Karar kuralları ölçümden önce dondurulan bir tasarım ve öğrenme programı. Elli üç karar belgesi, on dört koşu dizininde yüz kırk dört eğitim koşusu, ve raporlanan her sayıyı yeniden üreten betikler.
LIMULUS, dört bağımsız eğimlenen rotor modülü taşıyan modüler bir eVTOL tasarımıdır. Program bu tasarımı savunmaya değil, sınamaya kuruludur. Senkron eğim, ikili eğim ve lift-cruise varyantları ayrı simülatörler değil, aynı simülatörün kısıtlanmış hâlleridir, dolayısıyla olurlu kümeleri iç içe geçmiştir ve kısıtlı bir varyant kısıtsızından iyi çıktığında bunun bir çözücü kusuru olduğu kanıtlanabilir.
Her kampanyanın karar kuralları ölçüm görülmeden dondurulmuş ve tarihli bir belgeye yazılmıştır. Sonuçlar ayrı bir bölüm olarak eklenir, ön kayıt gövdesi hiç düzenlenmez. Bir sonuç sonradan yanlış çıktığında hatalı cümleler silinmez, üzerine tarihli bir düzeltme yazılır. Bu programda böyle bir düzeltme bir kez yapıldı ve bulguyu güçlendirdi.
Dört mühendislik görünüşü, aracın geometrisi ve başarım noktası, altı serbestlik dereceli model, ve dört varyantın aynı simülatörden nasıl türetildiği. Her sayı tek kaynaktan, geometri.py. Sayfanın sonunda Platform B, aynı rotor modülünün bir zepline takıldığı modülerlik gösterimi.
Elli üç belge, altı kısım. Başarısız denemeler ve bulunan kusurlar da burada durur, tam da bir sonraki denemede aynı yola girilmesin diye.
On dört koşu dizini, yüz kırk dört koşu. Öğrenme eğrileri ve seviye dağılımları doğrudan arşivlenmiş günlüklerden çizilir, ara bir özet dosyasından değil.
GitHub deposu, Zenodo DOI'si, yeniden üretim komutları ve lisanslar. Arşivlenen betikler değiştirilmedi, bu iddia edilmedi ölçüldü.
Dördü de aynı dijital ikizden ve aynı koşulardan besleniyor. Hiçbiri bir diğerinin bölümlerini, tablolarını ya da figürlerini yinelemiyor.
| Kod | Başlık | Dergi | Durum |
|---|---|---|---|
| M1 | Rakip eVTOL Kontrol Mimarilerinin Tek Simülatörün Kısıtlanmış Hâlleri Olarak Karşılaştırılması. İç İçe Geçmişlik Garantili ve Ön Kayıtlı Bir Çerçeve | Simulation Modelling Practice and Theory |
v8 · gönderime hazır |
| M5 | Uçuş Kontrolü İçin Öğrenme Ortamı Tasarımında Beş Sessiz Kusur. Ölçülmüş Bir Vaka Çalışması | Robotics and Autonomous Systems |
v6 · gönderime hazır |
| M2 | Rim-Drive eVTOL Rotorlarının Ön Tasarımında Özgül Güç ve Kütle Tabanı | Aerospace Science and Technology |
hakem sürecinde · 10.08.2026 |
| M6 | Dört Rotorlu Bir Tilt-Rotor eVTOL Kaç Bağımsız Tilt Eksenine İhtiyaç Duyar? Ön Kayıtlı Bir Olumsuz Sonuç | Advances in Engineering Software |
hakem sürecinde · 11.08.2026 |
LIMULUS, dört bağımsız eğimlenen rotor modülünün bir eVTOL'e ne kazandırdığını ölçmek için kuruldu ve aradığı kazancı bulamadı. Asimetrik rejimde dört eksen, iki eksenden iki puan geride kaldı. Aktüatör yedekliliğinde oran ters yönde çıktı, dört eksenli kurgu sıkışmadan 1,15 kat daha çok etkilendi. Karşılaştırma kapısı ilk kez tam ölçekte açıldığında altı varyant çiftinin altısında fark çıkmadı. Öğrenme ekseninde ise değerlendirilen altmış koşunun altmışında azami irtifa 150,0 m'de kaldı, yani hiçbir politika tırmanmadı, ve geçiş görevinin müfredat kapısını yirmi koşunun yirmisi geçemedi. Programın ürettiği şey bir başarı gösterimi değil, bir tasarım iddiasının adım adım daraltılmasıdır.
