Resumen Los enjambres de drones ofrecen una mayor apertura de percepción. Cuando estos enjambres imitan comportamientos naturales, el muestreo se mejora al adaptar la apertura a las condiciones locales. Demostramos que esto permite la detección y el rastreo de objetivos fuertemente ocultos. La clasificación de objetos en imágenes aéreas convencionales se generaliza mal debido a la aleatoriedad de la oclusión y es ineficiente incluso con oclusión mínima. En contraste, la detección de anomalías aplicada a imágenes integrales de apertura sintética sigue siendo robusta en vegetación densa e independiente de clases preentrenadas. Nuestro enjambre autónomo y centralizado busca ocurrencias desconocidas o inesperadas, rastreándolas mientras adapta continuamente su patrón de muestreo para optimizar las condiciones de visualización locales. Logramos precisiones posicionales promedio de 0.39 m con precisiones promedio de 93.2% y recuperaciones promedio de 95.9%. Aquí, la optimización adaptada de enjambre de partículas considera las confianzas de detección y la apariencia predicha del objetivo. Presentamos una nueva métrica de confianza que identifica los objetivos más anormales y mostramos que el ruido del sensor puede incluirse efectivamente en el proceso de apertura sintética, eliminando la necesidad de costosas optimizaciones de espacios de parámetros de alta dimensión. Finalmente, proporcionamos un marco de hardware y software que permite la transmisión de baja latencia y el procesamiento rápido de datos de video y telemetría. Aunque nuestros experimentos de campo involucraron seis drones, los avances tecnológicos en curso pronto permitirán enjambres más grandes y rápidos para aplicaciones militares y civiles.
Un Thu, estudio estudió esta cuestión.