SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

SENSORES Copyright © 2018 Los autores,

algunos derechos reservados;

ecología robótica: Seguimiento de animales pequeños dinámicas con un licenciatario exclusivo

Asociación Americana para el

vehículo aéreo autónomo Avance de la Ciencia. Sin

pretensión de Obras originales

del Gobierno de EE.UU.

Oliver M. acantilado 1 *, Debra L. Saunders 2, Robert Fitch 1,3

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

por invitado el 17 de octubre 2018

para legitimar su papel como un reemplazo para los seguidores humanos. A pesar de los recientes En los últimos años, ha habido un creciente interés en la fauna de telemetría de extremo a
avances en el seguimiento de la fauna telemetría automatizada, se sabe muy poco sobre el movimiento extremo con el seguimiento de los sistemas robóticos ( 4), donde el robot se mueve de forma autónoma
de las especies migratorias pequeños, dinámicos, de los cuales muchos han alcanzado el estatus de el seguimiento de un animal diana en vivo. La utilidad de estos sistemas, sin embargo, aún no se ha
peligro crítico. Para grandes para animales medianos, la miniaturización de las etiquetas GPS con lectura probado en la comparación de rendimiento directo con el enfoque manual tradicional. La investigación
remota de datos ha facilitado un marcado incremento en la comprensión de los movimientos de una en curso está dirigido a seguimiento de la carpa de radio-etiquetado en lagos Minnesotan utilizando
diversidad de especies ( 6, 7). Métodos como la telemetría por satélite tienen aplicaciones de largo alcance, vehículos de superficie autónomos en los vehículos acuáticos y terrestres móvil cuando el lago se
a partir de la investigación de las rutas de migración y áreas de grandes aves migratorias invernantes ( 8 - 10) congela ( dieciséis - 21). Aunque este proyecto ha dado trabajo seminal en el campo, el uso de

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
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
Autónomos, Universidad de Tecnología de Sydney, Sydney, Nueva Gales del Sur, Australia.
* Autor correspondiente. E-mail: o.cliff@acfr.usyd.edu.au
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)
Los sistemas. La principal hipótesis de los autores han hecho es que las observaciones
secuenciales son homoscedastic, lo que significa que la incertidumbre sobre cada medición
es constante o limitada. Sin embargo, con

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 1 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

UNA segundo duce un acoplamiento entre la recolección y la planificación de

datos. La idea de forma pasiva la localización de fuentes de

radio que transmiten se ha investigado en la investigación de

operaciones motivadas por las misiones de búsqueda y

rescate, en las balizas de socorro estacionarios debe

recuperarse rápidamente. Por lo tanto, la tarea es un problema

resuelto a través de la cobertura de las estrategias fuera de

línea con un énfasis en minimizar el coste de la ruta por toda

la zona o teleoperado por los seres humanos ( 32). Alternativamente,

cuando el hábitat de la fauna se conoce y delimitada, redes de

sensores se pueden colocar para realizar un seguimiento con

precisión de un animal ' s ubicación ( 33, 34). En nuestro caso, se

requiere estimaciones rápidas y precisas sin la intervención y

por lo tanto utilizamos estrategias activas donde la calidad de

do la observación se basa fundamentalmente en una secuencia

apropiada de puntos de vista ( 35).

descargado de
Nuestro objetivo es reducir la incertidumbre (entropía) de la

ubicación de destino; por lo tanto, la tarea de seguimiento de

blancos de forma activa cae bajo el paradigma de planificación

de la trayectoria informativa ( 36). Este problema se sabe que

http://robotics.sciencemag.org/
es NP-duro ( 37) y ha sido ampliamente estudiado en la última

década ( 38), con muchas aplicaciones se centra

específicamente en vehículos aéreos no tripulados ( 39 - 44). En

este trabajo, hemos aprovechado estos resultados para

obtener una secuencia de aproximadamente óptima de las

acciones mediante la selección de puntos de vista con avidez

los más informativos en cada etapa de decisión.

re mi

En este trabajo, presentamos un análisis teórico

por invitado el 17 de octubre 2018

riguroso y validación en campo de un sistema completo
para el seguimiento de la fauna autónoma. Se demuestra
que este sistema se dirige a muchos desafíos teóricos y
de ingeniería a un grado que es suficiente para igualar o
superar el rendimiento de los rastreadores humanos
calificados desde un lugar donde las señales son
detectables. En primer lugar, le ofrecemos una derivación
matemática para nuestro modelo de sensor basada en
datos, que ha sido previamente validado a través de una
serie de ensayos sobre las aves reales y objetivos
Fig. 1. El sistema de robot aéreo está diseñado para realizar un seguimiento de los animales pequeños con etiquetas de radio ligeros adjuntos. loros (Swift L. discolor) ( UNA) se

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
espectro resultante de la calidad de la observación de ruidoso para precisa. Como se muestra en
este documento, esto induce observaciones heterocedásticos, donde la incertidumbre varía con
cada observación. No distinguir entre las observaciones de baja y de alta calidad puede conducir
a mediciones con exceso de confianza que causan estimaciones de localización espurias o
estimaciones de localización altamente inciertos que son de poco valor.
Un modelo de observación válida matemáticamente es fundamental en la planificación del
movimiento del robot para mejorar la estimación de localización. En robótica, este problema general se
conoce como percepción activa ( 30, 31) y intro-
observaciones. Por último, comparamos este sistema directamente con los operadores humanos en
el problema de seguimiento del loro rápida en peligro crítico ( Lathamus discolor) especies en la
naturaleza. En seis de los ocho ensayos, las localizaciones estimadas de aves cayeron dentro de 50
m de los lugares verdaderos en promedio, lo cual fue suficiente para recaptura, observación de
campo detallada, o lectura de datos. En los dos ensayos restantes, no se pudo establecer la posición
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
muchas veces más rápido que, rastreadores humanos experimentados. Nuestra demostración valida
el concepto de un robot

