PLANIFICADOR ESTRATÉGICO PARAOPERACIONES DE RESCATE MEDIANTE

VEHÍCULOS TERRESTRES NO TRIPULADOS

Manuel Toscano-Moreno, Anthony Mandow, María Alcázar Martínez y Alfonso García-CerezoUniversidad de Málaga, Andalucía Tech, Departamento de Ingeniería de Sistemas y Automática

{m.toscano, amandow, mamartinezs, ajgarcia}@uma.es

Resumen

El despliegue de plataformas robóticas como apoyoa la gestión de situaciones de emergencia cons-tituye un reto que persigue mejorar la eficienciaen misiones de búsqueda y rescate. Este artículopropone un planificador estratégico para el resca-te de víctimas mediante un equipo de robots te-rrestres. Este sistema inteligente permitirá plani-ficar las trayectorias para acceder a las víctimas deacuerdo con su ubicación y prioridad de asistenciamédica (triaje). Para la planificación se proponeuna nueva variante del algoritmo “ fast marchingmethod” (FMM). En este trabajo se ofrecen resul-tados preliminares mediante un ejemplo de aplica-ción en condiciones simuladas.

Palabras clave: Planificador estratégico, ope-raciones de rescate, algoritmo fast marchingmethod, vehículos terrestres no tripulados, triaje.

1. INTRODUCCION

La respuesta en emergencias requiere una inter-vención rápida para la atención a las víctimas asícomo una reducción del riesgo para los miembrosdel equipo de rescate. En este sentido, el desarrollode sistemas robóticos y mecatrónicos con ciertascapacidades inteligentes tiene un enorme potencialen escenarios de crisis [11]. Así, la integración devehículos terrestres no tripulados (UGV, unman-ned ground vehicle) en los equipos de búsqueda yrescate (SAR, search and rescue), puede ayudaral éxito de estas misiones [17].

Estos sistemas robóticos inteligentes se pueden be-neficiar de recientes contribuciones en vehículosaéreos [3, 5] y terrestres rodados [10] o con patas[7], realidad aumentada [19], teleoperación [16],planificación de manipuladores móviles [22], con-trol visual [18], sistemas hápticos [6], robots mo-dulares [2], comunicaciones en equipos multi-robot[21], y redes de sensores [9].

Las misiones SAR se desarrollan básicamente enuna secuencia de operaciones [14]: 1) Exploracióndel entorno, donde la información obtenida facilitala toma de decisión de las restantes operaciones;

2) búsqueda de posibles víctimas, donde se locali-zan y clasifican las víctimas atendiendo a criteriosmédicos; 3) rescate y atención médica a víctimas,donde se accede a las víctimas para estabilizar-las y extraerlas; y 4) evacuación de víctimas. Eneste trabajo, se aborda el tercero de estos pun-tos mediante UGV, con el objetivo de acceder aun conjunto de víctimas para prestar una primeraatención, tal y como se ilustra en el ejemplo de lafigura 1.

El artículo introduce un nuevo planificador estra-tégico para operaciones de rescate y atención mé-dica mediante un equipo de múltiples UGV. Sepropone un sistema inteligente para planificar lastrayectorias que deberán seguir los UGV con ob-jeto de acceder a un conjunto de víctimas pre-viamente localizadas y clasificadas mediante tria-je médico. Este planificador multi-objetivo, ade-más de la prioridad de asistencia médica asignada,considera el tiempo medio de espera por víctimamediante una variante anisotrópica del algoritmo“fast marching method ” (FMM).

El resto del artículo se organiza de la siguiente ma-nera. En la sección 2 se revisan trabajos previos.En la sección 3 se introduce el algoritmo estraté-gico propuesto. A continuación, en la sección 4 se

Dep

arta

men

to d

e In

geni

ería

de

Sist

emas

y A

utom

átic

a

Universidad de Málaga

Search & Rescue Robotics in UMA

4

ü Active suspension control is not only interesting for the automotive industry but also for all-terrain unmanned ground robots.

Universidad de Málaga

Figura 1: Ejemplo de atención a una víctima conel UGV Rambler durante unas maniobras de res-puesta a emergencias.

