Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
La comprensión de los movimientos de animales que sustentan los procesos del ecosistema es fundamental para la ecología. Los recientes
avances en las etiquetas de los animales han aumentado la capacidad de localizar de forma remota especies de mayor tamaño; Sin embargo, esta
tecnología no es adecuado para un máximo de 70% del mercado mundial ' s aves y mamíferos. La técnica más extendida para el seguimiento de
animales pequeños es localizar manualmente emisoras de radio de baja potencia desde el suelo con el equipo portátil. A pesar de esta técnica de
trabajo intensivo que se utiliza desde hace décadas, los esfuerzos para reducir o automatizar este proceso han tenido un éxito limitado. A
continuación, presentamos un método para el seguimiento de los animales pequeños de radio-etiquetados mediante el uso de un robot autónomo
aérea y ligero. Se presentan los resultados experimentales en los que se utilizó el robot para localizar loros rápidos en peligro crítico ( Lathamus
discolor) dentro de su rango de invierno. El sistema combina un sensor miniaturizado con algoritmos de estimación de nuevo desarrollo para
producir bearing- inequívoca y mediciones rangebased con medidas asociadas de incertidumbre. Incorporamos estas mediciones en la fusión de
descargado de
datos Bayesiano y algoritmos de planificación basadas en la información para controlar la posición del robot, ya que recoge datos. Presentamos
posiciones estimadas que se encuentran dentro de unos 50 metros de las verdaderas posiciones de los pájaros, en promedio, que son lo
suficientemente precisas para la recaptura u observación. Además, en comparación con seguidores humanos experimentados de lugares en los
que la señal era detectable, el robot produce una estimación correcta tan rápido o más rápido que el humano.
http://robotics.sciencemag.org/
INTRODUCCIÓN mano de obra involucrada ( 2) y la necesidad de buscar constantemente elevaciones más altas para
gestión de la conservación de ciertas especies en peligro de extinción se basa en la comprensión de aumentar la capacidad de detección de señales. Por lo tanto, los investigadores están utilizando cada vez
cómo estas especies interactúan con su entorno. Esto se logra mediante el etiquetado y el seguimiento de más bajo costo vehículos aéreos no tripulados (UAV) equipado con sensores visuales como herramientas
animales individuales en el salvaje ( 1 - 3). sistemas de robots aéreos pueden acceder a las zonas alternativas para mejorar la gestión de la conservación y el monitoreo de la fauna ( 4, 5). Sin embargo, la
escarpadas que son difíciles para los seres humanos atravesar y por lo tanto son vistos como una capacidad de estos sistemas está limitado en términos de identificación de animales individuales y la
herramienta potencialmente revolucionario para la recogida de datos en la ecología de la fauna ( 4, 5). Sin localización de los animales en lugares desconocidos. Consideraciones prácticas al utilizar aviones
embargo, este potencial permanece en gran parte no realizada. sistemas de robots aún tienen que dirigidos por control remoto para el trabajo de campo se discuten en ( 15).
alcanzar niveles de detección de señales, el seguimiento de la precisión y velocidad que son suficientes
para estudiar la dinámica de los depredadores acuáticos ( 11, 12). Por desgracia, estos enfoques siguen vehículos terrestres y de superficie es insostenible para la vida silvestre situado en hábitats
siendo sólo apto para alrededor del 70% de las especies de aves y el 65% de las especies de mamíferos escarpadas. Recientemente hemos validado el uso de un UAV multirotor forma autónoma para la
( 2). En el caso de las especies más pequeñas que devuelven a las mismas áreas de reproducción localización de las aves vivas radiomarcadas en tales ambientes (la Manorina melanocephala)
estacional, registradores de datos en miniatura nontransmitting se pueden utilizar ( 2); sin embargo, la
recuperación de estos datos requiere la reubicación de los animales in situ. Debido a este reto, muy alta
frecuencia (VHF) de seguimiento se ha convertido en una de las técnicas más útiles en la ecología y la ( 22). A continuación, presentamos la validación de que los sistemas robóticos pueden realizar comparable
gestión ( 13). Esto implica unir pequeños transmisores de radio a los animales y el seguimiento a los seguidores humanos con experiencia en experimentos de cabeza a cabeza. Nuestro sistema se
posteriormente la especie objetivo. Aunque los científicos han estado utilizando el seguimiento de VHF ilustra en la Fig. 1.
desde principios de la década de 1960 ( 14), datos resultantes de este enfoque son escasos debido a la La mayoría de las investigaciones en el seguimiento por radio con un vehículo aéreo no se ha
centrado en los subsistemas aislados. Aunque estos sistemas fueron típicamente motivados por la idea
de seguimiento de pequeños animales [por ejemplo, Bird ( 23 - 26) y especies de peces ( 27, 28)], sólo
simulaciones o prototipos se han presentado con las pruebas de campo limitado. Alternativamente,
cuando el seguimiento de un objetivo relativamente estacionario, las observaciones pueden ser
considerados más robusto, y por lo tanto, la atención en este campo se ha desplazado a la optimización
de la planificación de un solo ( 18, 20, 21) o multirobot ( 19, 29)
1 Centro Australiano de Robótica de campo de la Universidad de Sydney, Sydney, Nueva Gales del Sur, Australia. 2 Escuela
de Fenner, Universidad Nacional de Australia, Canberra, Australian Capital Territory, Australia. 3 Centro de Sistemas
Los sistemas. La principal hipótesis de los autores han hecho es que las observaciones
Autónomos, Universidad de Tecnología de Sydney, Sydney, Nueva Gales del Sur, Australia.