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 2 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN
sistema de telemetría para la vida silvestre de seguimiento que utiliza como un dispositivo autónomo o
humanassistive en condiciones de campo reales. Este hito motiva aún más el desarrollo de ingeniería
que pueden permitir un uso más generalizado de robots autónomos en la ecología y el movimiento en la
gestión de la conservación de especies pequeñas y dinámicas que se mueven.
RESULTADOS
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
discusión de ideas sobre los movimientos espacio-temporales globales y locales de loros veloces que se
reunieron a partir de los ensayos.
El material de esta sección tiene su base en el cojinete de sólo enfoque heurístico presentado en
trabajos anteriores ( 22). A continuación, presentamos un algoritmo de rango-acimut completa derivada
rigurosamente a partir de primeros principios. También proporcionamos el análisis de varianza y la
prueba de que la función objetivo es submodular monótona, una propiedad importante que es útil en el
diseño de algoritmos de planificación eficientes.
funciones de verosimilitud para las observaciones
El componente más crítico del sistema es el modelo de sensor, lo que nos permitió convertir la
señal recibida de la marca de radio a una estimación instantánea del objetivo ' s ubicación. Una
observación inexacta o exceso de confianza puede llevar a una mala toma de decisiones y las
estimaciones imprecisas ubicación final.
Dejar X ∈ S denotar la localización de vehículos, Y ∈ S los objetivos ' coordenadas geográficas
dentro de algún espacio de trabajo S? ℝ 2, y Z una observación en algún espacio de medición H. Estamos
interesados ​en el aprendizaje de la función de verosimilitud ℓ ( y; X, z), es decir, la probabilidad de
recibir la medición z en la ubicación X, dada la ubicación de destino y:
ℓ re y; X; z Þ ¼ Pr re X ¼ X; Z ¼ z j Y ¼ y Þ para y ∈ S re 1 Þ
Tenga en cuenta que podríamos considerar la incertidumbre en la localización de vehículos
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)
son variables aleatorias, símbolos minúsculas (por ejemplo, y y z) denotar sus realizaciones, y en negrita
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
ejemplo, ŷ es la estimación de destino).
Para construir nuestros modelos de sensores, debemos determinar lo que estamos
midiendo y la incertidumbre sobre estas mediciones. En este trabajo, tomamos ambas
lecturas distancia y acimut del objetivo, donde se supone que las observaciones que se
distribuye normalmente. Esto resulta en cada medición que comprende la media y la
varianza z = { Sra 2}.
Dada una función de medición h: DS? ALGO → H que los mapas del vehículo X
y estado de destino y al espacio de medición H, la función de probabilidad gaussiana es
ℓ re y; X; z Þ ¼ F re h re X; y Þ; metro; s 2 Þ re 2 Þ
dónde F es la función de densidad de probabilidad (PDF) de la distribución normal.
datos del sensor observados y esperados
Para derivar nuestras funciones de verosimilitud, que primero caracterizamos los datos del sensor en bruto
y describimos el modelo utilizado para la obtención de nuestras mediciones.
Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018
Más detalles sobre el sistema colector de estas mediciones se dan en Materiales y
Métodos.
La etiqueta de radio emite una señal de impulso con llave de encendido y apagado; esta
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
valores en bruto y el modelo de sensor aprendido.
La antena utilizada a bordo de la UAVwas una red en fase de dos puntos: una antena direccional
de peso ligero, sin ambigüedades diseñado para telemetría por radio con los vehículos Multirotor ( 22). La
matriz comprendía dos monopolos alimentados a través de un circuito combinador pasivo, lo que
produjo un patrón de radiación con un lóbulo frontal y posterior nulo. Para reducir el ruido y las lecturas
espurias debido a la propagación por trayectos múltiples, el UAV se mantuvo estacionaria mientras
guiñada a través de una rotación completa. Durante esta rotación, los valores continuos de RSSI se
filtraron y se tomaron muestras a una velocidad constante para dar un valor escalar sol norte asociado con
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
verdadero cojinete a la diana de ubicación robot X es entonces q * = segundo( x, y *). Se supone que el
error para cada valor de RSSI registrada se distribuye normalmente con una varianza desconocida s 2 ( q
*) que se mantiene constante a lo largo de una observación, que es, por arbitraria sol norte ∈ sol
http://robotics.sciencemag.org/
sol norte ¼ Ε sol norte j Q ¼ q * þ v SOL; v sol mi norte 0; s 2 re q * Þ re 3 Þ
dónde s 2 ( q *) = V ( sol n | Q = q *).
Obtenemos el patrón de ganancia esperada Ε [ G | Q] por regresión lineal. En concreto, nos
ajustamos el patrón de ganancia esperada a una J serie de Fourier th-fin φ: ℝ → ℝ, es decir, dada la
por invitado el 17 de octubre 2018
marcación verdadera q *,
Ε sol norte j Q ¼ q * ¼ φ re F norte þ q * Þ ¼ una 0 þ Σ J
j¼1 una j cos re j re F norte þ q thth þ Σ J
re 4 Þ
j¼1 segundo j pecado re j re F norte þ q thth
A partir de este modelo de Fourier, se obtiene el patrón de ganancia esperada
φ ( q) = Ε [ G | Q = q], dónde φ = ℝ → ℝ norte se genera mediante el muestreo de la serie de Fourier (Ec. 4) con
un desplazamiento de fase q a norte intervalos regulares, es decir, φ ( q) = ( φ ( q), φ ( q + 2 pag/ NORTE), ..., φ ( q
+ 2 pag)).
Teniendo en cuenta la salida del sensor esperada y observada, φ y sol, el objetivo principal de
fusión de datos de sensor Bayesiano es calcular PDFs del cojinete y distancia a un blanco desde el
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.
función de verosimilitud en azimut
Estamos modelo de la probabilidad de que cada medición de acimut con un modelo de Gauss
cojinete-error ( 45), dónde Z Q ¼ f metro Q re sol Þ; s 2 Q re sol THG.
Es decir, la diferencia entre el verdadero alcance de la meta q * y el cojinete estimado ^ q ( es
decir, el error de marcación) es gaussiana distribuida. La estimación de cojinete ^ q ¼ metro Q re
sol Þ y su varianza s 2 Q re sol Þ no son
3 de 10
SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