Actas de las XXXIX Jornadas de Automática, Badajoz, 5-7 de Septiembre de 2018

387

ilustra el método mediante un experimento. Final-mente, la sección 5 se dedica a las conclusiones.

2. TRABAJOS RELACIONADOS

Los trabajos que han propuesto estrategias de pla-nificación para tareas robóticas relacionadas conmisiones de rescate consideran vehículos aéreosno tripulados (UAV, unmanned aerial vehicles),UGV, o combinaciones de ambos.

En [13] se presentó un planificador de vuelo paraun UAV mediante puntos de paso para auxiliara un nadador que emite una señal geolocalizada.Por otra parte, en [8] se propuso la planificaciónde vuelo con múltiples UAVs para suministro debienes (medicamentos, comida o agua) a puntos deentrega preestablecidos. En este sentido, en [1] seabordó el problema de la partición de las áreas detrabajo de múltiples UAV en un entorno modeladomediante rejilla.

En cuanto al uso de UGV, en [15] se presentó uncontrol descentralizado que permite guiar un con-junto de vehículos a partir de mapas 3D proporcio-nados por una formación de UAV. Por otra parte,en [12] se adoptó un enfoque multi-objetivo pararesolver el problema del viajante, de modo que unúnico UGV visite todos los puntos objetivos unasola vez, regresando al punto inicial y con la menordistancia total recorrida. Asimismo, en [4] se abor-da la distribución de distintas tareas de respuestaa emergencias para un sistema UAV/UGV.

La necesidad de atención médica a múltiples víc-timas durante una misión SAR, hace necesarioadoptar estrategias de planificación multi-objetivoque atiendan a la prioridad de asistencia médicaasignada a cada víctima y minimicen el tiempomedio de espera de atención médica. Este tipo deestrategias no se han utilizado en trabajos previosanalizados.

3. PLANIFICADORESTRATÉGICO

El esquema del planificador estratégico para unequipo de múltiples UGV en operaciones de res-cate se ilustra en la figura 2. A partir de las ca-racterísticas del entorno, los UGV disponibles ylas víctimas localizadas, este esquema representael algoritmo que calcula las trayectorias para elacceso y asistencia a las víctimas, para lo que seconsidera una representación del entorno en formade rejilla bidimensional con valores de elevación.Este planificador estratégico se divide en cuatroetapas, que se describen a continuación.

Entradas: entorno, UGVs, víctimas

Calcular mapas de velocidad potencial

Estimar tiempos de desplazamiento

Optimar secuencia para asistencia a víctimas

Determinar trayectorias

Salida: trayectorias

Figura 2: Etapas del planificador estratégico.

3.1. Etapa 1: Cálculo de mapas develocidad potencial

El mapa de velocidad potencial de cada tipo deUGV se construye a partir de las inclinacionesde cada celda del entorno en función de la infor-mación de elevación del entorno. Este mapa esta-blece la velocidad proyectada en el plano XY encada celda para las posibles orientaciones que elUGV puede adoptar en sus desplazamientos. Deeste modo, para cada celda del entorno, se calcu-la un vector de ocho elementos correspondientes acada una de las orientaciones posibles, atendiendoal criterio de 8-conectividad (ángulos múltiplos deπ/4 radianes).

3.2. Etapa 2: Estimación de tiempos dedesplazamiento

La estimación de tiempos de desplazamiento ha-cia y entre víctimas se calcula en función de losmapas de velocidad potencial. Para ello, se propo-ne un nuevo método para entornos anisotrópicosbasado en el algoritmo FMM, por el que se pro-paga un frente de onda desde la posición de cadavíctima atendiendo a las velocidades potenciales yorientaciones posibles en los desplazamientos.

El algoritmo original FMM [20] considera un en-torno isotrópico, en el que la velocidad de propaga-ción del frente de onda no depende de la direcciónadoptada. Sin embargo, esta suposición no es apli-cable en espacios anisotrópicos, como por ejemploaquellos en los que el terreno presenta irregula-ridades (diferentes inclinaciones atendiendo a lasposibles orientaciones del movimiento).

Con el método propuesto se obtiene un mapa detiempos para cada víctima y tipo de UGV, que

388

representa los tiempos de llegada de este tipo deUGV (considerando velocidad de referencia uni-taria, 1 m/s) a la víctima desde cada celda delentorno.