secuenciales son homoscedastic, lo que significa que la incertidumbre sobre cada medición
* Autor correspondiente. E-mail: o.cliff@acfr.usyd.edu.au es constante o limitada. Sin embargo, con
descargado de
Nuestro objetivo es reducir la incertidumbre (entropía) de la
http://robotics.sciencemag.org/
es NP-duro ( 37) y ha sido ampliamente estudiado en la última
re mi
consideran aquí; mineros ruidosos ( M. melanocephala) ( SEGUNDO) fueron considerados en nuestro trabajo anterior ( 22). ( DO) El robot fue capaz de realizar un seguimiento
estacionarios ( 22). Este modelo de gama-acimut se utilizó
de los loros rápidas y dio un rendimiento comparable con un operador humano experto que realiza el seguimiento de telemetría tradicional vida silvestre. La plataforma además para predecir la calidad de los futuros puntos de
multirotor, que se muestra desde la parte frontal ( RE) y trasera ( MI), incluye un sistema ligero direccional de la antena y la carga útil que recibe la fuerza de la señal de la vista en la planificación de una secuencia óptima de
etiqueta ( 22). Estos datos se transmiten entonces a un GCS para el procesamiento y la toma de decisiones en línea. aproximadamente
un objetivo directo esporádico e impredecible, esta suposición es violada debido a la amplia observaciones. Por último, comparamos este sistema directamente con los operadores humanos en
espectro resultante de la calidad de la observación de ruidoso para precisa. Como se muestra en el problema de seguimiento del loro rápida en peligro crítico ( Lathamus discolor) especies en la
este documento, esto induce observaciones heterocedásticos, donde la incertidumbre varía con naturaleza. En seis de los ocho ensayos, las localizaciones estimadas de aves cayeron dentro de 50
cada observación. No distinguir entre las observaciones de baja y de alta calidad puede conducir m de los lugares verdaderos en promedio, lo cual fue suficiente para recaptura, observación de
a mediciones con exceso de confianza que causan estimaciones de localización espurias o campo detallada, o lectura de datos. En los dos ensayos restantes, no se pudo establecer la posición
estimaciones de localización altamente inciertos que son de poco valor. realidad del terreno porque el pájaro blanco se movió durante el vuelo y la confirmación visual se
perdió. Por otra parte, el tiempo necesario para lograr estas estimaciones fue comparable a, y
Un modelo de observación válida matemáticamente es fundamental en la planificación del muchas veces más rápido que, rastreadores humanos experimentados. Nuestra demostración valida
movimiento del robot para mejorar la estimación de localización. En robótica, este problema general se el concepto de un robot
conoce como percepción activa ( 30, 31) y intro-
sistema de telemetría para la vida silvestre de seguimiento que utiliza como un dispositivo autónomo o Más detalles sobre el sistema colector de estas mediciones se dan en Materiales y
humanassistive en condiciones de campo reales. Este hito motiva aún más el desarrollo de ingeniería Métodos.
que pueden permitir un uso más generalizado de robots autónomos en la ecología y el movimiento en la La etiqueta de radio emite una señal de impulso con llave de encendido y apagado; esta
gestión de la conservación de especies pequeñas y dinámicas que se mueven. transmisión fue recibida por la carga útil a bordo del UAV, y los valores del indicador de intensidad de
señal recibida (RSSI) de la señal se capturó y se filtró. Estos valores de RSSI están linealmente
relacionadas con la potencia recibida durante una transmisión y se usan como los datos de sensor
primas para la observación. Las funciones de probabilidad distancia y la demora se basan en estos
RESULTADOS valores en bruto y el modelo de sensor aprendido.
En esta sección, informamos sobre los métodos utilizados para el modelado del sensor, la fusión de datos,
y la toma de decisiones. A continuación, presentan resultados de ensayos de campo, seguido por una La antena utilizada a bordo de la UAVwas una red en fase de dos puntos: una antena direccional
discusión de ideas sobre los movimientos espacio-temporales globales y locales de loros veloces que se de peso ligero, sin ambigüedades diseñado para telemetría por radio con los vehículos Multirotor ( 22). La
reunieron a partir de los ensayos. matriz comprendía dos monopolos alimentados a través de un circuito combinador pasivo, lo que
El material de esta sección tiene su base en el cojinete de sólo enfoque heurístico presentado en produjo un patrón de radiación con un lóbulo frontal y posterior nulo. Para reducir el ruido y las lecturas
trabajos anteriores ( 22). A continuación, presentamos un algoritmo de rango-acimut completa derivada espurias debido a la propagación por trayectos múltiples, el UAV se mantuvo estacionaria mientras
rigurosamente a partir de primeros principios. También proporcionamos el análisis de varianza y la guiñada a través de una rotación completa. Durante esta rotación, los valores continuos de RSSI se
prueba de que la función objetivo es submodular monótona, una propiedad importante que es útil en el filtraron y se tomaron muestras a una velocidad constante para dar un valor escalar sol norte asociado con
diseño de algoritmos de planificación eficientes. el cojinete de la norte º valor F norte. Estos valores se transmiten entonces a una estación base, dando el
descargado de
patrón de ganancia grabado g = ( sol 1, sol 2, ..., sol NORTE). Como resultado, el vector aleatorio G = g es una
función del vehículo X y el objetivo Y ubicación. Además, dejar segundo( X, y) denotar el cojinete de X a y. El
funciones de verosimilitud para las observaciones verdadero cojinete a la diana de ubicación robot X es entonces q * = segundo( x, y *). Se supone que el
El componente más crítico del sistema es el modelo de sensor, lo que nos permitió convertir la error para cada valor de RSSI registrada se distribuye normalmente con una varianza desconocida s 2 ( q
señal recibida de la marca de radio a una estimación instantánea del objetivo ' s ubicación. Una *) que se mantiene constante a lo largo de una observación, que es, por arbitraria sol norte ∈ sol
observación inexacta o exceso de confianza puede llevar a una mala toma de decisiones y las
http://robotics.sciencemag.org/
estimaciones imprecisas ubicación final.
X mediante su inclusión en la medición z; Sin embargo, asumimos pleno conocimiento del estado del
vehículo en este documento. Usamos la convención de que los símbolos en mayúsculas (por ejemplo, Y y Z)
Ε sol norte j Q ¼ q * ¼ φ re F norte þ q * Þ ¼ una 0 þ Σ J
son variables aleatorias, símbolos minúsculas (por ejemplo, y y z) denotar sus realizaciones, y en negrita j¼1 una j cos re j re F norte þ q thth þ Σ J
denota un conjunto. Además, verdaderos (o óptimas) las cantidades se indican con un asterisco (por
ejemplo, y * es la verdadera ubicación de las aves), y las estimaciones se denota con un sombrero (por re 4 Þ
j¼1 segundo j pecado re j re F norte þ q thth
ejemplo, ŷ es la estimación de destino).
Para construir nuestros modelos de sensores, debemos determinar lo que estamos A partir de este modelo de Fourier, se obtiene el patrón de ganancia esperada
midiendo y la incertidumbre sobre estas mediciones. En este trabajo, tomamos ambas φ ( q) = Ε [ G | Q = q], dónde φ = ℝ → ℝ norte se genera mediante el muestreo de la serie de Fourier (Ec. 4) con
lecturas distancia y acimut del objetivo, donde se supone que las observaciones que se un desplazamiento de fase q a norte intervalos regulares, es decir, φ ( q) = ( φ ( q), φ ( q + 2 pag/ NORTE), ..., φ ( q
distribuye normalmente. Esto resulta en cada medición que comprende la media y la + 2 pag)).
varianza z = { Sra 2}. Teniendo en cuenta la salida del sensor esperada y observada, φ y sol, el objetivo principal de
Dada una función de medición h: DS? ALGO → H que los mapas del vehículo X fusión de datos de sensor Bayesiano es calcular PDFs del cojinete y distancia a un blanco desde el
y estado de destino y al espacio de medición H, la función de probabilidad gaussiana es robot. Dado que las probabilidades se supone que son de Gauss, la tupla medición Z es igual a { metro(
SOL), s 2 ( SOL)}.
