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

在我们的城市和农田上空，一场无声的革命正在发生。无人驾驶飞行器——那些穿梭在空中进行包裹递送、农作物检查或在灾区搜寻幸存者的无人机——正变得日益强大。在这些机器中，六旋翼无人机脱颖而出。与常见的四旋翼无人机不同，六旋翼无人机拥有六个电机和螺旋桨。这组额外的“翅膀”赋予了它更强的稳定性和携带更重负载的能力，使其成为那些对可靠性要求极高的复杂任务的首选。然而，与所有由电池驱动的飞行器一样，这些无人机面临着一个持久的挑战：续航能力。它们在电量耗尽之前只能在空中停留有限的时间。对于操作人员来说，二十分钟飞行与四十分钟飞行之间的差异，可能意味着完成一项关键搜索任务与被迫空手而归之间的区别。为了解决这个问题，工程师们不再仅仅局限于增加电池容量（因为这往往会让无人机变得过重，难以高效飞行），而是开始探索在设计阶段改变无人机物理形状的方法，通过调整其结构来寻找重量、空气动力学和能量消耗之间的完美平衡。

由埃尔津詹·比纳利·耶尔德里姆大学（Erzincan Binali Yıldırım University）的奥古兹·科塞（Oguz Kose）领导的研究人员通过将物理重新设计与高级计算机学习相结合，解决了这一问题。他们的目标是确定六旋翼无人机机臂的最佳长度，以最大限度地延长其飞行时间，同时确保它在直线飞行和横向飞行时都能平稳运行。他们并非仅仅凭直觉猜测最佳形状，而是使用了一种复杂的计算机过程来测试数千种可能性。研究人员首先在设计软件程序中创建了一个详细的无人机数字模型。他们知道，改变无人机的机臂长度会改变其重量分布以及抵抗转动的能力（即转动惯量）。由于手工计算每种可能机臂长度带来的变化极其困难，他们转向了两种不同类型的机器学习算法。一种被称为人工神经网络的算法模仿了生物大脑从模式中学习的方式；另一种被称为随机梯度下降的方法，是一种通过迭代优化猜测以找到最佳解的数学技术。这两个系统都被输入了来自数字模型的数据，用以预测任何给定机臂长度所需的电池重量和物理特性。

随后，研究人员采用了第三种工具——随机优化方法，充当决策者。该系统测试了从37厘米到65厘米不等的不同机臂长度，并同时调整了无人机的飞行控制设置。其目标是最小化一个“成本”值，该值代表了无人机在达到目标速度的速度、稳定所需的时间以及晃动程度方面的表现差值。计算机进行了五轮测试，在每一步中都对机臂长度和控制设置进行精细化调整。结果显示出了一个明显的胜出者。基于随机梯度下降的方法被证明优于神经网络方法。它预测较短的机臂可以让无人机飞行更久。通过缩短机臂长度，无人机变得更轻，这直接增加了其飞行时间。模拟表明，利用该方法找到的最优机臂长度和控制设置，无人机可以实现40分钟的最大续航时间。这是一个显著的进步，与初始设置相比，整体性能成本降低了16%。

该研究还验证了这些优化后的设置能够让无人机精确飞行。在计算机模拟中，无人机成功遵循了特定路径，按照要求向前或向侧面移动而没有失去控制。飞行数据表明，使用随机梯度下降法预测的无人机比使用神经网络预测的无人机能更快稳定且晃动更少。例如，在横向移动时，经过梯度法优化的无人机在不到一秒钟内就进入了预定路径，而另一种方法则需要更长的时间。研究人员指出，虽然神经网络擅长预测电池重量，但梯度法在预测决定无人机运动方式的物理特性方面更为准确。这表明，对于这种特定类型的工程问题，梯度法是寻找结构与飞行之间完美平衡的更可靠工具。

这项工作代表了在无需开发新电池技术的情况下提高无人机效率的一大步。通过仅仅调整无人机框架的物理尺寸并微调其飞行方式，研究人员证明了可以大幅延长飞行时间。目前这些发现是基于计算机模拟的，但它们为现实世界的测试提供了坚实的基础。该团队计划利用这些结果，在土耳其科学技术研究委员会（Scientific and Technological Research Council of Turkey）的支持下，在未来的项目中制造并测试真实的无人机。如果这些模拟在现实世界中同样成立，那么在飞行前通过重新设计无人机形状来最大化续航能力的能力，将能够改变这些机器在农业、搜救和安保领域的使用方式，使它们能够以相同的能量在空中停留更长时间并覆盖更广的区域。