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

ℓ re y; X; z Q Þ ¼ F re segundo re X; y Þ; metro Q re sol Þ; s 2 Q re sol thth re 5 Þ

Ahora, teniendo en cuenta nuestro modelo φ del patrón de ganancia, nuestro problema se convierte
en el de regresión inversa para encontrar el cojinete de espera e incertidumbre. Los estados suposición
gaussiana cojinete de errores
^ q ¼ q * þ v Q; v Q mi Dakota del Norte 0; s 2 Q re sol thth
Para inferir la varianza V ( Q | sol) para una señal dada sol, observamos que la colección de { SOL} Se
heterocedástico, es decir, la varianza condicional puede cambiar con cada observación. Esto se
muestra en el diagrama de dispersión en la Fig. 2, donde se representa el error de apoyo contra la
calidad de observación (de correlación). Datos de sensores utilizados para construir este ejemplo se
obtuvieron de una etiqueta de radio estacionarios como se describe en nuestro trabajo anterior ( 22). Suponemos
que esta variación no explicada se debe a causas ocultas de ruido de observación, como el
movimiento animal diana durante
re 6 Þ

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.

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 4 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

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:

En general, las mediciones estándar en ambientes saturados pueden ser altamente

imprecisa debido a la interferencia de trayectos múltiples. Anticipamos que el vehículo sea
V re sol j Q ¼ ^ q Þ sol j ^ q
¼ 1 r2 desplegada en ambientes similares y estimar la varianza en estas condiciones. Aunque el error

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

por invitado el 17 de octubre 2018

pag r ¼ pag t mi una re re x; y Þ re 13 Þ

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,

Debido a que los pequeños cambios en cada realización de sol introducirá pequeños cambios en metro
Q, la varianza de la ecuación. 10 es aproximadamente lineal para el ruido bajo norte SOL; Sin embargo, la
aproximación se hace peor a medida norte sol se hace grande. Al utilizar el coeficiente de determinación
(Ec. 8), podemos expresar la varianza de una lectura del sensor dado sol en la ecuación. 10 como
para la antena adirectional, la ganancia relativa a la intensidad media de radiación (la directividad
isotrópico) depende del ángulo inmediato de llegada, F norte. Como resultado, los valores de RSSI sol norte están
en función de la potencia recibida pag r y el ángulo de llegada F norte. La directividad isotrópico es
aproximadamente constante si tomamos el valor máximo de RSSI

sol max = máx norte sol norte. Por lo tanto, se utiliza el valor sol máx para estimar la distancia.

Ahora, vamos a la verdadera distancia al objetivo sea r * = d ( x, y *) y su estimación sea una

funciónde sol, es decir, ^ r ¼ metro R re sol Þ. Fromthe discusión anterior andEq. 13, pag r = p (g max) para
2
∂ metro Q re sol Þ alguna función lineal pag: ℝ → ℝ. Además, r *
s 2 re sol Þ ¼ V re Q j sol ¼ sol Þ ≃ s 2 sol re 1 r 2 re 11 Þ
φ ð ^ q Þ; sol Þ norte Σ norte es una función de registro p (g max), y la suposición de gama-error gaussiana puede expresarse
norte ¼ 1 ∂ sol norte
como

Así, s 2 ( sol) se puede expresar como una función de s 2 sol re 1 r 2

φ ð ^ q Þ; sol Þ. log ^ r ¼ Iniciar sesión r þ v R; v R mi norte 0; s 2 R re 14 Þ
En la práctica, hacemos una regresión sólo en s 2 ( sol), suponiendo que la variable es una
función continua por partes de la variable explicativa re 1
r2 dónde s 2 R ¼ V re Iniciar sesión R Þ. Obtenemos así el rango estimado ^ r como
φ ð ^ q Þ; sol Þ. También podemos determinar el azimut ^ q ¼ metro Q re sol Þ para cada medición sol por el
coeficiente de correlación r φ ð ^ q Þ; sol. Es decir, después de cada observación, el patrón de ganancia
registrada se correlaciona contra el modelo log ^ r ¼ metro R re sol Þ ¼ una 1 re Iniciar sesión pag re sol máx
Iniciar Th? pag t Þ
sesión re 15 Þ

φ ( q) con desplazamientos de fase regulares q, y el retraso que corresponde a la correlación máxima da

entonces el ángulo estimado de llegada; es decir, la ecuación. 7 se convierte metro Q ( g) = arg max q ∈ [ 0,2 pag) La función metro R ( SOL) puede ser instalado en una función polinómica de primer grado de registro sol
r φ ( q), sol. Este proceso de obtención de máx. la varianza s 2 R se estima por la varianza de la muestra

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 5 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

diferencia S Y. Esto conduce a la densidad de transición

q re y k j y k 1 Þ ¼ Pr re Y k ¼ y k j

Yk1¼ yk1 Þ re 18 Þ

El cálculo de la creencia posterior (Ec. 17) se

hace más simple si el proceso ( Y ( t)) t ≥ 0 se supone
que es de Markov y cada observación Z k sólo
depende de
Fig. 3. Ejemplo de nuestro método de fusión de datos bayesiana para obtener estimaciones de destino. Las distribuciones mostradas son rejillas espacialmente discretas más de un Y k, es decir, ℓ re y 1: K; u 1: K Þ ¼ Π kk ¼ 1 ℓ re y k; u k Þ.
750-m 2 área (con líneas de cuadrícula cada 100 m para fines ilustrativos solamente). ( Izquierda a Correcto) Debido a que la función de probabilidad de la ecuación. 16
La función de probabilidad de sólo rodamiento ℓ Q, la única gama función de verosimilitud ℓ R, la función de probabilidad combinada ℓ, se define de esta manera, el filtrado Bayesiano recursiva ( 45)
y la creencia posterior pag(·). En cada columna, la primera observación ( k = 1) se muestra en la rejilla inferior, la última observación ( k = 4) es en la parte superior, y
se puede utilizar para actualizar la creencia. Es decir, la
una mayor masa de probabilidad se representa como regiones más oscuras, elevadas. La ubicación UAV X k se indica mediante un punto verde, la ubicación de
creencia posterior se calcula como

descargado de
destino y k en púrpura, y la estimación de máxima verosimilitud ŷ k
en amarillo.