Para conocer el mapeo de sol a Z, utilizamos un enfoque impulsado por los datos descritos en la
subsección siguiente.
ℓ re y; X; z Þ ¼ F re h re X; y Þ; metro; s 2 Þ re 2 Þ
medido directamente, sino que en lugar dado como funciones de calidad de la observación (es decir, cuando ^ q ¼ Ε ½ Q j sol y s 2 Q ¼ V re Q j sol Þ. Nos encontramos con el azimut de esperar al minimizar la
el coeficiente de correlación, discutido a continuación). Como resultado, cuando G = sol, la función de suma de cuadrados de los residuos, es decir,
probabilidad de cojinete-error ℓ Q es dado por
^ q ¼ metro Q re sol Þ ¼ arg min re 7 Þ
q ∈ ½ 0; 2 pag Þ ‖ sol φ re q Þ ‖ 2
descargado de
http://robotics.sciencemag.org/
por invitado el 17 de octubre 2018
Fig. 2. Obtención de funciones de verosimilitud rango-azimut a partir de observaciones. (Fila superior) Dos observaciones ejemplo tomado en línea con un blanco estacionario. Las parcelas radiales ilustran lecturas de RSSI real
(línea verde) sol y un modelo de serie de Fourier de tercer orden φ ( q) del diagrama de radiación (línea de color negro). El modelo se compensa (girado) en la que está orientada hacia la marcación verdadera a la diana q *, y los
valores de RSSI se compensan por la correlación máximo metro Q ( g) = arg max q r φ ( q), sol.
Estos desplazamientos se ilustran con líneas radiales verdes y negras discontinuas. ( Izquierda) El coeficiente de correlación máximo valor R ^ φ; sol mapas a un cojinete-error s 2 Q re sol Þ, cual
se ilustra en las parcelas de rejilla de abajo. ( Derecha) El valor máximo RSSI sol máx Los mapas a un rango esperado metro R ( sol) con un rango de error fijo ^ s 2 R, dando la asociada
rejilla traza a continuación.
una medición o grabaciones espurias debido a la interferencia de trayectos múltiples. En la una observación acimut se ilustra a la izquierda de la Fig. 2, y las funciones de probabilidad
regresión típica, heterocedasticidad se considera indeseable y se reduce mediante la introducción ejemplo de un ensayo se puede ver en la Fig. 3.
de más regresores o transformaciones no lineales de las variables existentes. En nuestro caso,
dado que este conocimiento está oculto, no podemos introducir más variables y en lugar de función de verosimilitud gama
marginar a cabo esta cantidad a deducir la varianza condicional de los datos. A continuación, se A continuación, se calcula la distancia al objetivo usando un modelo de Gauss RangeError donde el
muestra cómo el coeficiente de determinación expresa la proporción de la variabilidad en nuestro conjunto Z R ¼ f metro R re sol Þ; ^ s 2R sol. Los errores son de rango
modelo (es decir, la heterocedasticidad se atribuye al error de marcación). se supone que es logarítmica, como se discute a continuación. Además, a diferencia de las
observaciones que llevan, el diagrama de dispersión en la Fig. 2 no indica que el ruido es
heteroscedastic, es decir, la varianza es constante para cada observación. Esto produce la
En el contexto de la regresión, podemos obtener la fracción de la varianza explicada (FVU) función de probabilidad
para una variable de respuesta a través del coeficiente de determinación. En la regresión lineal,
donde tenemos la varianza de la muestra s 2 sol como una estimación de la varianza de la población V
s R R2 re
ℓ R re y; X; z R Þ ¼ F re Iniciar sesión re re re X; y thth; metro Þ sol Þ; ^ re 12 Þ
( SOL), la FVU está dada por el coeficiente de correlación de la muestra r 2:
descargado de
re 8 Þ
sol; φ ð ^ q Þ
V re sol Þ ≃ s 2 s 2 sol
en mediciones de alcance puede ser sustancial, incluyendo tales observaciones sigue siendo
útil. Debido a que el ruido es homoscedastic, podemos confiar en mediciones de distancia para
Sin embargo, estamos interesados en la varianza del cojinete V ( Q | SOL), que podemos aproximar a proporcionar una ubicación aproximada. La capacidad de concentrarse en una ubicación
partir del modelo de varianza V ( φ ( Q) | SOL) por la expansión de Taylor. Recordemos que nuestra aproximada es particularmente beneficioso cuando el área de búsqueda de otro modo sería
estimación ^ q ¼ metro Q re sol 1; sol 2; ... sol norte Þ es una función del vector aleatorio SOL. Podemos aproximar expansiva,
la como en escenarios de seguimiento donde hay poco conocimiento previo del objetivo '
s ubicación y si se tiene la incertidumbre es alta.
http://robotics.sciencemag.org/
varianza de esta asignación a través de una expansión de Taylor de primer orden ( 46),
Estamos interesados en la cartografía de la salida del sensor sol a la distancia entre el
∂ metro Q re φ re Q∂ thth
metro Q re φ re Q thth transmisor y el receptor. Debido a las interacciones atmosféricas, la amplitud de señal
V re Q j sol Þ ≃ Σ norte re 9 Þ
Σ1norteS ij
yo ¼ 1j
¼ ∂ sol yo ∂ sol j disminuirá con el rango. denotamos re( X, y) como la distancia euclídea entre nuestro receptor X y
el transmisor y. Entonces, la potencia recibida pag r es una función de la potencia transmitida pag
ty la atenuación por metro una ( 47):
Ahora, debido a que la medición sol comprende variables independientes e idénticamente
distribuidos sol norte, la matriz de covarianza es dada por S = V ( G | Q) yo NORTE, dónde yo norte es la matriz
de identificar. Esto le da a la varianza condicional de la ecuación. 9 como
2 En la Ec. 13, se ha supuesto que pag r y pag t tener en cuenta el presupuesto del enlace, que
∂ metro Q re sol Þ
V re Q j sol Þ ≃ V re sol j Q Þ norte Σ norte re 10 Þ caracteriza a todas las ganancias y pérdidas en el sistema de telecomunicaciones. La mayoría de estos
norte ¼ 1 ∂ sol norte
componentes se fijan para un sistema dado (por ejemplo, transmisor andreceiver pérdidas); sin embargo,
para la antena adirectional, la ganancia relativa a la intensidad media de radiación (la directividad
Debido a que los pequeños cambios en cada realización de sol introducirá pequeños cambios en metro isotrópico) depende del ángulo inmediato de llegada, F norte. Como resultado, los valores de RSSI sol norte están
Q, la varianza de la ecuación. 10 es aproximadamente lineal para el ruido bajo norte SOL; Sin embargo, la en función de la potencia recibida pag r y el ángulo de llegada F norte. La directividad isotrópico es
aproximación se hace peor a medida norte sol se hace grande. Al utilizar el coeficiente de determinación aproximadamente constante si tomamos el valor máximo de RSSI
(Ec. 8), podemos expresar la varianza de una lectura del sensor dado sol en la ecuación. 10 como
sol max = máx norte sol norte. Por lo tanto, se utiliza el valor sol máx para estimar la distancia.
