跳到正文
arXiv cs.AI· Mohammad Nomaan Husain, Tanja Katharina Kaiser·· 4 小时前AI 评分20

DGF-Asym:噪声与故障传感下集体估计的自适应同伴加权方法

DGF-Asym: Adaptive Peer Weighting for Collective Estimation under Noisy and Faulty Sensing

AI 导读

DGF-Asym 是一种去中心化集体估计方法,在 DeGroot-Friedkin 模型上引入基于回溯预测表现的非对称同伴加权,无需先验传感器噪声统计或显式故障模型,并保持机器人间异步通信。在噪声观测与时变传感器故障的模拟集体导航中,它相比三个基线给出更稳定的估计、更可靠地维持决策准则,代价是决策时间更长。整体表现受故障比例、群体规模与影响阈值选择影响。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在不可靠感知下的集体估计要求机器人自适应地平衡个人观测与来自同伴的社会信息。我们提出 DGF-Asym,一种去中心化集体估计方法,它在 DeGroot-Friedkin 模型基础上扩展,基于回溯预测性能引入非对称同伴加权。该方法无需先验传感器噪声统计或显式故障模型即可支持共识形成,同时保持机器人间通信异步。我们在噪声观测和时变传感器故障下的模拟集体导航中评估 DGF-Asym。与三个基线相比,它产生更稳定的估计,并更可靠地维持决策准则,代价是决策时间更长。然而,整体性能取决于故障比例、群体规模以及影响阈值的选择。我们的结果展示了自适应同伴加权在不可靠感知下实现稳定无模型集体估计的潜力。
主题: 机器人学(cs.RO);人工智能(cs.AI)
引用为: arXiv:2611.22532 [cs.RO]
  (或 arXiv:2611.22532v1 [cs.RO] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22532

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Tanja Katharina Kaiser [查看电子邮件]
[v1] 2026年11月17日星期二 10:23:24 UTC(3,411 KB)

来源:arXiv cs.AI · arxiv.org