s^ 2 R ¼ s 2 R. El procedimiento para obtener una observación gama-error gaussiana se ilustra a la

derecha de la Fig. 2, y las funciones de ejemplo gama de probabilidad se puede ver en la Fig. 3.
pag re t k; y k Þ ¼ ∫ re y k 1 q re y k j y k 1 Þ pag re t k 1; y k 1 Þ re 19 Þ

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).

Los primeros enfoques recursiva filtrado bayesiano centrado en las implementaciones de

Pusimos a prueba la hipótesis nula de que estos errores son independientes mediante el cálculo del Gauss debido a las soluciones analíticas convenientes para el cálculo de la creencia posterior
coeficiente de correlación de la muestra. Debido a que los errores se asumen para ser normal, la hipótesis de la ecuación. 17, por ejemplo, filtros de Kalman (KFS) y extensiones como los KFS sin

por invitado el 17 de octubre 2018

se puso a prueba a través de un Student ' s t
de distribución con una confianza del 95% y 150 observaciones. Los resultados mostraron una
correlación de r v Q; v R ¼? 0:08 ± 0: 136, dando una confianza de menos de 66% de que los errores
están correlacionados. Este resultado apoya la afirmación de heterocedasticidad, es decir, que las
observaciones de mala calidad no se correlacionaron significativamente con la distancia.
perfume y extendida. Sin embargo, estos métodos son aproximaciones al filtro Bayesiano no
lineal, no gaussiana (mostrado en las Ecs. 19 y 20). el filtrado basado en rejilla permite la
estimación recursiva resolución completa ( 45, 48) y se puede calcular en tiempo razonable
sobre nuestro espacio de trabajo. Por lo tanto, representamos a nuestro espacio de trabajo S como
una yo × J rejilla en ℝ 2.

El modelo de evolución, la Ec. 19, es funcionalmente equivalente a la convolución gaussiana.

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.

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 6 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN

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

resultado, para un punto de vista fijo s,

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-

dian. En este caso, la observación esperada es función del punto de vista s:

T * 1: K ¼ arg min re 21 Þ
T 1: K ⊆ T mi T 1: K ½ H re Y 1: K Th?
^ z k re s Þ ¼ f re re s; Y ^ k Þ; s^ 2 Q; segundo re s; Ys^ 2k Þ; ^
R sol

donde la creencia posterior p (t k, y k) es una función de la posición del robot y

descargado de
mediciones u 1: k. y la optimización sobre los puntos de vista posibles s de la ecuación. 26 se convierte

Sin embargo, es más conveniente considerar el problema equivalente a la maximización de la

ganancia de información de cada observación. Dejar Y k ser distribuido de acuerdo con la creencia de X k ¼ argmax re 27 Þ
destino después de la etapa de actualización de movimiento, es decir, la Ec. 19. La información s ∈ S yo re Z k ¼ ^ z k re s Þ; Y k ¼ ^ y k Þ

obtenida en la toma de la acción T k = u k se cuantifica por la información mutua yo re Y k; Y k Þ entre la parte

posterior y la creencia previa: Para reducir el tiempo de cálculo, en lugar de muestreo cada ubicación en el espacio de

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
entropyminimization definido en la ecuación. 21 se puede expresar como
" #
La evaluación del desempeño del sistema
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

por invitado el 17 de octubre 2018

GPS de un novato y un experto rastreador realizar telemetría vida silvestre manual. Una vez que el

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.

T k ¼ arg max mi ½ yo re Y k; Y k Th? re 24 Þ

Tk ∈ T Para la comparación equitativa, tanto el robot y los seres humanos comenzaron los ensayos de las
mismas coordenadas iniciales, con la ubicación animal de destino desconocido. Esta ubicación de

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

X k ¼ arg max re 26 Þ azules).