q re y k j y k 1 Þ ¼ Pr re Y k ¼ y k j
Yk1¼ yk1 Þ re 18 Þ
descargado de
destino y k en púrpura, y la estimación de máxima verosimilitud ŷ k
en amarillo.
http://robotics.sciencemag.org/
función de probabilidad combinada
pag re t k; y k Þ ¼ h ℓ re y k; u k Þ pag re t k; y k Þ re 20 Þ
La probabilidad individual functionsmay pueden combinar para obtener una función de probabilidad
rangeazimuth ℓ ( y; u), dónde Z ¼ f metro Q re sol Þ; s 2 Q re sol Þ;
metro R re sol
s 2 Þ; ^ Es decir, suponiendo que los errores independientes norte Q y norte R, las funciones de
R sol. dónde h es una constante de normalización de tal modo que ∫ re y k p (t k, y k) y ℓ ( y k;
verosimilitud se multiplican por puntos ( 45), es decir, u k) es la función de probabilidad (Ec. 16). El primer paso, la Ec. 19, da una actualización de movimiento, y
la segunda etapa, la Ec. 20, da la actualización de la información para obtener una nueva creencia de la
ℓ re y; u Þ ¼ ℓ Q re y; X; z Q Þ ° ℓ R re y; X; z R Þ re dieciséis Þ
ubicación de destino ( 45).
la fusión de datos Bayesiano Además, dado nuestro espacio de trabajo basado en grid S, esta convolución es simplemente un
Dada la función de probabilidad de la ecuación. 16, podemos combinar numerosas observaciones desenfoque gaussiano, una (de paso bajo) de filtro espacial utilizada comúnmente en procesamiento de
para determinar la posición más probable del animal diana. Para lograr esto, se utiliza la fusión de imágenes. Para implementar eficazmente este modelo, aprovechamos los resultados de la visión por
datos Bayesiano, suponiendo observaciones independientes; Este proceso se ilustra en la Fig. 3. ordenador para convolución y utilizar un kernel gaussiana separables de ancho de 3 | S Y |.
A tiempo t, hemos obtenido observaciones del animal diana en un conjunto de tiempos de 0 ≤ t 1 ... Por último, se requiere una estimación de la localización del objetivo ŷ k
≤ t k ≤ t. La notación anterior se amplía para incluir el número observación k. Denotar Y k = Y ( t k) como el dado el posterior p (t k, y k). Dos opciones obvias son el valor esperado de la parte posterior, E
objetivo ' s ubicación en el momento t k y, del mismo modo, Z k = Z ( t k) es la observación tomada en este [Y k] = ∫ re y k y k p (t k, y k), o el máximo probabilidad a posteriori (MAP) estimación, arg max y k ∈ S pag re
momento. Por otra parte, y mucho T k = { X k, Z k}; denotar el proceso de medición como Z 1: k = ( Z 1, ..., Z k) yt los
k; y k Þ. La estimación MAP realiza ligeramente mejor en los ensayos preliminares; Sin
valores que toma como z 1: k = ( z 1, . . . , z k). Estamos interesados en conocer en última instancia, la embargo, en la práctica, el objetivo no permanece estacionaria, por lo que en lugar de
probabilidad del objetivo ' s estado después de todo K observaciones, es decir, la creencia posterior ( 36,maximizar de forma recursiva sobre todas las posteriores:
45),
pag re t K; y K Þ ¼ Pr re Y K ¼ y K j T 1; K ¼ u 1; K Þ re 17 Þ
^ y k ¼ arg max
u ∈ ½ 1; k Þ; y u ∈ S pag re t u; y u Þ
Además, se supone que el objetivo puede transición entre observaciones de tal manera que y k = y k - 1 + norte
Y con norte Y mi Dakota del Norte 0; Σ Y Þ por alguna co De esta manera, la estimación de probabilidad de ubicación es estrictamente creciente.
La toma de decisiones por parte de ganancia de información Como se mencionó anteriormente, suponemos errores independientes en las funciones de
Nuestro objetivo general es conocer donde nuestro animal objetivo es y con qué certeza. Por lo verosimilitud que se muestran en la ecuación. 16, dando Pr ( Z) = Pr ( Z Q) Pr ( Z R).
tanto, el problema puede ser considerado en el marco de la recopilación de información ( 36). Para Sin embargo, incluso resolviendo para priores independientes requiere la inversión de todas las
cuantificar la incertidumbre, utilizamos la entropía de Shannon, una medida estándar para este distribuciones posibles en todos los sitios de muestreo s ∈ S; esto es generalmente intratable.
propósito. El condicional (Shannon) la entropía de una variable aleatoria V, dado otra variable W, cuantifica
la incertidumbre sobre los resultados de V en el contexto de W; Matemáticamente, esto se da Como una alternativa eficiente, se supone que la ubicación de destino para la siguiente observación
por H (V | W) = MI[ log Pr ( V | W)]. es la posición de máxima verosimilitud después de la actualización de movimiento, es decir, Y k ¼ ^ y k. Como
En este contexto, nuestro objetivo es elegir una secuencia u 1: K = { X 1: K, z 1: K} la medición rango esperado mi ½ R j X k ¼ s; Y k ¼ ^ y k ¼ re re s; Y ^ k Þ
de pares de estado-de medición de tal manera que la entropía final del creencia H ( Y NORTE) se y la medición de cojinete esperado mi ½ Q j X k ¼ s; Y k ¼ ^ y k ¼
reduce al mínimo. Es decir, dejar T ¼ DS? HTH y se fija el espacio de medición H, el objetivo segundo re s; Y ^ k Þ a la diana se dan. Por otra parte, la variación esperada ^ s2Q
se puede plantear como está dada por marginar a cabo sol de tal forma que ^ s 2 Q ¼ mi ½ s 2 Q re sol Th? ≃ 0: 2 RA-
descargado de
mediciones u 1: k. y la optimización sobre los puntos de vista posibles s de la ecuación. 26 se convierte
http://robotics.sciencemag.org/
trabajo s ∈ S como se indica en la ecuación. 27, simplemente muestra A subconjunto
uniformemente distribuida. Dada la naturaleza estocástica de observaciones, esto no parece
yo re Y k; Y k Þ ¼ H re Y k Th? H re Y k j Y k Þ re 22 Þ
afectar a la calidad del planificador.
