För att undersöka om den relativt nya forskningsinriktningen aktiv inferens lämpar sig för drönarstyrning utvecklar och testar vi en ruttplaneringsmetod baserad på aktiv inferens för autonom styrning av en intelligent agent. Agenten har till uppgift att upprätthålla en dynamisk lägesbild över ett givet område, vilket i det aktuella scenariot innebär att agenten kontinuerligt behöver rekognoscera området för att upptäcka och hålla reda på både fasta och rörliga målobjekt. Uppgiften kräver att agenten balanserar sök- och spårningsbeteenden samtidigt som den uppdaterar den dynamiska lägesbilden, representerad av en evidenskarta, med ny information. Agenten navigerar i en simulering genom att ta upprepade steg mot den punkt på evidenskartan som minimerar den så kallade variationella fria energin (VFE). I beräkningen av variationell fri energi ingår flera komponenter. Den generativa modellen för aktiv inferens använder DempsterShafer-teori och en gaussisk sensormodell för att ge agenten indata. Den generativa processen använder en bayesiansk metod för att uppdatera en a posteriorisannolikhetsfördelning. I det aktuella scenariot beräknas den variationella fria energin för det område som för tillfället befinner sig inom sensorns detektionsradie, som avvikelsen mellan en pignistisk sannolikhetsfördelning per gridcell, baserad på evidenskartan, och en a posteriori-sannolikhetsfördelning för målobjektet, samt graden av överraskning vid mottagande av nya observationer. Den VFE-baserade metoden hanterar utmaningen att balansera sökning och målföljning och gör det möjligt för agenten att söka igenom stora områden samtidigt som den följer de identifierade målobjekten. Resultaten från 1000 simuleringar visar att den VFE-baserade styralgoritmen överträffar alternativa metoder för långvarig målobservation med i genomsnitt 51-69 % enligt olika mått. Detta sker dock till priset av en sämre förmåga att upptäcka alla målobjekt i området.