A partir de los mapas de tiempo obtenidos se cons-truye una matriz para cada UGV que contiene lostiempos que cada uno invertiría en llegar a cadavíctima y entre ellas.

3.3. Etapa 3: Optimización de secuenciaspara asistencia a víctimas

A partir de las matrices de tiempo estimados en laetapa anterior, se establece la secuencia de vícti-mas que cada UGV deberá asistir. Dicha secuenciade víctimas minimiza el tiempo medio de esperapor víctima y atiende a las prioridades de asis-tencia médica asignadas. De este modo, ningunaasistencia a víctimas incrementará el tiempo me-dio de espera de víctimas de prioridad superior.

3.4. Etapa 4: Determinación detrayectorias

La secuencia de víctimas establecida anteriormen-te determina una ruta de puntos de paso para cadaUGV. La trayectoria del UGV entre dos puntos depaso consecutivos se calcula mediante un descensode gradiente discreto utilizando el mapa de tiem-pos previamente obtenido (sección 3.2) así como elmapa de velocidad potencial asociado a cada tipode UGV.

4. EJEMPLO DE APLICACIÓN

Esta sección ilustra la aplicación del planificadorestratégico. En particular, se ofrecen resultadospara un entorno simulado con tres UGV y sietevíctimas.

La figura 3 muestra la representación gráfica delentorno mediante su mapa de elevación. Las di-mensiones del mapa son 17 × 17 m, con una re-solución de rejilla de 1 m2. La elevación de cadacelda se representa mediante una escala de color(marrón) donde el blanco corresponde a la cotamás baja y el negro a valores superiores a 1 m.Los UGV se muestran mediante octógonos de co-lor cian numerados del uno al tres. Las caracte-rísticas de los UGV que resultan de interés parael planificador se resumen en la tabla 1. Asimis-mo, la figura incluye la localización conocida desiete víctimas, indicadas por cuadrados cuyo co-lor corresponde a la prioridad de asistencia médi-ca asignada a cada víctima (triaje). Las distintasprioridades y su correspondiente código de colorse definen en la tabla 2.

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

ENVIRONMENT - Elevation map

1

2

3

1

2

3

4

5

6

7

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Ele

vatio

n (m

eter

s)

Figura 3: Entorno simulado con tres UGVy siete víctimas.

Tabla 1: Características de los UGV.

ID UGV1 2 3

Posición inicial (x, y) (m) (2, 3) (1, 2) (1, 4)Dimensiones (m) 0.4×0.5 0.4×0.5 0.4×0.5Radio de seguridad 0.55 m 0.33 m 0.33 mVelocidad desplazamiento 0.5 m/s 0.1 m/s 0.1 m/sInclinación navegable máxima 20 o 10 o 10 o

Inclinación de vuelco lateral 20 o 10 o 10 o

Tabla 2: Prioridades de asistencia médica.

Nivel Descripción Color

I Resucitación RojoII Emergencia NaranjaIII Urgencia AmarilloIV Urgencia menor VerdeV Sin urgencia AzulO Fallecido Negro

4.1. Etapa 1: Cálculo de mapas develocidad

En esta etapa se agrupan los UGV que compar-ten características en relación al radio de seguri-dad e inclinaciones navegable y antivuelco lateralmáxima, constituyendo tipos de UGV a los quese asocia, como velocidad de desplazamiento, unavelocidad de referencia unitaria (1 m/s). En esteentorno simulado, los UGV 2 y 3 comparten di-chas características y, por tanto, constituyen unmismo tipo de UGV. Así, para dicho entorno, sedefinen dos tipos de UGV diferentes.

En las figuras 4 y 5 se muestran los mapas develocidad potencial correspondientes a cada unode los tipos de UGV. Las velocidades potencialesdeterminan la velocidad proyectada en el planoXY en cada celda del entorno para las posibles

389

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

0.955

0.96

0.965

0.97

0.975

0.98

0.985

0.99

0.995

1

Vel

ocity

(m

eter

s pe

r se

cond

) w

ith V

ref =

1 m

/sFigura 4: Mapa de velocidad potencial del

tipo de UGV asociado a UGV1.