La descomposición de la ecuación. 22 utilizando la regla de la cadena, el problema La evaluación del desempeño del sistema
entropyminimization definido en la ecuación. 21 se puede expresar como Para validar nuestro enfoque en condiciones de campo reales, se comparó el rendimiento del sistema
robótico para el rendimiento de seguimiento humana en la localización de los loros rápidos en la
" #
naturaleza. El diagrama de caja en la Fig. 4 coteja el rendimiento de seguimiento de ocho vuelos en
T * 1: K ¼ arg max re 23 Þ cuatro lugares diferentes cerca de Temora, Nueva Gales del Sur, Australia. Los datos de los ensayos
T 1: K ⊆ T mi T 1: K H re Y 1 th th Σ K k¼2 yo re Y k Y k Þ
individuales se presentan en el cuadro S1 para más detalles. En cada sitio, se obtuvo la trayectoria
El objetivo de la ecuación. 23 es equivalente a entropyminimization y es, en general, no perseguidor humano había establecido la verdadera ubicación y para el objetivo a través de la
convexo y analíticamente intratable. Sin embargo, la información dada en la ecuación themutual. confirmación visual, el UAV comenzó su ensayo de vuelo. El procedimiento para rastreadores
22 es submodular monótono, y por lo tanto, la calidad de la solución proporcionada por un humanos localizar el pájaro se proporciona en Materiales y Métodos. Después de la confirmación del
algoritmo codicioso es al menos 63% de óptima ( 37). Es decir, dado un algoritmo voraz objetivo por el ser humano, un ensayo de vuelo se realizó para cada tipo de rastreador (novatos y
determinista que selecciona la acción expertos). Por lo tanto, hemos obtenido dos pruebas del sistema de robot en cada sitio con una
ubicación conocida cierto pájaro.
en cada etapa de decisión, la trayectoria resultante û 1: K está dentro de un factor constante de óptima del partida se elige de manera que la señal de radio era lo suficientemente fuerte como para ser medido por
objetivo mostrado en la Ec. 23, es decir, la carga útil a bordo. Para cuantificar el rendimiento, se comparó la estimación rastreador robótico ŷ k con
la distancia euclídea entre las posiciones GPS de seguimiento de humano y la verdad última planta y en
el momento t k. Específicamente, en la Fig. 4, la y shows ejes (i) el error en el sistema de robot ' s
^ 1: K ≥ 1 1
u re 25 Þ
mi u * 1: K estimación de destino ŷ k para cada observación
Además, este es el algoritmo más eficiente para obtener tal un límite a menos que P k ( en verde y azul) y (ii) la distancia euclidiana entre el seguidor humana ' s ubicación en el momento t k
= NP ( 37). y su estimación final (en blanco y gris). los X- etiquetas de los ejes proporcionan el número de
La optimización de cada observación T k está limitado en que sólo las ubicaciones de vehículos X k observación (por ejemplo, la observación 1) y el intervalo de tiempo durante el cual fue tomada de
⊂ u k pueden ser seleccionados y, en consecuencia, sólo la ganancia de información prevista en cada que la observación para todos los vuelos (por ejemplo, 46 a 60 s). Cada punto de datos en el gráfico
muestra s puede ser calculado; es decir, elegimos waypoints futuras X k de tal manera que de caja por lo tanto representa un fromone observación de los ocho ensayos. En dos de los vuelos,
la ubicación final era incierto porque el pájaro se movió durante el vuelo y confirmationwas visuales
perdido. El caso en el que se extrajeron los datos de estos dos vuelos se etiqueta “ Robot (cierta) ”( cajas
300 Robot Robot (cierta) Orous derivación matemática de todos los componentes
Miembro Experto
algorítmicos del sistema, incluyendo un enfoque para el
250 cálculo de la incertidumbre de cada cojinete de sólo
observación donde se supone heteroscedasticidad.
200
Mediante la creación de un punto alto donde los UAVwas
en marcha, nuestro sistema lleva a cabo de forma
150
comparable a, ya menudo mejor que, los seres humanos
descargado de
cajas azules etiquetados “ Robot (cierta) ” indican escenarios donde el ave se mantuvo estacionaria durante el juicio y la ubicación final era conocido.
de estos sistemas para facilitar la gestión de la conservación.
Los resultados mostrados en la Fig. 4 y la Tabla S1 indican que el robot fue capaz de Aunque hemos realizado este estudio dentro de un paisaje que es relativamente fácil de recorrer
aproximarse a la ubicación de la especie objetivo en menos tiempo que los rastreadores humanos. a pie (como se explica en Materiales y Métodos), los mayores beneficios de esta tecnología de
Específicamente, por la segunda observación (entre 143 y 289 s), el robot encuentra con éxito el ave seguimiento de la antena es probable que se realicen en zonas con vegetación densa o paisajes
http://robotics.sciencemag.org/
a menos de 55 m en cinco de los ensayos (véase la tabla S1). En cada uno de estos cinco ensayos, agrestes y peligrosos. Estas situaciones requieren cantidades de tiempo y esfuerzo se incrementaron
el error de seguimiento humano fue mayor que los robots. Además, las estimaciones de posición en el suelo para localizar los animales marcados (en relación con terreno plano) pero no hay tiempo o
finales muestran un promedio de 51,47 m y se obtienen en menos de cinco observaciones esfuerzo adicional cuando el seguimiento desde el aire. Seguimiento del aire permite a la línea
(aproximadamente 10 min). Tabla S1 indica que el error de observación no disminuye de forma directa de visión más frecuentes con las etiquetas y aumenta la probabilidad de detección de la
monótona con el tiempo (por ejemplo, en el ensayo 7). Esto no es sorprendente debido a las señal, que es un gran reto cuando la vida silvestre de radio-seguimiento.
diversas condiciones ambientales que pueden causar ruido de observación; estos incluyen cuando
los movimientos de aves durante las lecturas así como fuertes vientos interferir con el UAV restante
estacionario mientras gira. En el trabajo futuro, nuestro objetivo es ser capaz de detectar estas Aunque el trabajo anterior mostró que la presencia de vehículos aéreos no podría molestar a
condiciones para minimizar el efecto de dicho ruido. los animales diana en algunas circunstancias ( 49), no se observó ningún tipo de perturbaciones.