Bunu söyleyebilmesini iki yapısal seçime borçlu. Birincisi, varyantlar ayrı simülatörler değil aynı simülatörün kısıtlanmış hâlleridir, dolayısıyla olurlu kümeleri iç içe geçmiştir ve kısıtlı bir varyant kısıtsızından iyi çıktığında bu bir bulgu değil kanıtlanabilir bir çözücü kusurudur. Karar 45 tam bunu yaptı ve karar 21'in üç kat yan kayma farkını geri aldı. İkincisi, her kampanyanın karar kuralları ölçüm görülmeden dondurulmuştur. Bunun bedeli de ödendi, karar 53'ün sonuç yorumu yanlış çıktı ve 14.08.2026'da düzeltildi, hatalı cümleler silinmedi. Ayrıca üç kez bir reçete ölçümden önce yazıldı ve üçünde de yanlış çıktı, bu yüzden bir düzeltme önerilmeden önce düzelteceği mekanizma ölçülür kuralı kondu.
Sonuçların sınırı açıktır. Uçuş verisi, rüzgâr tüneli verisi, hesaplamalı akışkanlar dinamiği ve sonlu eleman sonucu yoktur. Dinamik model, türediği 2012 kavramsal tasarım çalışmasının dokuz bağımsız büyüklüğünü yeniden üretmektedir, bu kaynağıyla tutarlılığı gösterir, mutlak doğruluğu değil. Menzil sayısının birinci belirleyicisi hâlâ yapılmamış olan HAD'dir. Bütün eğitim iki işlemci çekirdeğinde koştu, GPU kullanılmadı. Determinizm makineye bağlıdır, aynı tohum farklı bir işlemcide dokuzuncu ondalıkta ayrışır. Bu sitedeki her sayı arşivdeki betiklerden yeniden üretilebilir ve arşiv bir DOI ile anılabilir.
M1 ve M5 makalelerinin kaynakçalarının birleşimi, on dört kalem. Üçü iki makalede de geçiyor.
Aljalbout, E., Frank, F., Karl, M., & van der Smagt, P. (2023). On the Role of the Action Space in Robot Manipulation Learning and Sim-to-Real Transfer. arXiv:2312.03673.
Amodei, D., Olah, C., Steinhardt, J., Christiano, P., Schulman, J., & Mané, D. (2016). Concrete Problems in AI Safety. arXiv:1606.06565.
Bacchini, A., & Cestino, E. (2019). Electric VTOL Configurations Comparison. Aerospace, 6(3), 26.
Benyamen, H., Chowdhury, M., & Keshmiri, S. (2023). Reinforcement Learning Based Aircraft Controller Enhanced By Gaussian Process Trim Finding. ASME Letters in Dynamic Systems and Control, 3(3), 031002.
Bøhn, E., Coates, E. M., Moe, S., & Johansen, T. A. (2019). Deep Reinforcement Learning Attitude Control of Fixed-Wing UAVs Using Proximal Policy Optimization. ICUAS 2019. arXiv:1911.05478.
Cantekin, M., & Durmuş, G. (2012). Geleceğin Hava Taşımacılığında Öncü Yaklaşımlar. UHUK-2012-114, Hava Harp Okulu, İstanbul.
Caudle, D., Singh, R., Malpica, C., Nadell, S. J., Berger, T., & Suh, P. (2025). Development and Integration of Flight Dynamics Models for Study of eVTOL Aircraft in the NASA Vertical Motion Simulator. Vertical Flight Society 81st Annual Forum, Virginia Beach, VA.
Dai, Y., Wang, Y., Ashley, D. R., & Schmidhuber, J. (2026). Efficient Morphology-Control Co-Design via Stackelberg Proximal Policy Optimization. arXiv:2603.15388.
Gleave, A., Freire, P., Wang, S., & Toyer, S. (2020). seals: Suite of Environments for Algorithms that Learn Specifications. GitHub deposu.
Hofman, J. M., Chatzimparmpas, A., Sharma, A., Watts, D. J., & Hullman, J. (2023). Pre-registration for Predictive Modeling. arXiv:2311.18807.
Pan, A., Bhatia, K., & Steinhardt, J. (2022). The Effects of Reward Misspecification: Mapping and Mitigating Misaligned Models. ICLR 2022. arXiv:2201.03544.
Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347.
Skalse, J., Howe, N. H. R., Krasheninnikov, D., & Krueger, D. (2022). Defining and Characterizing Reward Hacking. NeurIPS 2022. arXiv:2209.13085.
Zhang, W., Ma, Z., Li, J., Wang, H., Liu, H., Sugihara, J., Chen, C., Chen, Y., & Zhao, M. (2026). Learning Agile and Robust Omnidirectional Aerial Motion on Overactuated Tiltable-Quadrotors. arXiv:2602.21583.