SOFTWARE de S1N-ECO · benchmark del código abierto y de SAROPS · qué se reusa y qué agrega S1N · 2026-10-29

Pedidos de J.L.L.O.:

«conclusión: qué debemos hacer y qué es el software que quieres que ocupemos; debes hacerle ingeniería inversa para ver qué tiene y qué le podemos agregar»;
«y qué hace el mapa de probabilidades de SAROPS, nos serviría; hazle ingeniería inversa a esto también».

Cómo se revisó:

Cuatro revisiones de código (repositorios clonados en el scratchpad, sólo leídos, sin ejecutar nada).
Un benchmark de SAROPS con el paper de Metron (Kratzke, Stone y Frost, FUSION 2010).
Todas las búsquedas con S1N quedaron anotadas con aprender.

1. La pila elegida y qué tiene cada pieza

Pieza	Programa	Licencia	Qué tiene por dentro	Qué le falta para rescate
Vuelo	PX4	BSD-3 (producto cerrado OK)	Geocerca (`GF_ACTION`), retorno y protección si se corta el control externo (`COM_OF_LOSS_T` 1 s); acepta un computador acompañante por TELEM2 o ROS 2	No tiene modo de búsqueda
Mando desde la Raspberry	MAVSDK	BSD-3	Misiones, `offboard.set_position_global`, importa `.plan` y manda mensajes propios desde XML (su ejemplo `GAS_SENSOR` id 44000 ya mide CO₂ y CH₄)	La lógica de «ir a la celda más probable»
Estación de tierra	QGroundControl	Apache 2.0 (con Qt comercial de pago) o GPLv3	Ganchos `customMapItems()` para pintar un mapa de calor, `mavlinkMessage()` para recibir celdas, ítems de misión propios, mapas sin internet	No trae patrones SAR ni capa de probabilidad
Oído	ODAS	MIT	SRP-PHAT jerárquico y seguimiento Kalman/partículas en C; hecho para Raspberry; configuración del ReSpeaker incluida	No detecta golpes, no quita el ruido propio de las hélices (ego-noise; HARK lo trae aparte), da puntajes y no probabilidades, no habla con un mapa. Sus filtros espaciales sólo limitan dónde busca fuentes
Oído (laboratorio)	pyroomacoustics	MIT	MUSIC, NormMUSIC, MVDR, separación ciega, simulador de salas	Lo mismo
Sacar canales crudos	ReSpeaker `tuning.py` + firmware de 6 canales	Apache-2.0	Canales 1–4 crudos; apagar AGC y supresión de ruido	—
Escenarios sintéticos de persona perdida	SAREnv (dataset y banco de pruebas; no es un paquete de tablas de Koester, que se obtienen aparte del libro)	MIT	Log-normal ajustada a percentiles; tiene un error: no divide por 2πr (`generation.py:779`)	No tiene POD real ni lecturas positivas
Plan de vuelo IAMSAR	SearchWing	GPL-3.0	Cámara → ancho de barrido → `.plan`	Sin probabilidad (son ~60 líneas que se reescriben)
Trabajo sin internet	Pátrač	GPL-2.0+	Cola SQLite y GPX por sector; error en `sectors.py:1301` (`layer_probability` nunca se asigna)	Sólo percentiles de anillo
Reparto óptimo	SORAL	MIT	Charnes–Cooper y Washburn (JOTA) en C++/Python	Es de 2017, sin mantenimiento

Licencias: PX4, MAVSDK, ODAS, pyroomacoustics, SAREnv y SORAL son MIT o BSD: se pueden usar en un producto cerrado. De los GPL (Pátrač, SearchWing, DREGON, OpenDrift) se copia el método, no el código. QGroundControl se deja sin tocar y el mapa de calor va en una pantalla propia (web local), o se paga Qt comercial.

2. Qué hace SAROPS por dentro (y qué copiamos)

Escenarios con peso. Cada escenario es un relato («último punto conocido», «estaba en esta zona») con un peso que pone el usuario. Cada uno lleva 2.500–10.000 partículas. → En S1N, lo que cuenta la gente es un escenario con su peso.
Cada partícula es una trayectoria posible. En el mar se mueven con corriente y viento (Leeway); en escombros no se mueven, pero pierden peso con el tiempo de supervivencia S(t).
Actualización tras buscar sin hallar. p_fail(p) = ∏ (1 − λ(d)), con λ(d) = probabilidad de detección según la distancia. El peso nuevo es w·p_fail. Teoría clásica: ancho de barrido W, cobertura C = W·L/A, POD = 1 − e^(−C), POS = POA·POD.
Reparto del esfuerzo. Rectángulos que crecen y se encogen desde la celda más probable, más búsqueda local con 12 movidas y saltos. Llega a un máximo local, sin recocido ni cota. Usa una muestra fija de 1.500 partículas que, según el propio paper, sesga la POS hacia arriba.