Los pájaros parecían ser más perturbado por el perseguidor humano en el suelo que por el robot
para este ensayo mediante la detección de al menos 30 aves. Por finales de agosto, se detectaron al
menos 200 loros rápidos (10% de la población mundial) en la zona. El sitio de estudio es una cubierta de
hierba, bosque abierto la caja de Ironbark y por lo tanto relativamente fácil de recorrer a pie. Sin embargo,
la localización de las aves a menudo se complica por cuestiones logísticas, como la accesibilidad limitada
de carreteras, líneas de la cerca, y las diferentes formas de tenencia, incluida la propiedad privada.
Para los ensayos, varias aves fueron capturados y posteriormente, una etiqueta de radio VHF
BioTrack Pip Ag393 fue grabado a las plumas de la espalda. Cada etiqueta se transmite en una
frecuencia única dentro de la banda de 150 a 152 MHz que fue preprogramado en tanto el receptor de
los sistemas robóticos manual y. Las etiquetas emiten una señal modulada llave de encendido y
apagado con un ancho de pulso de 10 ms y un período de 1,05 s. Además, eran de peso ligero
(aproximadamente 2 g) y por lo tanto de baja potencia (menos de 1 mW) transmisores debido al
pequeño tamaño de la especie. Se permite el uso de la banda de 150 a 152 MHz para el seguimiento de
la vida silvestre en Australia; en otros países, las bandas de frecuencia alternativas podrían ser
utilizados por resintonizar los receptores.
Tracking manual se llevó a cabo mediante el uso de un sistema receptor de radio 26k
descargado de
Fig. 5. grabación distribución espacial de loros SWIFT. Un mapa del sudeste de Australia, donde se ha avistado una
mayoría de los loros rápidas. Recuadro: Mapa de calor que ilustra distribuciones posteriores agregados de nuestro juicio en VHF Titley Australis y una de tres elemento de antena direccional de mano Yagi (mostrado
julio de 2017. La posterior distribución de todos los ensayos se normalizaron y se agregan para dar una indicación de las anteriormente en la Fig. 1). La ubicación aproximada de un ave fue identificado por la
áreas de alimentación y dormideros más probables. Símbolos blancos indican ubicaciones donde los datos de terreno la conducción en un todoterreno - vehículo capaz a diferentes sitios hasta que una señal de radio
verdad (confirmado por observaciones visuales) estaban disponibles; Cada etiqueta tiene un símbolo diferente: era audible desde el receptor. Una vez que se detecta una señal, el rastreador siguió apunte
la antena hacia la señal más fuerte (más fuerte) mientras camina por el paisaje. Este
○ , X, +, o *. datos de los mapas: Google, DigitalGlobe, CNES / Airbus.
procedimiento implicaba un ajuste constante del volumen y la ganancia del receptor y
http://robotics.sciencemag.org/
continuó hasta que fue avistado el ave. Se registró la trayectoria GPS seguido por el
hizo donde se supone que la presencia de un robot interfiere con los animales ' comportamientorastreador manual.
( 53).
Una vez que la confirmación visual de un pájaro ' s se logró la ubicación, el rastreador humana
continuó observando el ave etiquetados para confirmar la ubicación exacta, mientras que el UAV
MATERIALES Y MÉTODOS fue lanzado desde el mismo punto de partida que la del perseguidor humano. Los datos de
sistema de robot trayectoria UAV y de sensores sin procesar se registraron en tiempo real y posteriormente
El sistema de robot aéreo utilizado en este trabajo se presentó originalmente en ( 22). Resumimos reproducidos para generar las cifras reportadas. Cada vuelo se realizó a una altitud constante de
los principales detalles aquí por conveniencia. 75 m (de tal modo que el dosel se aclaró), y cada observación llevó unos 45 s para completar.
El sistema comprendía un UAV de ocho rotor comercial (Tecnologías Ascendente ' Falcon 8), Para la planificación de puntos de vista, el UAV se vio obligado a elegir ubicaciones dentro de 300
El diseño de nuestra red de antenas de costumbre reduce al mínimo su vulnerabilidad a MATERIALES COMPLEMENTARIOS
las fuentes de interferencia generados por el robot. En nuestras pruebas de campo, no se robotics.sciencemag.org/cgi/content/full/3/23/eaat8409/DC1 Tabla S1. datos de los
experimentos
A continuación, presentamos el procedimiento utilizado para elegir la ubicación encuesta y describir su REFERENCIAS Y NOTAS
1. R. Nathan, WM Getz, E. Revilla, M. Holyoak, R. Kadmon, D. Saltz, PE Smouse, A paradigma movimiento de la ecología para la
terreno. A continuación explicamos brevemente los procedimientos de seguimiento manual y robóticos.
investigación movimiento del organismo unificador. Proc. Natl. Acad. Sci. Estados Unidos 105, 19052 - 19059 (2008).
Los ensayos se llevaron a cabo del 3 al 7 de julio de 2017 Temora, Nueva SouthWales, 2. R. Kays, MC Crofoot, W. Jetz, M. Wikelski, el seguimiento de los animales terrestres como un ojo en la vida y el planeta. Ciencia 348, aaa2478
Australia. Antes de estos ensayos, seis aves fueron detectados por una empresa con experiencia (2015).
5. LF González, GA Montes, E. Puig, S. Johnson, K. Mengersen, KJ Gaston, vehículos aéreos no tripulados (UAV) y la 32. Y. Liu, G. Nejat, robótica búsqueda y rescate urbano: un estudio desde la perspectiva de control.
inteligencia artificial revoluciona el seguimiento y la conservación de la fauna. sensores dieciséis, E97 (2016). J. Intell. Robot. Syst. 72, 147 - 165 (2013).
33. F. Caballero, L. Merino, I. Maza, A. Ollero, A método de filtrado de partículas para la localización de red de sensores
6. K. Zhao, R. Jurdak, la comprensión del patrón espacio-temporal de pastoreo movimiento ganado. Sci. Reps. 6, inalámbrica con un faro robot aéreo, en Actas de la Conferencia Internacional IEEE de Robótica y Automatización ( IEEE,
31967 (2016). 2008), pp. 596 - 601.