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

0.988

0.99

0.992

0.994

0.996

0.998

1

Vel

ocity

(m

eter

s pe

r se

cond

) w

ith V

ref =

1 m

/s

Figura 5: Mapa de velocidad potencial deltipo de UGV asociado a UGV2 y UGV3.

orientaciones que el UGV puede adoptar en susdesplazamientos. Para ello, se han identificado lasorientaciones de desplazamiento no accesibles co-mo aquellas que superan las inclinaciones nave-gable y antivuelco lateral máximas, asignándolesuna velocidad potencial nula. Las velocidades po-tenciales calculadas se corresponden con una esca-la de color donde el blanco representa la velocidadmáxima (velocidad de referencia unitaria, 1 m/s)y el negro velocidad nula. Mediante tonalidades deazules se representan velocidades, no nulas, infe-riores a dicha velocidad de referencia unitaria.

Como se puede observar en las figuras 4 y 5, lasáreas del entorno que presentan pendientes tienenasociadas velocidades potenciales inferiores a lavelocidad máxima (con colores azules de diferen-tes intensidades). Los colores negros representan

aquellas orientaciones de desplazamientos cuya ve-locidad potencial es nula y que, por tanto, no estánpermitidos, evitando así exceder los límites de in-clinaciones establecidos como máximos navegabley antivuelco lateral.

Al tener el UGV1 un radio de seguridad superioral doble de la resolución de la rejilla, en la figu-ra 4 se ha considerado este radio para dilatar lasvelocidades potenciales nulas a celdas contiguas,resultando en una mayor área no accesible del en-torno.

4.2. Etapa 2: Estimación de tiempos dedesplazamiento

En esta etapa se estiman los tiempos de desplaza-miento de cada tipo de UGV, hacia y entre víc-timas. En la figura 6 se representan los mapas detiempos de llegada para ambos tipos de UGV, aso-ciados a la víctima número 3. Dichas gráficas re-presentan el tiempo de llegada del UGV a la vícti-ma (considerando velocidad de referencia unitaria,1 m/s) desde cada celda del entorno. Los tiemposde llegada estimados se corresponden con una es-cala de color donde el negro representa tiempo infi-nito y el blanco tiempo nulo. Mediante tonalidadesentre amarillos y rojos se representan valores detiempo, no nulos, inferiores al tiempo máximo dellegada. La posición de la víctima se ha represen-tado como en la figura 3. A través de estos mapas,se puede estimar el tiempo de llegada a la victimadesde cualquier posición del entorno, donde áreasde color negro representan posiciones desde dondela víctima no puede ser atendida con dicho tipode UGV.

A partir de los mapas de tiempos de llegada, comose indicó en la sección (sección 3.2), se construyeuna matriz para cada UGV que contiene los tiem-pos de desplazamientos que invertiría el UGV paraacceder a cada víctima desde la celda asociada a suposición inicial y desde las celdas correspondientesa las posiciones de cada víctima.

4.3. Etapa 3: Optimización de secuenciaspara asistencia a víctimas

En esta etapa se establece la secuencia de víctimasque cada UGV deberá asistir. Se selecciona, de en-tre todas las posibles combinaciones de secuencias,aquella que presenta un menor tiempo medio deespera por víctima, atendiendo a las prioridadesde asistencia médica asignadas. Para el escenariomostrado en la figura 3 se han evaluado un totalde 524.880 secuencias diferentes.

390

3

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

0

2

4

6

8

10

12

14

16

Tim

e (s

econ

ds)

with

Vre

f = 1

m/s

(a) Tipo de agente asociado a UGV1

3

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

0

2

4

6

8

10

12

14

16

18

20

Tim

e (s

econ

ds)

with

Vre

f = 1

m/s

(b) Tipo de agente asociado a UGV2 y UGV3

Figura 6: Mapas de tiempos de llegada a la víctima 3 en el entorno simulado.

2 4 6 8 10 12 14 16

X axis (meters)

2

4

6

8

10

12

14

16

Y a

xis

(met

ers)

ENVIRONMENT - Elevation map

1

2

3

1

2

3

4

5

6

7

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Ele

vatio

n (m

eter

s)

174 s

223 s

28 s

427 s

s

316 s

39 s

Figura 7: Trayectorias planificadas para el entornosimulado.

