Onderzoekers hebben een nieuwe methode ontwikkeld waarbij een quadcopter met een veerbelaste poot efficiënter kan springen door gebruik te maken van passieve dynamica. Door middel van machine learning wordt het energieverbruik aanzienlijk verlaagd in vergelijking met traditionele besturingssystemen.
In een recent wetenschappelijk onderzoek, gepubliceerd op 14 september 2026, presenteren Ruigang Chen en collega's een innovatieve aanpak voor de voortbeweging van monopedale quadcopters. Deze hybride voertuigen, die vliegvermogen combineren met een veerbelaste springpoot, zijn bij uitstek geschikt voor het navigeren over complex terrein. Tot nu toe werd de coördinatie tussen de actieve stuwkracht van de motoren en de passieve dynamiek van het contact met de grond echter beperkt door het gebruik van heuristische PID-tuning (proportional-integral-derivative), wat de efficiëntie in de weg stond.
Van PID naar Proximal Policy Optimization
Om deze beperkingen te overwinnen, hebben de onderzoekers een controle-stack ontwikkeld op basis van Proximal Policy Optimization (PPO). Volgens de publicatie op arxiv.org maakt dit systeem direct gebruik van geschatte toestanden om de vier motoren aan te sturen. Een cruciaal aspect van deze nieuwe methode is dat er geen expliciete 'hopping state machine' of laag-niveau attitude PID meer nodig is.
Het AI-model is getraind met een specifieke beloningsstructuur die gericht is op energie-efficiëntie. Hierbij wordt gebruikgemaakt van 'Energy-Manifold Shaping' voor het volgen van de verticale energie en het verankeren van de apex-toestand. Daarnaast is er 'Efficiency Shaping' toegevoegd, waarbij een geschiedenisbewuste schatter van het vermogen wordt ingezet. Dit straft overmatig energieverbruik af, introduceert extra kosten voor vermogen tijdens de vluchtfase en bestraft situaties waarin het toestel in de lucht nagenoeg stationair blijft.
Significante winst in energie-efficiëntie
De resultaten van de hardware-tests tonen een aanzienlijke verbetering in de prestaties. De PPO-gebaseerde aansturing zorgde voor een reductie van het gemiddelde gemeten elektrische vermogen per cyclus met 30,7% ten opzichte van de traditionele PID-besturing. Daarnaast daalde de gemiddelde totale genormaliseerde stuwkracht met 49,8%.
Ondanks deze besparingen behield het systeem de mogelijkheid om herhaalbaar op een ingestelde hoogte te springen, terwijl de landingen geconcentreerder waren. De onderzoekers concluderen dat deze resultaten consistent zijn met een verbeterd gebruik van passieve dynamica en een lagere elektrische vraag.
Context en reproduceerbaarheid
Het onderzoek is breed toegankelijk gemaakt voor de wetenschappelijke gemeenschap. Naast de volledige tekst op de preprint-server is de studie ook opgenomen in databases zoals dblp.org, hoewel toegang tot dergelijke platforms soms beperkt kan worden door beveiligingsmaatregelen tegen AI-scraping. Voor ontwikkelaars die de resultaten willen verifiëren, biedt alphaxiv.org mogelijkheden om de resultaten van het onderzoek naar energie-efficiënte target hopping te reproduceren via hun OpenResearch-platform.
Hoewel andere gespecialiseerde robotica-sites zoals robos.news op dit moment technische problemen vertonen en onbereikbaar zijn, blijft de kern van de innovatie liggen in de verschuiving van rigide, handmatig getunede controllers naar flexibele, door data gestuurde AI-modellen. Deze ontwikkeling opent nieuwe wegen voor robots die in onvoorspelbare omgevingen moeten opereren waarbij batterijduur en energiebeheer kritieke factoren zijn.
De volledige details van de implementatie, inclusief de gebruikte figuren en de acht pagina's aan technische onderbouwing, zijn beschikbaar via de officiële DOI-verwijzing van arXiv.