7. S. Panigada, GP Donovan, J.-N. Druon, G. Lauriano, N. Pierantonio, E. Pirotta, 34. R. Kays, S. Tilak, M. Crofoot, T. Fuente, D. Obando, A. Ortega, F. Kuemmeth, J. Mandel,
M. Zanardelli, N. Zerbini, GN di Sciara, marcado por satélite de ballenas de aleta del Mediterráneo: Hacia la G. Swenson, T. Lambert, B. Hirsch, M. Wikelski, seguimiento de la ubicación y actividad de los animales con un sistema de radio
identificación de hábitats críticos y la focalización de las medidas de mitigación. Sci. Reps. 7, 335 (2017). telemetría automatizada en una selva tropical. Comput. J. 54, 1931 - 1948 (2011).
35. T. Patten, M. Zillich, R. Fitch, M. Vincze, S. Sukkarieh, evaluación Viewpoint para línea de clasificación objeto activo
8. P. Berthold, M. Kaatz, U. Querner, trackin satélite a largo plazo g de cigüeña blanca 3-D. IEEE robot. Autom. Letón. 1, 73 - 81 (2016).
(Ciconia Ciconia) la migración: La constancia frente a la variabilidad. J. Ornithol. 145, 356 - 359 (2004). 36. S. Thrun, W. Burgard, D. Fox, Probabilístico Robótica ( The MIT Press, 2005).
9. AE Kessler, N. Batbayar, T. Natsagdorj, D. Batsuur, AT Smith, telemetría por satélite revela la migración de 37. A. Krause, C. Guestrin, submodularidad y sus aplicaciones en la recopilación de información optimizado. ACM Trans.
larga distancia en la avutarda asiática dybowskii Otis tarda. Intell. Syst. Technol. 2, 32 (2011).
J. Biol aviar. 44, 311 - 320 (2013). 38. B. Grocholsky, “ el control de información teórica de múltiples plataformas de sensores, ” tesis, La
10. S. Oppel, UN Powell, DL Dickson, el tiempo y la distancia de los movimientos migratorios y del invierno Rey Eider. Cóndor Universidad de Sydney (2002).
110, 296 - 305 (2008). 39. GM Hoffmann, CJ Tomlin, control de red sensor móvil utilizando métodos de información mutua y los filtros de
11. IG Priede, un tiburón peregrino ( Cetorhinus maximus) rastreado por satélite junto con la teledetección partículas. IEEE Trans. Autom. Controlar 55, 32 - 47 (2010).
simultánea. Pez. Res. 2, 201 - 216 (1984). 40. En Klesh, PT Kabamba, AR Girard, Ruta planificar la recolección de información en tiempo óptimo de cooperación, en Actas de
12. BA Block, ID Jonsen, SJ Jorgensen, AJ Winship, SA Shaffer, SJ Bograd, EL Hazen, la Conferencia Americana de Control (IEEE IEEE, 2008), pp. 1991 - 1996.
DG Foley, Raza GA, AL Harrison, JE Ganong, A. Swithenbank, M. Castleton, 41. J. Nguyen, N. Lawrance, R. Fitch, S. Sukkarieh, planificación de movimientos de energía con restricciones para la
descargado de
H. Dewar, BR Mate, GL Shillinger, KM Schaefer, SR Benson, MJ Weise, RW Henry, recopilación de información con el gran aumento autónoma aérea, en Actas de la Conferencia Internacional IEEE de
DP Costa, seguir los movimientos de los depredadores marinos de segundo piso en un océano dinámico. Naturaleza 475, Robótica y Automatización ( IEEE, 2013), pp. 3825 - 3831.
86 - 90 (2011). 42. A. Ryan, JK Hedrick, Filtro de partículas basado detección activa de información teórica. Robot.
13. Puente de ES, K. Thorup, MS Bowlin, PB Chilson, RH Diehl, RW Fléron, P. Hartl, R. Kays, Auton. Syst. 58, 574 - 584 (2010).
JF Kelly, WD Robinson, M. Wikelski, Tecnología en movimiento: Las innovaciones recientes y futuras para el seguimiento 43. P. Skoglar, J. Nygards, M. Ulvklo, trayectoria concurrente y la planificación de sensor para un UAV -
de las aves migratorias. BioScience 61, 689 - 698 (2011). hacia un enfoque basado en la información de la incorporación de modelos de entorno y el sensor, en Actas de la
14. RD Señor Jr., FC Bellrose, WW Cochran, radiotelemetría de la respiración de un pato volando. Ciencia 137, 39 - 40 Conferencia Internacional IEEE / RSJ sobre Robots y Sistemas Inteligentes ( IEEE, 2006), pp. 2436 - 2442.
(1962).
http://robotics.sciencemag.org/
15. M. Mulero-Pázmány, R. Stolper, LD Van Essen, JJ Negro, T. Sassen, dirigido por control remoto sistemas de la aeronave como una 44. J. Tisdale, Z. Kim, J. Hedrick, Autónoma planificación de la trayectoria UAV y estimación. IEEE robot.
herramienta rinoceronte anti-caza furtiva en África. MÁS UNO 9, e83873 (2014). Autom. revista dieciséis, 35 - 42 (2009).
16. P. Tokekar, D. Bhadauria, A. Studenski, V. Isler, un sistema robótico para el seguimiento de la carpa en lagos de Minnesota. J. 45. LD Piedra, RL Streit, TL Corwin, KL Bell, Bayesiano Target Tracking múltiple ( Artech
Robot campo. 27, 779 - 789 (2010). House, 2013).
17. P. Tokekar, E. Branson, J. Vander Hook, V. Isler, Tracking invasores acuáticos: robots autónomos para el seguimiento de los 46. AH-S. Ang, WH Tang, Conceptos de probabilidad en Planificación y Diseño de Ingeniería ( Juan
peces invasivo. IEEE robot. Autom. revista 20, 33 - 41 (2013). Wiley & Sons, 1975), vol. YO.