4.4. Etapa 4: Determinación detrayectorias

Finalmente, en esta etapa se determina la secuen-cia de celdas que conforman las trayectorias parallevar a cabo la operación de rescate por parte delequipo de UGV. Se realiza un descenso de gradien-te discreto sobre los mapas de tiempos de llegadaatendiendo a la secuencia de víctimas previamenteestablecida. En la figura 7 se muestran las trayec-torias planificadas para el escenario de la figura3, donde bajo la representación de cada víctimase muestra el correspondiente tiempo de espera deasistencia médica.

5. CONCLUSIONES

En el presente trabajo se ha presentado un pla-nificador estratégico, que a partir de informaciónaérea previamente obtenida in situ, supone unamayor rapidez en la asistencia a las víctimas, al po-der calcular trayectorias de acceso sobre un mapaactualizado del entorno. Dichas trayectorias atien-den a las inclinaciones presentes en el terreno, a lascaracterísticas de los UGV disponibles y a la prio-ridad de asistencia médica asignada a cada vícti-ma. De este modo, se minimiza el tiempo mediode espera de atención médica por víctima, prio-rizando a aquellas víctimas que así lo requieran.En este sentido se pretende favorecer el incremen-to de la eficiencia en las operaciones de rescate,ayudando a aumentar el índice de supervivencia.

Como trabajo de desarrollo futuro se proponenrealizar mejoras encaminadas a aumentar la segu-ridad de las trayectorias obtenidas, de modo queéstas se alejen convenientemente de aquellas áreasque supongan un mayor riesgo de vuelco o coli-sión para los UGV. Asimismo, debido al elevadocoste computacional, se propone utilizar métodosde optimización basados en lógica temporal lineal(LTL, linear temporal logic). Estos métodos seránutilizados para establecer la secuencia para asis-tencia médica que minimice el tiempo medio deespera por víctima, atendiendo a la clasificaciónde prioridad de asistencia médica asignada.

Agradecimientos

Este trabajo ha sido financiado por el proyectonacional DPI2015-65186-R, la Universidad de Má-laga y por la ayuda BES-2016-077022 del FondoSocial Europeo FSE.

391

English summary

STRATEGIC PLANNER FOR RES-CUE OPERATIONS WITH UN-MANNED GROUND VEHICLES

Abstract

The deployment of robotic platforms insupport of emergency management is achallange that seeks to improve efficiencyin search and rescue missions. This paperproposes a strategic planner for the res-cue of victims with a team of ground ro-bots. The purpose of this intelligent systemis planning the routes to access a numberof victims according to their location andpriority of medical assistance (i.e., triage).In particular, this paper offers work in pro-gress regarding a new anisotropic variantof the fast marching method (FMM). Furt-hermore, preliminary results illustrate theapplication under simulated conditions.

Keywords: Strategic planner, rescue ope-rations, fast marching method, unmannedground vehicles, triage

Referencias[1] Acevedo, J. J., Arrue, B. C., Maza, I. and

Ollero, A.: 2016, A distributed algorithm forarea partitioning in grid-shape and vector-shape configurations with multiple aerial ro-bots, Journal of Intelligent and Robotic Sys-tems: Theory and Applications 84(1-4), 543–557.

[2] Baca, J., Ferre, M., Campos, A., Fernandez,J. and Aracil, R.: 2010, On the analysis ofa multi-task modular robot system for fieldrobotics, pp. 475–480.

[3] Baizid, K., Giglio, G., Pierri, F., Truji-llo, M., Antonelli, G., Caccavale, F., Vigu-ria, A., Chiaverini, S. and Ollero, A.: 2017,Behavioral control of unmanned aerial vehi-cle manipulator systems, Autonomous Robots41(5), 1203–1220.

[4] Bermejo-Alonso, J., Salvador, J. and Sanz,R.: 2018, Towards an ontology for task andplanning in autonomous systems: An emer-gency scenario, Advances in Intelligent Sys-tems and Computing 693, 429–440.

