零售商向在线购物者提供更短的送货时间——就亚马逊杂货而言，可以承诺在短短两小时内送货。这些紧张的交付窗口需要新的最后一英里交付策略。
最后一英里交付是分销的最后阶段，其中产品从最终仓库位置转移到客户家门口，这对零售商提出了挑战。在配送中心使用大量送货卡车可能太麻烦，因为配送中心通常位于城市地段或消费社区。
无人机体积小、运营成本低、环境足迹小，为卡车运输提供了一种技术替代方案。最近的市场报告表明，商用无人机的市场份额正在快速增长。
随着无人机使用的增加，进而推动建设更多配送中心的需求，网络将变得复杂。研究人员和公司目前正在探索支持这些网络所需的物流。
解决方案的一部分是通过优化功耗来确保无人机交通的效率。能源效率本身不仅是一个目标，而且也是一个目标。能源可用性决定了无人机的飞行时间，而实现最长的飞行时间是无人机送货商业模式的基础。
卡内基梅隆大学机器人研究所开发了一个详细的分析模型来估计基于无人机的系统的能源使用情况，重点关注城市地区的最后一英里交付。该模型以数学方式计算无人机的动态行为及其各种功率需求，例如克服重力所需的功率和克服旋转螺旋桨叶片阻力所需的功率。
它考虑了风等影响无人机在现实世界中性能的因素。 Parker Lord 通过捐赠3DM GX5-GNSS/INS 传感器（我们的高性能导航传感器之一）来赞助该研究所的工作。为了评估其能源模型的准确性，该研究所的研究人员进行了一系列四轴飞行器无人机（UAV）试飞，以凭经验测量其能源消耗。
该四轴飞行器配备了传感器套件，包括 MicroStrain 3DMGX5-GNSS/INS惯性传感器，该传感器具有 GNSS 接收器，并使用磁力计、陀螺仪和加速度计读数测量位置、速度和姿态。这些测量使研究团队能够在无人机飞行测试期间记录系统的状态。
研究团队通过改变四轴飞行器的高度、速度和有效载荷重量，使用预先设定的路线进行四轴飞行器测试飞行。这些因素以各种组合进行了总共 180 次飞行的测试。试飞期间收集的数据显示，该研究所的能源模型的准确度为 80%。
该研究所将继续其工作，收集额外的随机测试数据集，并将它们与使用深度循环神经网络 (RNN) 的黑盒方法进行比较。该团队还希望测试其他类型的航空系统以及固定翼飞机，为飞行器能量估算提供统一的框架。 Parker Lord 很自豪能够继续支持这些努力，为无人机送货的发展和可行性做出贡献。
随着大型无人机机队成为最后一英里交付的可行手段，优化这些大型机队消耗的能源至关重要。卡内基梅隆大学机器人研究所开发了一种分析模型，用于估计无人机送货的能源使用情况并计算各种电力需求。 Parker Lord 通过捐赠 MicroStrain 3DMGX5-GNSS/INS传感器来赞助这项研究，以评估能量模型的准确性并测量无人机的能耗。