Lo que SAROPS no hace:

detecciones positivas con falsas alarmas;
varias víctimas;
varios sentidos con confianza medida;
escombros.

3. Lo que agrega S1N (el corazón propio)

Mapa de ocupación bayesiano por celda. Cada celda lleva su log-odds ℓ_j; sirve para varias víctimas.

Prior: escenarios de la gente con su peso, más una máscara de vacíos del edificio. En terreno abierto se usan las tablas de Koester (con la corrección de 2πr).
Por cada lectura z del sentido s en la celda j:
- si detecta: P(D | ocupada) = 1 − (1 − PFA_s)(1 − POD_s), y P(D | vacía) = PFA_s;
- si no detecta: los complementos;
- ℓ_j ← ℓ_j + ln[P(z | ocupada) / P(z | vacía)].
POD de cada sentido, medida en la mesa (no sacada de tablas): POD_s = λ_s(d) · e^(−μ_s·espesor) · g_s(SNR).
Dos sentidos que coinciden: con canales independientes, PFA ≈ PFA₁·PFA₂. Hay que medir si son independientes: el CO₂ y el radar responden a la misma persona y a la misma ventilación.
Respuesta ternaria de S1N:
- SÍ si P ≥ 0,70;
- NO si la POD acumulada es alta y P es baja;
- NO SÉ en el resto. SAROPS sólo entrega probabilidades.
Siguiente celda: la que maximiza p·POD/tiempo (Koopman), o la que da más información cuando hay falsas alarmas.
Reparto de varios drones y cuadrillas con el recocido de S1N. Se compara contra el método de SAROPS con el mismo objetivo de POS y sin muestra fija.
Supervivencia en el tiempo: los rescatados vivos salen sobre todo antes de 24 h (89 %), así que la urgencia pesa en el reparto.

4. Arquitectura

Pixhawk (PX4 sin modificar): estabilidad, geocerca, retorno y protecciones.
Raspberry Pi 5:
- sensores (ODAS, nariz, radar, térmica);
- mapa S1N-ECO;
- servicio de vuelo con MAVSDK que va a la celda elegida sólo con el visto bueno del operador.
Enlace a tierra: un mensaje propio S1N_CELL (celda, probabilidad, sentido, confianza), que se manda sólo cuando una celda cambia.
Tierra:
- QGroundControl sin tocar, para volar;
- pantalla propia con el mapa de calor y la cola del operador;
- GPX por sector para las cuadrillas;
- .plan IAMSAR para el dron.
Todo funciona sin internet.

5. Qué programamos nosotros

El mapa de ocupación con POD y PFA por sentido, las respuestas SÍ / NO SÉ / NO y la elección de la siguiente celda.
Los detectores de golpe y voz encima de ODAS, la matriz de ruido de las hélices (blanqueo tipo GEVD, reimplementado desde los papers; HARK tiene licencia propia y su uso comercial se consulta por escrito) y la calibración del puntaje a probabilidad.
El dialecto MAVLink S1N_CELL y el registro de sensores sincronizado con la posición.
La pantalla del mapa y el generador IAMSAR (reescrito, sin código GPL).
El supervisor de seguridad en la Raspberry: altura, geocerca, batería y aprobación del operador.

Primer paso propuesto: ticket de laboratorio para el mapa de ocupación v0, sobre la simulación de TK-1285, con protocolo commiteado antes de correr.

Comparación: el mapa actual (sumas de log-razón) contra el bayesiano con POD/PFA, dos canales y ternario.
Medidas: halladas, falsas marcas y tiempo hasta la primera.
Vara: 0,70.

Correcciones del 2026-10-30 (revisión de otra sesión, comprobada): SAREnv no es un paquete de tablas de Koester; los filtros espaciales de ODAS no limpian ruido; la Hadron 640R+ es compatible con Prism ISP/AI, que se licencia aparte; la licencia de HARK es propia. Detalle en PIEZAS_SOFTWARE_RESCATE_2026-10-30.md.