s ∈ S mi ½ yo re Y k; Y k THJ X k ¼ s

Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018 7 de 10

SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN
300
250
200
150
100
50
0
0 [0-0] 1 [46-60] 2 [143-289] 3 [227-397]
Observación # [Hora (s)]
Fig. 4. Evaluar el desempeño del sistema robótico través de la comparación con seguidores humanos. Se realizó dos vuelos en cada uno de los cuatro centros
de ensayo (ocho vuelos en total). El diagrama de caja muestra los errores de estimación (en el
y eje) tanto para el robot (verde y azul) y el humano (blanco y gris) rastreadores como una función del número de observación (en la X eje). Las
cajas azules etiquetados “ Robot (cierta) ” indican escenarios donde el ave se mantuvo estacionaria durante el juicio y la ubicación final era conocido.
Los resultados mostrados en la Fig. 4 y la Tabla S1 indican que el robot fue capaz de
aproximarse a la ubicación de la especie objetivo en menos tiempo que los rastreadores humanos.
Específicamente, por la segunda observación (entre 143 y 289 s), el robot encuentra con éxito el ave
a menos de 55 m en cinco de los ensayos (véase la tabla S1). En cada uno de estos cinco ensayos,
el error de seguimiento humano fue mayor que los robots. Además, las estimaciones de posición
finales muestran un promedio de 51,47 m y se obtienen en menos de cinco observaciones
(aproximadamente 10 min). Tabla S1 indica que el error de observación no disminuye de forma
monótona con el tiempo (por ejemplo, en el ensayo 7). Esto no es sorprendente debido a las
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
condiciones para minimizar el efecto de dicho ruido.
importancia ecológica de los ensayos
Los datos cuantitativos de nuestras pruebas demuestran el potencial de nuestro sistema para
arrojar luz sobre los movimientos de los animales pequeños, de gran movilidad como loros
rápidas. La región Temora fue elegido porque, sobre la base de un pequeño número de
avistamientos, se supuso que numerosos loros veloces habían migrado a la zona en las semanas
previas a la prueba (ver Materiales y Métodos). Los resultados en este documento se obtuvieron a
través de una prueba de 7 días en la región, y las estimaciones posteriores de todos los vuelos
fueron agregados para producir el mapa de calor se muestra en la Fig. 5. La figura muestra que
los rebaños utilizan dos áreas distintas de forrajeo y roosting , incluyendo los sitios donde antes no
habían sido grabadas las especies.
loros Swift son pequeñas aves migratorias, en peligro de extinción que dependen de los
recursos de néctar de invierno muy variables. Como resultado, la pequeña población (menos de
2.000 aves) se extiende en vastas áreas del sureste de Australia cada año en busca de
alimento adecuado. Dado su pequeño cuerpo y por lo tanto etiqueta de la talla, así como su
capacidad de movimientos muy variables y grandes, esta especie no ha sido éxito de desviarse
de radio.
DISCUSIÓN
En el presente trabajo, hemos validado que nuestro robot aéreo personalizado puede ser utilizado para
realizar el seguimiento de la fauna autónoma. Presentamos Rig
Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018
Robot Robot (cierta) Orous derivación matemática de todos los componentes
Miembro Experto
algorítmicos del sistema, incluyendo un enfoque para el
cálculo de la incertidumbre de cada cojinete de sólo
observación donde se supone heteroscedasticidad.
Mediante la creación de un punto alto donde los UAVwas
en marcha, nuestro sistema lleva a cabo de forma
comparable a, ya menudo mejor que, los seres humanos
cualificados en el seguimiento del loro rápida en peligro
crítico ( L. discolor).
el seguimiento de la vida silvestre es conocido por ser un
importante pero difícil problema, y ​los miembros de
4 [300-393] 5 [401-434]
seguimiento de esta especie es particularmente difícil debido
a su pequeño tamaño y movimientos altamente dinámicos. La
capacidad de nuestro sistema para realizar un seguimiento
de estos animales por lo tanto es un ejemplo de la capacidad
de los seguidores de vida silvestre robóticos y la posibilidad
descargado de
de estos sistemas para facilitar la gestión de la conservación.
Aunque hemos realizado este estudio dentro de un paisaje que es relativamente fácil de recorrer
a pie (como se explica en Materiales y Métodos), los mayores beneficios de esta tecnología de
seguimiento de la antena es probable que se realicen en zonas con vegetación densa o paisajes
http://robotics.sciencemag.org/
agrestes y peligrosos. Estas situaciones requieren cantidades de tiempo y esfuerzo se incrementaron
en el suelo para localizar los animales marcados (en relación con terreno plano) pero no hay tiempo o
esfuerzo adicional cuando el seguimiento desde el aire. Seguimiento del aire permite a la línea
directa de visión más frecuentes con las etiquetas y aumenta la probabilidad de detección de la
señal, que es un gran reto cuando la vida silvestre de radio-seguimiento.
Aunque el trabajo anterior mostró que la presencia de vehículos aéreos no podría molestar a
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
por invitado el 17 de octubre 2018
que vuelan cerca. Mientras que las aves a menudo moverse entre árboles adyacentes cuando los
seres humanos se acercaron, ellos a menudo continuar con los comportamientos observados
cuando el robot estaba volando cerca.
Hay muchas vías de investigación para mejorar el hardware del sistema y algoritmos de toma
de decisiones. El rango de detección de la señal de nuestro sistema actual es de aproximadamente
500 m; aumentando de este rango es un buen objetivo para un mayor desarrollo del hardware del
sistema. Algorítmicamente, extensiones multirobot y largo horizonte temporal de planificación con
los gastos de viaje permitirían una búsqueda eficiente y el seguimiento de numerosos animales al
