienlijk kan worden verlengd. De bevindingen zijn momenteel gebaseerd op computersimulaties, maar ze bieden een solide basis voor testen in de echte wereld. Het team is van plan deze resultaten te gebruiken om daadwerkelijke drones te bouwen en te testen in toekomstige projecten die worden ondersteund door de Scientific and Technological Research Council of Turkey. Als deze simulaties standhouden in de echte wereld, zou het vermogen om de vorm van een drone te herontwerpen voor maximaal uithoudingsvermogen vóór de vlucht, de manier waarop deze machines worden gebruikt in landbouw, zoek- en reddingsacties en beveiliging kan transformeren, waardoor ze langer in de lucht kunnen blijven en meer terrein kunnen bestrijken met dezelfde hoeveelheid energie.