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

No céu acima de nossas cidades e campos, uma revolução silenciosa está ocorrendo. Veículos aéreos não tripulados, os drones que cruzam o ar para entregar pacotes, inspecionar plantações ou procurar sobreviventes em zonas de desastre, estão se tornando mais capazes a cada dia. Entre essas máquinas, o hexarrotor se destaca. Diferente do comum drone de quatro rotores, o hexarrotor carrega seis motores e hélices. Este conjunto extra de asas lhe confere maior estabilidade e a capacidade de carregar cargas mais pesadas, tornando-o um favorito para missões complexas onde a confiabilidade é primordial. No entanto, como todos os aeronaves movidas a bateria, esses drones enfrentam um desafio persistente: a autonomia. Eles podem permanecer no ar apenas por um tempo limitado antes que sua energia acabe. Para os operadores, a diferença entre um voo de vinte minutos e um de quarenta minutos pode significar a diferença entre completar uma missão de busca crítica ou ter que retornar para casa de mãos vazias. Para resolver isso, os engenheiros estão olhando além de simplesmente incluir baterias maiores, que frequentemente tornam o drone pesado demais para voar eficientemente. Em vez disso, eles estão explorando maneiras de mudar a forma física do drone durante a fase de projeto, ajustando sua estrutura para encontrar o equilíbrio perfeito entre peso, aerodinâmica e uso de energia.

Um pesquisador liderado por Oguz Kose, da Universidade de Erzincan Binali Yıldırım, abordou este problema combinando o redesenho físico com aprendizado computacional avançado. O objetivo era determinar o comprimento ideal para os braços de um drone hexarrotor para maximizar quanto tempo ele poderia permanecer no ar, garantindo também que pudesse voar suavemente tanto em linha reta quanto lateralmente. Eles não apenas adivinharam a melhor forma; usaram um processo computacional sofisticado para testar milhares de possibilidades. O pesquisador começou criando um modelo digital detalhado do drone em um programa de software de design. Eles sabiam que mudar o comprimento dos braços do drone alteraria sua distribuição de peso e como ele resiste ao giro, conhecido como seus momentos de inércia. Como calcular essas mudanças para cada possível comprimento de braço à mão é incrivelmente difícil, eles recorreram a dois tipos diferentes de algoritmos de aprendizado de máquina. Um algoritmo, conhecido como rede neural artificial, imita a maneira como os cérebros biológicos aprendem com padrões. O outro, um método chamado gradiente descendente estocástico, é uma técnica matemática que refina iterativamente os palpites para encontrar a melhor solução. Ambos os sistemas foram alimentados com dados dos modelos digitais para prever o peso da bateria e as propriedades físicas necessárias para qualquer dado comprimento de braço.

O pesquisador então empregou uma terceira ferramenta, um método de otimização estocástica, para atuar como o tomador de decisão. Este sistema testou diferentes comprimentos de braço, variando de 37 centímetros a 65 centímetros, e ajustou simultaneamente as configurações de controle de voo do drone. O objetivo era minimizar um valor de "custo", que representava o quão mal o drone performava em termos de quão rápido poderia atingir uma velocidade alvo, quanto tempo levava para estabilizar e o quanto oscilava. O computador passou por cinco rodadas de testes, refinando o comprimento do braço e as configurações de controle em cada etapa. Os resultados mostraram um vencedor claro. O método baseado no gradiente descendente estocástico provou ser superior à abordagem de rede neural. Ele previu que braços mais curtos permitiriam que o drone voasse por mais tempo. Ao reduzir o comprimento do braço, o drone tornou-se mais leve, o que aumentou diretamente seu tempo de voo. As simulações indicaram que, com o comprimento de braço ideal e as configurações de controle encontradas por este método, o drone poderia alcançar uma autonomia máxima de 40 minutos. Isso foi uma melhoria significativa, representando uma redução de 16 por cento no custo de desempenho geral em comparação com a configuração inicial.

O estudo também verificou que essas configurações otimizadas permitiram que o drone voasse com precisão. Nas simulações de computador, o drone seguiu com sucesso trajetórias específicas, movendo-se para frente e lateralmente conforme solicitado sem perder o controle. Os dados de voo mostraram que o drone usando o método de gradiente descendente estocástico estabilizou muito mais rápido e com menos oscilações do que aquele usando as previsões da rede neural. Por exemplo, ao mover-se lateralmente, o drone otimizado pelo método de gradiente estabilizou em sua trajetória em menos de um segundo, enquanto o outro método levou significativamente mais tempo. O pesquisador observou que, embora a rede neural fosse boa em prever o peso da bateria, o método de gradiente forneceu previsões mais precisas para as propriedades físicas que ditam como o drone se move. Isso sugere que, para este tipo específico de problema de engenharia, o método de gradiente é a ferramenta mais confiável para encontrar o equilíbrio perfeito entre estrutura e voo.

Este trabalho representa um passo à frente para tornar os drones mais eficientes sem exigir nova tecnologia de baterias. Simplesmente ajustando as dimensões físicas da estrutura do drone e refinando como ele voa, o pesquisador demonstrou que o tempo de voo pode ser estendido substancialmente. As descobertas baseiam-se atualmente em simulações de computador, mas fornecem uma base sólida para testes no mundo real. A equipe planeja usar esses resultados para construir e testar drones reais em projetos futuros apoiados pelo Conselho de Pesquisa Científica e Tecnológica da Turquia. Se essas simulações se confirmarem no mundo real, a capacidade de redesenhar a forma de um drone para máxima autonomia antes do voo poderá transformar como essas máquinas são usadas na agricultura, busca e salvamento, e segurança, permitindo que permaneçam no ar por mais tempo e cubram mais terreno com a mesma quantidade de energia.