mismo tiempo. El problema de seguimiento de fauna telemetría multirobot se ha abordado en parte
por el diseño de algoritmos óptimos de recopilación de información sin tener en cuenta el costo de
viaje ( 19). Sin embargo, estos algoritmos aún no se han utilizado en los experimentos de
seguimiento real. Un enfoque reciente de la recopilación de información para la percepción activa
descentralizada permite cualquier función de recompensa generales para llevar a cabo la
optimización distribuida ( 50).
Al estudiar los patrones de movimiento a escala fina (por ejemplo, de animales altamente
dinámicos), es deseable mantener la información en tiempo real acerca de las trayectorias
individuales. En robótica, este problema general es conocida como la vigilancia persistente.
enfoques existentes, sin embargo, a menudo buscan mantener información acerca de todo el
entorno, continuo ( 51)
en lugar de la monitorización de un pequeño número de características discretas (por ejemplo,
aves). Enfoques recientes particionan el medio ambiente en localizaciones espaciales discretas y
modelan la probabilidad de observar aves mediante el uso de procesos de Poisson ( 52). Extensiones
a este modelo han sido
8 de 10
SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN
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
julio de 2017. La posterior distribución de todos los ensayos se normalizaron y se agregan para dar una indicación de las
áreas de alimentación y dormideros más probables. Símbolos blancos indican ubicaciones donde los datos de terreno la
verdad (confirmado por observaciones visuales) estaban disponibles; Cada etiqueta tiene un símbolo diferente:
○ , X, +, o *. datos de los mapas: Google, DigitalGlobe, CNES / Airbus.
hizo donde se supone que la presencia de un robot interfiere con los animales ' comportamientorastreador manual.
( 53).
MATERIALES Y MÉTODOS
sistema de robot
El sistema de robot aéreo utilizado en este trabajo se presentó originalmente en ( 22). Resumimos
los principales detalles aquí por conveniencia.
El sistema comprendía un UAV de ocho rotor comercial (Tecnologías Ascendente ' Falcon 8),
red de antenas de encargo, la carga útil del sensor, y la computadora portátil estación de control
terrestre (GCS) que se ejecuta ROS ( 54). Todas las implementaciones de componentes algorítmicos
fueron ejecutados en la GCS. Un enlace de radio entre el GCS y el UAV se permitió para la
telemetría y siguiente waypoint autónoma.
La señal de radio de cada ave de radio-etiquetados se recibió y se filtra por la electrónica
personalizados a bordo del UAV y se transmite a la GCS (que produce la señal muestreada
se describe en el “ datos del sensor observados y esperados ” sección). Después de cada
observación y la posterior etapa de toma de decisiones, el GCS comunicó un nuevo punto de
referencia para el UAV para la navegación autónoma.
El diseño de nuestra red de antenas de costumbre reduce al mínimo su vulnerabilidad a
las fuentes de interferencia generados por el robot. En nuestras pruebas de campo, no se
observó interferencia entre el robot ' s sistemas de vuelo y su receptor.
experimentos
A continuación, presentamos el procedimiento utilizado para elegir la ubicación encuesta y describir su
terreno. A continuación explicamos brevemente los procedimientos de seguimiento manual y robóticos.
Los ensayos se llevaron a cabo del 3 al 7 de julio de 2017 Temora, Nueva SouthWales,
Australia. Antes de estos ensayos, seis aves fueron detectados por una empresa con experiencia
encuestas de voluntarios dirigidos en la región Riverina circundante, donde se sabe que los loros
rápidas para migrar de forma regular. Las encuestas de seguimiento se llevaron a cabo por los
autores a finales de junio, lo que confirma que la ubicación encuesta fue adecuada
Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018
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
VHF Titley Australis y una de tres elemento de antena direccional de mano Yagi (mostrado
anteriormente en la Fig. 1). La ubicación aproximada de un ave fue identificado por la
conducción en un todoterreno - vehículo capaz a diferentes sitios hasta que una señal de radio
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
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
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
fue lanzado desde el mismo punto de partida que la del perseguidor humano. Los datos de
trayectoria UAV y de sensores sin procesar se registraron en tiempo real y posteriormente
reproducidos para generar las cifras reportadas. Cada vuelo se realizó a una altitud constante de
75 m (de tal modo que el dosel se aclaró), y cada observación llevó unos 45 s para completar.
Para la planificación de puntos de vista, el UAV se vio obligado a elegir ubicaciones dentro de 300
por invitado el 17 de octubre 2018
m de la GCS (es decir, la posición de partida) para el piloto para mantener la línea visual de la
vista.
Para la fusión de datos Bayesiano, el espacio de trabajo S? ℝ 2 fue discretizado en un cuadrado,
300-por-300 de rejilla, es decir, I = 300 y J = 300. Cada celda representa un 5 m - por - 5 m de área, y por
lo tanto, el espacio de trabajo extendida 750 m en todas las direcciones cardinales de la GCS.
Asumimos un prior uniforme sobre la ubicación de destino y el modelo de evolución de covarianza S = Y s Y
yo 2,
dónde s = Y 20 m.
MATERIALES COMPLEMENTARIOS
robotics.sciencemag.org/cgi/content/full/3/23/eaat8409/DC1 Tabla S1. datos de los
ensayos de campo. Película S1. demostración de vuelo.
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
investigación movimiento del organismo unificador. Proc. Natl. Acad. Sci. Estados Unidos 105, 19052 - 19059 (2008).
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