18. Hook J. Vander, P. Tokekar, V. Isler, la estrategia codicioso prudente por un cojinete de sólo la localización activa: 47. G. Brooker, Introducción a los sensores para Ranging e Imagen ( El SciTech Publishing, 2009).
experimentos de análisis y de campo. J. Robot campo. 31, 296 - 318 (2014). 48. MS Arulampalam, S. Maskell, N. Gordon, T. Clapp, A tutorial sobre filtros de partículas para no lineal en línea / seguimiento
19. Hook J. Vander, P. Tokekar, V. Isler, los algoritmos para la localización activa cooperativa de objetivos estáticos con sensores de Bayesiano no gaussiana. IEEE Trans. Proceso de señales. 50, 174 - 188 (2002).
cojinete móviles bajo restricciones de comunicación. IEEE Trans. Robot. 49. M. Mulero-Pázmány, S. Jenni-Eiermann, N. Strebel, T. Sattler, JJ Negro, Z. Tablado, los sistemas de aeronaves no tripuladas
31, 864 - 876 (2015). como una nueva fuente de perturbación para la fauna: una revisión sistemática. MÁS UNO 12, e0178448 (2017).
20. H. Bayram, JV Hook, V. Isler, Evento cojinete de datos para la localización de destino. IEEE robot.
21. N. Noori, A. Renzaglia, JV Hook, V. Isler, constreñidos búsqueda probabilístico para un andador aleatoria percepción activa. En t. J. Robot. Res. 0, 1 - 22 (2018).
unidimensional. IEEE Trans. Robot. 32, 261 - 274 (2016). 51. S. Garg, N. Ayanian, monitoreo permanente de los fenómenos espacio-temporales estocásticos con un pequeño equipo
22. OM acantilado, R. Fitch, S. Sukkarieh, DL Saunders, R. Heinsohn, la localización en línea de la vida silvestre de robots, en Actas de Robótica: Ciencia y Sistemas ( RSS, 2014),
radiomarcadas con un sistema de robot aéreo autónomo, en Actas de Robótica: Ciencia y Sistemas ( RSS, 2015), 10.15607 / RSS.2014.X.038.
10.15607 / RSS.2015.XI.042. 52. J. Yu, S. Karaman, D. Rus, monitoreo permanente de eventos con llegadas estocásticos en múltiples estaciones. IEEE
23. A. Posch, S. Sukkarieh, búsqueda basada UAV para una radio etiquetada animal usando filtros de partículas, en Actas de la Trans. Robot. 31, 521 - 535 (2015).
Conferencia de Australasia ARAA de Robótica y Automatización ( ARAA, 53. B. Hefferan, OM acantilado, R. Fitch, patrullaje contradictorio con procesos puntuales reactivos, en Actas
2009), pp. 107 - 112. de la Conferencia de Australasia ARAA de Robótica y Automatización ( ARAA, 2016), 39 - 46.
24. F. Korner, R. mota, AH Goktogan, S. Sukkarieh, Autónoma de animales salvajes en el aire usando la señal de 54. M. Quigley, K. Conley, BP Gerkey, J. Faust, T. Foote, J. Leibs, R. Wheeler, AY Ng, ROS: Un sistema operativo robot
radio, en Actas de la Conferencia Internacional IEEE / RSJ sobre Robots y Sistemas Inteligentes ( IEEE, 2010), de código abierto, en Actas de la Conferencia Internacional IEEE de Robótica y Automatización, Taller sobre
25. M. Leonardo, AM Jensen, C. Coopmans, M. McKee, Y. Chen, Un sistema de seguimiento de la fauna UAV carga útil en
miniatura utilizando biotelemetría acústico, en Actas de las Jornadas Internacionales de Diseño de Ingeniería ASME Expresiones de gratitud: Agradecemos a J. Randle, R. Allen, y M. Truman para obtener ayuda con los ensayos de vuelo y G. Brooker y D. Johnson para
técnicas y equipos de información y en la Conferencia de Ingeniería ( ASME, 2013), p. V004T08A056. el asesoramiento técnico permanente en el procesamiento de señales de radio.
Fondos: Este trabajo fue apoyado, en parte, por los Riverina locales Servicios de tierra (número de proyecto RV01221), el Centro
26. GAM dos Santos, Z. Barnes, E. Lo, B. Ritoper, L. Nishizaki, X. Tejeda, A. Ke, H. Lin, Australiano de Robótica campo, y el gobierno del estado de Nueva Gales del Sur.
C. Schurgers, A. Lin, R. Kastner, sistema Pequeño aéreo no tripulado vehículo para el seguimiento de collar de radio de la Contribuciones de autor: OMC y RF desarrollaron los algoritmos y análisis. OMC, RF, y
fauna, en Actas de la Conferencia Internacional IEEE sobre móviles ad hoc y de sensores Sistemas ( IEEE, 2014), pp. 761 - 766. DLS diseñado los experimentos y escribió el documento. OMC y DLS realizaron los experimentos. Conflicto de intereses: DLS es un
director fundador de aviones no tripulados de vida silvestre, posee acciones y está en la junta de esta empresa, y llevó a cabo este
27. A. Jensen, Y. Chen, Tracking peces marcados con enjambre vehículos aéreos no tripulados usando el orden fraccional trabajo, en parte, como un consultor pagado por los servicios del suelo Riverina locales. Los datos y la disponibilidad de materiales: Todos
campos potenciales y el filtrado de Kalman, en Actas de la Conferencia Internacional IEEE sobre sistemas aéreos no los datos necesarios para evaluar las conclusiones del documento están presentes en el papel o el material complementario. La Figura
tripulados ( IEEE, 2013), pp. 1144 - 1149. 1B se reproduce a partir de ( 22) con el permiso del autor correspondiente.
28. AM Jensen, DK Geller, Y. Chen, análisis de simulación Monte Carlo de etiquetado rendimiento de seguimiento de radio pescado
por enjambre vehículos aéreos no tripulados en orden fraccional campos potenciales. J. Intell. Robot. Syst. 74, 287 - 307 (2014).
descargado de
Artículo herramientas
http://robotics.sciencemag.org/content/3/23/eaat8409
complementarios http://robotics.sciencemag.org/content/suppl/2018/10/12/3.23.eaat8409.DC1
http://robotics.sciencemag.org/
materiales
Referencias Este artículo cita 35 artículos, 4 de los cuales se puede acceder de forma gratuita
http://robotics.sciencemag.org/content/3/23/eaat8409#BIBL
PERMISOS http://www.sciencemag.org/help/reprints-and-permissions
Robótica Ciencia (ISSN 2.470 a 9.476) es una publicación de la Asociación Americana para el Avance de la Ciencia, 1200
Washington, DC 20005. 2017 © Los autores, algunos derechos reservados; licenciatario exclusivo
Asociación Americana para el Avance de la Ciencia. Sin pretensión de originales Funcionamiento del Gobierno de los Estados Unidos. El título New York Avenue NW,
Robótica Ciencia es una marca registrada de la AAAS.