[5] Bernard, M., Kondak, K., Maza, I. and Olle-ro, A.: 2011, Autonomous transportation anddeployment with aerial robots for search andrescue missions, Journal of Field Robotics28(6), 914–931.

[6] Breñosa, J., Cerrada, P., Ferre, M. and Ara-cil, R.: 2011, Design of an ergonomic three-finger haptic device for advanced robotichands control, pp. 257–262.

[7] De León, J., Garzón, M., Garzón-Ramos, D.and Barrientos, A.: 2018, Study of gait pat-terns for an hexapod robot in search andrescue tasks, Advances in Intelligent Systemsand Computing 694, 731–742.

[8] Doherty, P. and Rudol, P.: 2017, A UAVsearch and rescue scenario with human bodydetection and geolocalization, Advanced inArtificial Intelligence, AI. Lecture Notes inComputer Science 4830, 1–13.

[9] Escribano, J. G., García, A. and de la Fuen-te, M.: 2011, Monitorización de la condiciónfísica de personas en espacios confinados me-diante etiquetas RFID con sensores y redesinalámbricas eficientes, Revista Iberoamerica-na de Automática e Informática Industrial8(4), 371 – 384.

[10] Guzman, R., Navarro, R., Ferre, J. and Mo-reno, M.: 2016, Rescuer: Development ofa modular chemical, biological, radiological,and nuclear robot for intervention, sampling,and situation awareness*, Journal of FieldRobotics 33(7), 931–945.

[11] Kostabelils, I. and Gasteratos, A.: 2017, Ro-bots in crisis management: A survey, Inter-national Conference on Information Systemsfor Crisis Response and Management in Me-diterranean Countries pp. 43–56.

[12] Luo, C., Shen, F., Yang, S. X. and Mo, H.:2015, Annealing-based guidance of a rescuerobot for rescue mission with multi-goal na-vigation, IEEE International Conference onInformation and Automation pp. 861–866.

[13] Lygouras, E., Gasteratos, A. and Tarchani-dis, K.: 2017, ROLFER: An innovative proac-tive platform to reserve swimmer’s safety, In-ternational Conference on Information Sys-tems for Crisis Response and Management inMediterranean Countries pp. 57–69.

[14] Murphy, R. R., Tadokoro, S. and Kleiner,A.: 2016, Springer Handbook of Robotics, 2edn, Springer, chapter 60, Disaster Robotics,pp. 1577–1604.

[15] Neto, A. A., Macharet, D. G. and Cam-pos, M. F. M.: 2018, Multi-agent rapidly-

392

exploring pseudo-random tree, Journal of In-telligent & Robotic Systems 89(1-2), 69–85.

[16] Nuño, E., Valle, D., Sarras, I. and Ba-sanez, L.: 2013, Bilateral teleoperation offlexible-joint manipulators with dynamic gra-vity compensation and variable time-delays,pp. 5439–5444.

[17] Papadakis, P.: 2013, Terrain traversabilityanalysis methods for unmanned ground vehi-cles: A survey, Engineering Applications ofArtificial Intelligence 26(4), 1373–1385.

[18] Pomares, J., Perea, I. and Torres, F.: 2014,Dynamic visual servoing with chaos controlfor redundant robots, IEEE/ASME Transac-tions on Mechatronics 19(2), 423–431.

[19] Portilla, H. and Basañez, L.: 2007, Augmen-ted reality tools for enhanced robotics tele-operation systems.

[20] Sethian, J.: 1996, A fast marching level setmethod for monotonically advancing fronts,

Proceedings of the National Academy ofSciences of the United States of America93(4), 1591–1595.

[21] Tardioli, D., Sicignano, D., Riazuelo, L.,Romeo, A., Villarroel, J. L. and Montano, L.:2016, Robot teams for intervention in confi-ned and structured environments, Journal ofField Robotics 33(6), 765–801.

[22] Youakim, D. and Ridao, P.: 2018, Mo-tion planning survey for autonomous mobi-le manipulators underwater manipulator ca-se study, Robotics and Autonomous Systems107, 20–44.

c© 2018 by the authors.Submitted for possibleopen access publication

under the terms and conditions of the Creati-ve Commons Attribution CC-BY-NC 3.0 license(http://creativecommons.org/licenses/by-nc/3.0/).

393