(2015).
3. NE Hussey, ST Kessel, K. Aarestrup, SJ Cooke, PD Cowley, AT Fisk, RG Harcourt,
KN Holanda, SJ Iverson, JF Kocik, JE Mills Flemming, FG Whoriskey, acuática telemetría animales: Una ventana
panorámica en el mundo submarino. Ciencia 348, 1255642 (2015).
4. D. Chabot, DM Bird, métodos de investigación y manejo de vida silvestre en el siglo 21: ¿Dónde ajuste aviones no
tripulados en? J. Unmanned Veh. Sys. 3, 137 - 155 (2015).
9 de 10
SC I ENCE ROBOT I CS | ARTÍCULO DE INVESTIGACIÓN
5. LF González, GA Montes, E. Puig, S. Johnson, K. Mengersen, KJ Gaston, vehículos aéreos no tripulados (UAV) y la
inteligencia artificial revoluciona el seguimiento y la conservación de la fauna. sensores dieciséis, E97 (2016).
6. K. Zhao, R. Jurdak, la comprensión del patrón espacio-temporal de pastoreo movimiento ganado. Sci. Reps. 6,
31967 (2016).
7. S. Panigada, GP Donovan, J.-N. Druon, G. Lauriano, N. Pierantonio, E. Pirotta,
M. Zanardelli, N. Zerbini, GN di Sciara, marcado por satélite de ballenas de aleta del Mediterráneo: Hacia la
identificación de hábitats críticos y la focalización de las medidas de mitigación. Sci. Reps. 7, 335 (2017).
8. P. Berthold, M. Kaatz, U. Querner, trackin satélite a largo plazo g de cigüeña blanca
(Ciconia Ciconia) la migración: La constancia frente a la variabilidad. J. Ornithol. 145, 356 - 359 (2004).
9. AE Kessler, N. Batbayar, T. Natsagdorj, D. Batsuur, AT Smith, telemetría por satélite revela la migración de
larga distancia en la avutarda asiática dybowskii Otis tarda.
J. Biol aviar. 44, 311 - 320 (2013).
10. S. Oppel, UN Powell, DL Dickson, el tiempo y la distancia de los movimientos migratorios y del invierno Rey Eider. Cóndor
110, 296 - 305 (2008).
11. IG Priede, un tiburón peregrino ( Cetorhinus maximus) rastreado por satélite junto con la teledetección
simultánea. Pez. Res. 2, 201 - 216 (1984).
12. BA Block, ID Jonsen, SJ Jorgensen, AJ Winship, SA Shaffer, SJ Bograd, EL Hazen,
DG Foley, Raza GA, AL Harrison, JE Ganong, A. Swithenbank, M. Castleton,
H. Dewar, BR Mate, GL Shillinger, KM Schaefer, SR Benson, MJ Weise, RW Henry,
DP Costa, seguir los movimientos de los depredadores marinos de segundo piso en un océano dinámico. Naturaleza 475,
86 - 90 (2011).
13. Puente de ES, K. ​Thorup, MS Bowlin, PB Chilson, RH Diehl, RW Fléron, P. Hartl, R. Kays,
JF Kelly, WD Robinson, M. Wikelski, Tecnología en movimiento: Las innovaciones recientes y futuras para el seguimiento
de las aves migratorias. BioScience 61, 689 - 698 (2011).
14. RD Señor Jr., FC Bellrose, WW Cochran, radiotelemetría de la respiración de un pato volando. Ciencia 137, 39 - 40
(1962).
15. M. Mulero-Pázmány, R. Stolper, LD Van Essen, JJ Negro, T. Sassen, dirigido por control remoto sistemas de la aeronave como una
herramienta rinoceronte anti-caza furtiva en África. MÁS UNO 9, e83873 (2014).
16. P. Tokekar, D. Bhadauria, A. Studenski, V. Isler, un sistema robótico para el seguimiento de la carpa en lagos de Minnesota. J.
Robot campo. 27, 779 - 789 (2010).
17. P. Tokekar, E. Branson, J. Vander Hook, V. Isler, Tracking invasores acuáticos: robots autónomos para el seguimiento de los
peces invasivo. IEEE robot. Autom. revista 20, 33 - 41 (2013).
18. Hook J. Vander, P. Tokekar, V. Isler, la estrategia codicioso prudente por un cojinete de sólo la localización activa:
experimentos de análisis y de campo. J. Robot campo. 31, 296 - 318 (2014).
19. Hook J. Vander, P. Tokekar, V. Isler, los algoritmos para la localización activa cooperativa de objetivos estáticos con sensores de
cojinete móviles bajo restricciones de comunicación. IEEE Trans. Robot.
31, 864 - 876 (2015).
20. H. Bayram, JV Hook, V. Isler, Evento cojinete de datos para la localización de destino. IEEE robot.
Autom. Letón. 1, 369 - 374 (2016).
21. N. Noori, A. Renzaglia, JV Hook, V. Isler, constreñidos búsqueda probabilístico para un andador aleatoria
unidimensional. IEEE Trans. Robot. 32, 261 - 274 (2016).
22. OM acantilado, R. Fitch, S. Sukkarieh, DL Saunders, R. Heinsohn, la localización en línea de la vida silvestre
radiomarcadas con un sistema de robot aéreo autónomo, en Actas de Robótica: Ciencia y Sistemas ( RSS, 2015),
10.15607 / RSS.2015.XI.042.
23. A. Posch, S. Sukkarieh, búsqueda basada UAV para una radio etiquetada animal usando filtros de partículas, en Actas de la
Conferencia de Australasia ARAA de Robótica y Automatización ( ARAA,
2009), pp. 107 - 112.
24. F. Korner, R. mota, AH Goktogan, S. Sukkarieh, Autónoma de animales salvajes en el aire usando la señal de
radio, en Actas de la Conferencia Internacional IEEE / RSJ sobre Robots y Sistemas Inteligentes ( IEEE, 2010),
pp. 107 - 112.
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
técnicas y equipos de información y en la Conferencia de Ingeniería ( ASME, 2013), p. V004T08A056.
26. GAM dos Santos, Z. Barnes, E. Lo, B. Ritoper, L. Nishizaki, X. Tejeda, A. Ke, H. Lin,
C. Schurgers, A. Lin, R. Kastner, sistema Pequeño aéreo no tripulado vehículo para el seguimiento de collar de radio de la
fauna, en Actas de la Conferencia Internacional IEEE sobre móviles ad hoc y de sensores Sistemas ( IEEE, 2014), pp. 761 - 766.
27. A. Jensen, Y. Chen, Tracking peces marcados con enjambre vehículos aéreos no tripulados usando el orden fraccional
campos potenciales y el filtrado de Kalman, en Actas de la Conferencia Internacional IEEE sobre sistemas aéreos no
tripulados ( IEEE, 2013), pp. 1144 - 1149.
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).
29. H. Bayram, N. Stefas, KS Engin, V. Isler, la fauna de seguimiento con múltiples vehículos aéreos no tripulados: experimentos de
diseño del sistema, de seguridad y de campo, en Actas del Simposio Internacional IEEE sobre Multi-Robot y Sistemas Multi-Agente
( IEEE, 2017), pp. 97 - 103.
