Autonomous localization of a radio source is addressed, in the context of autonomous charging for drones in indoor environments. A radio beacon will be the only input used by the robot to navigate to an unknown charging station, at an unknown area. Previous proposed algorithms used frontier-based exploration and the measured RSS to compute the direction to the source. The use of Gaussian processes is studied to model the Radio Signal Strength (RSS) distribution and generate an estimation of the gradient. This gradient was also incorporated into a frontier exploration algorithm and was compared with the proposed algorithm. It was found that the usefulness of the Gaussian process model depended on the distribution of the RSS samples. If the robot had no prior samples of the RSS, then the gradient-assisted solution performed better. Instead, if the robot had some prior knowledge of the RSS distribution, then the Gaussian process model yields a better performance. / Autonom utforskning av en radiokälla behandlas, i samband med autonom laddning för drönare i inomhusmiljöer. En radiofyr kommer att vara den enda information som roboten använder för att navigera till en laddningsstation i ett okänt område. Tidigare föreslagna algoritmer använde gränsbaserad undersökning och den uppmätta RSS:en för att beräkna källans riktning. Användning av Gaussiska processer studeras för att modellera RSS-distributionen och generera en uppskattning av gradienten. Denna gradient införlivades också i en gränsutforskningsalgoritm och jämfördes med den föreslagna algoritmen. Det visade sig att användningen av den gaussiska processmodellen berodde på distributionen av RSS-proverna. Om roboten inte hade några tidigare prover av RSS, presterade den gradientassisterade lösningen bättre. Istället, om roboten hade några prover av RSS (till exempel om den utfört en annan uppgift på någon region i kartan), ger Gaussiska processmodellen bättre prestanda.