Uncertainty-Aware Drone Dispatch: Recording-Energy Prediction and Charging-Constrained Simulation

Stel je een vloot drones voor die bij een depot wacht, klaar om pakketjes te bezorgen. Elke drone draagt een batterij, en de persoon die verantwoordelijk is, moet beslissen welke drone voor welke klus wordt uitgezonden. De beslissing is een koorddans. Als de dispatcher een drone stuurt die net niet genoeg vermogen heeft, kan de drone halverwege de vlucht zonder energie komen te zitten, waardoor het pakketje gestrand achterblijft en de batterij leeg is. Maar als de dispatcher te voorzichtig is en drones weigert te sturen die eigenlijk wel genoeg vermogen hebben, blijft het depot ongebruikt en moeten klanten langer wachten. De kernuitdaging is om precies te weten hoeveel energie een specifieke vlucht zal verbruiken voordat de drone überhaupt de grond verlaat. Dit is niet slechts een gok; het is het meten van de onzichtbare kosten van onzekerheid. Wanneer een vluchtplan wordt gemaakt, bevat dit een snelheid, een gewicht en een hoogte, maar het bevat niet de exacte hoeveelheid elektriciteit die de motoren zullen verbranden. Dat getal wordt pas duidelijk nadat de vlucht is voltooid en de gegevens zijn gedownload.

Een onderzoeker genaamd Samer Abaddi zette zich scharpe om dit puzzelstuk op te lossen door te kijken naar echte vluchtgegevens van een specifieke drone, de DJI Matrice 100, die werd gevlogen op een veelvoorkomende route in Pennsylvania. Hij verzamelde gegevens van 209 afzonderlijke vluchten, maar na het controleren van de gegevens op fouten en consistentie, concentreerde hij zich op 181 opnames die aan een strikte set regels voldeden. Deze vluchten vervoerden verschillende gewichten, vlogen met verschillende snelheden en zweefden op verschillende hoogtes. Het doel was om een systeem te bouwen dat een geplande vlucht kan bekijken en kan voorspellen hoeveel energie deze nodig zal hebben, terwijl er ook een veiligheidsmarge wordt gecreëerd om rekening te houden met het feit dat geen enkele voorspelling perfect is. De onderzoeker gebruikte een statistische methode genaamd ridge regressie, wat een manier is om de beste wiskundige relatie tussen de vluchtinstellingen en het gebruikte energieverbruik te vinden, zonder dat het model in de war raakt door kleine, willekeurige schommelingen in de gegevens. Hij testte dit model vervolgens op nieuwe vluchten die het nog nooit eerder had gezien om te zien hoe dicht de voorspellingen bij de realiteit lagen.

De resultaten toonden aan dat het model opmerkelijk accuraat was. Bij het voorspellen van de totale energie voor een vlucht was het gemiddelde verschil tussen de voorspelling en de werkelijk gebruikte energie minder dan één wattuur, een zeer kleine hoeveelheid voor een dronebatterij. Nauwkeurigheid alleen is echter niet genoeg voor een dispatcher die het zich niet kan veroorlovenen een drone te verliezen. De onderzoeker moest weten hoeveel extra vermogen er aan de voorspelling moet worden toegevoegd om er zeker van te zijn dat de drone het haalt. Hij ontwikkelde een regel die keek naar de slechtste fouten uit een reeks eerdere vluchten en een buffer toevoegde om deze te dekken. Dit creëerde een "bovenschatting", een getal dat iets hoger is dan het meest waarschijnlijke energieverbruik, ontworpen om ervoor te zorgen dat de drone niet zonder vermogen komt te zitten. Wanneer deze regel werd toegepast op de gereserveerde testvluchten, verbruikte elke vlucht minder energie dan de bovenschatting voorspelde. De veiligheidsmarge werkte perfect voor de beschikbare gegevens.

Om te zien hoe deze veiligheidsmarge de echte operaties beïnvloedde, bouwde de onderzoeker een computersimulatie van een drone-depot. Hij creëerde een virtuele wereld waarin verzoeken voor leveringen willekeurig binnenkwamen, en twee verschillende regels met elkaar concurreerden om te zien welke de meeste taken kon afhandelen. Eén regel gebruikte de eenvoudige, meest waarschijnlijke energievoorspelling, terwijl de andere de voorzichtige bovenschatting met de veiligheidsbuffer gebruikte. De simulatie liep door duizenden scenario's, waarbij een drukke dag bij een depot met twee drones en één oplader werd nagebootst. De bevindingen toonden een duidelijke afruil aan. De voorzichtige regel, die de bovenschatting gebruikte, voorkwam succesvol dat de drones ooit onder hun vereiste reservevermogen zakten. In het hoofdscenario had de voorzichtige regel nul instanties waarin een drone zonder reservevermogen kwam te zitten, terwijl de eenvoudigere regel vijf van dergelijke incidenten had. Echter, deze veiligheid ging gepaard met een prijs. Omdat de voorzichtige regel strenger was, weigerde deze meer verzoeken. In het hoofdscenario voltooide zij 22 leveringen minder dan de eenvoudigere regel. De drones waren veiliger, maar het depot bediende minder klanten.

De studie onderzocht ook wat er gebeurde wanneer de omstandigheden veranderden, zoals wanneer de drones zwaardere lasten moesten dragen of wanneer het laadstation trager was. In elk van de achttien verschillende scenario's die werden getest, voltooide de voorzichtige regel minder verzoeken dan de eenvoudige regel. Het verminderde ook het aantal keren dat de drones hun reservegrenzen overschreden in zestien van de scenario's. In twee scenario's was het aantal schendingen van de reserve hetzelfde voor beide regels, maar de voorzichtige regel leverde nog steeds minder pakketjes af. Dit suggereert dat hoewel overmatige voorzichtigheid de batterij beschermt, het consequent de algehele efficiëntie van het depot vermindert. De onderzoeker merkte op dat de simulatie een specifieke manier van batterijen opladen en een specifiek type route veronderstelde, dus de exacte cijfers kunnen in een andere omgeving veranderen, maar het patroon van de afruil bleef constant.

Om anderen te helpen deze keuzes te begrijpen, creëerde de onderzoeker een interactieve website waar iedereen de gegevens zelf kan bekijken. Een gebruiker kan een specifiek vluchtplan selecteren, de hoeveelheid beschikbare batterijoplading veranderen en zien of een drone onder de eenvoudige regel of de voorzichtige regel zou worden uitgezonden. Het hulpmiddel toont een nauwe reeks batterijniveaus waar de twee regels van mening verschillen: in deze zone zegt de eenvoudige regel "gaan", terwijl de voorzichtige regel "wachten" zegt. Dit visualiseert het exacte punt waar het verlangen naar veiligheid botst met het verlangen naar snelheid. De onderzoeker concludeert dat er geen perfecte oplossing is die zowel de veiligheid als de service maximaliseert. Een depot kan ervoor kiezen om minder reservebreuken te hebben door minder leveringen te voltooien, of het kan ervoor kiezen om meer pakketjes te bezorgen terwijl het een hoger risico accepteert om zonder vermogen te komen zitten. De waarde van dit werk is dat het die keuze zichtbaar en meetbaar maakt, waardoor een vaag gevoel van risico wordt omgezet in een concreet getal dat operators kunnen gebruiken om te beslissen hoeveel veiligheid ze bereid zijn te betalen in de vorm van gemiste leveringen.