30. R. Bajcsy, la percepción activa. Proc. IEEE 76, 966 - 1005 (1988).
31. R. Bajcsy, Y. Aloimonos, JK Tsotsos, Revisando percepción activa. Auton. robots 42,
177 - 196 (2017).
Acantilado et al., Sci. Robot. 3, eaat8409 (2018) de 17 de octubre de 2018
32. Y. Liu, G. Nejat, robótica búsqueda y rescate urbano: un estudio desde la perspectiva de control.
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
inalámbrica con un faro robot aéreo, en Actas de la Conferencia Internacional IEEE de Robótica y Automatización ( IEEE,
2008), pp. 596 - 601.
34. R. Kays, S. Tilak, M. Crofoot, T. Fuente, D. Obando, A. Ortega, F. Kuemmeth, J. Mandel,
G. Swenson, T. Lambert, B. Hirsch, M. Wikelski, seguimiento de la ubicación y actividad de los animales con un sistema de radio
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
3-D. IEEE robot. Autom. Letón. 1, 73 - 81 (2016).
36. S. Thrun, W. Burgard, D. Fox, Probabilístico Robótica ( The MIT Press, 2005).
37. A. Krause, C. Guestrin, submodularidad y sus aplicaciones en la recopilación de información optimizado. ACM Trans.
Intell. Syst. Technol. 2, 32 (2011).
38. B. Grocholsky, “ el control de información teórica de múltiples plataformas de sensores, ” tesis, La
Universidad de Sydney (2002).
39. GM Hoffmann, CJ Tomlin, control de red sensor móvil utilizando métodos de información mutua y los filtros de
partículas. IEEE Trans. Autom. Controlar 55, 32 - 47 (2010).
40. En Klesh, PT Kabamba, AR Girard, Ruta planificar la recolección de información en tiempo óptimo de cooperación, en Actas de
la Conferencia Americana de Control (IEEE IEEE, 2008), pp. 1991 - 1996.
41. J. Nguyen, N. Lawrance, R. Fitch, S. Sukkarieh, planificación de movimientos de energía con restricciones para la
descargado de
recopilación de información con el gran aumento autónoma aérea, en Actas de la Conferencia Internacional IEEE de
Robótica y Automatización ( IEEE, 2013), pp. 3825 - 3831.
42. A. Ryan, JK Hedrick, Filtro de partículas basado detección activa de información teórica. Robot.
Auton. Syst. 58, 574 - 584 (2010).
43. P. Skoglar, J. Nygards, M. Ulvklo, trayectoria concurrente y la planificación de sensor para un UAV -
hacia un enfoque basado en la información de la incorporación de modelos de entorno y el sensor, en Actas de la
Conferencia Internacional IEEE / RSJ sobre Robots y Sistemas Inteligentes ( IEEE, 2006), pp. 2436 - 2442.
http://robotics.sciencemag.org/
44. J. Tisdale, Z. Kim, J. Hedrick, Autónoma planificación de la trayectoria UAV y estimación. IEEE robot.
Autom. revista dieciséis, 35 - 42 (2009).
45. LD Piedra, RL Streit, TL Corwin, KL Bell, Bayesiano Target Tracking múltiple ( Artech
House, 2013).
46. ​AH-S. Ang, WH Tang, Conceptos de probabilidad en Planificación y Diseño de Ingeniería ( Juan
Wiley & Sons, 1975), vol. YO.
47. G. Brooker, Introducción a los sensores para Ranging e Imagen ( El SciTech Publishing, 2009).
48. MS Arulampalam, S. Maskell, N. Gordon, T. Clapp, A tutorial sobre filtros de partículas para no lineal en línea / seguimiento
Bayesiano no gaussiana. IEEE Trans. Proceso de señales. 50, 174 - 188 (2002).
49. M. Mulero-Pázmány, S. Jenni-Eiermann, N. Strebel, T. Sattler, JJ Negro, Z. Tablado, los sistemas de aeronaves no tripuladas
como una nueva fuente de perturbación para la fauna: una revisión sistemática. MÁS UNO 12, e0178448 (2017).
por invitado el 17 de octubre 2018
50. G. Best, O. acantilado, T. Patten, RR Mettu, R. Fitch, Dic-MCTS: La planificación descentralizada para multi-robot de
percepción activa. En t. J. Robot. Res. 0, 1 - 22 (2018).
51. S. Garg, N. Ayanian, monitoreo permanente de los fenómenos espacio-temporales estocásticos con un pequeño equipo
de robots, en Actas de Robótica: Ciencia y Sistemas ( RSS, 2014),
10.15607 / RSS.2014.X.038.
52. J. Yu, S. Karaman, D. Rus, monitoreo permanente de eventos con llegadas estocásticos en múltiples estaciones. IEEE
Trans. Robot. 31, 521 - 535 (2015).
53. B. Hefferan, OM acantilado, R. Fitch, patrullaje contradictorio con procesos puntuales reactivos, en Actas
de la Conferencia de Australasia ARAA de Robótica y Automatización ( ARAA, 2016), 39 - 46.
54. M. Quigley, K. Conley, BP Gerkey, J. Faust, T. Foote, J. Leibs, R. Wheeler, AY Ng, ROS: Un sistema operativo robot
de código abierto, en Actas de la Conferencia Internacional IEEE de Robótica y Automatización, Taller sobre
software de código abierto ( IEEE, 2009).
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
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
Australiano de Robótica campo, y el gobierno del estado de Nueva Gales del Sur.
Contribuciones de autor: OMC y RF desarrollaron los algoritmos y análisis. OMC, RF, y
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
trabajo, en parte, como un consultor pagado por los servicios del suelo Riverina locales. Los datos y la disponibilidad de materiales: Todos
los datos necesarios para evaluar las conclusiones del documento están presentes en el papel o el material complementario. La Figura
1B se reproduce a partir de ( 22) con el permiso del autor correspondiente.
Enviado 11 de abril de 2018 Aceptado el 14
de septiembre de 2018 Publicado 17 de
octubre de 2018
10.1126 / scirobotics.aat8409
Citación: OM acantilado, DL Saunders, R. Fitch, ecología robótica: Seguimiento de animales pequeños dinámicas con un vehículo
aéreo autónomo. Sci. Robot. 3, eaat8409 (2018).
10 de 10
ecología robótica: Seguimiento de animales pequeños dinámicas con un vehículo aéreo autónomo
Oliver M. acantilado, Debra L. Saunders y Robert Fitch

Sci. robótica 3 , eaat8409.

DOI: 10.1126 / scirobotics.aat8409

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

por invitado el 17 de octubre 2018

El uso de este artículo está sujeta a la Términos de servicio

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.