arXiv cs.MA· Ariel Barel·· 10 小时前AI 评分24
仅测距群体分散中的连通性保持与图拉伸
Connectivity Preservation and Graph Stretching in Range-Only Swarm Dispersion
AI 导读
研究在仅测距感知下匿名、同质且无记忆智能体的连通性保持有限跳分散问题，推导出仅凭距离测量即可证明安全的最大各向同性位移。规则只需最远可见邻居的距离：每个智能体随机选向并移动剩余可见裕度的一半，同步有限运动下可保持所有可见边与连通性。两智能体情形证明平方距离正条件漂移、几乎必然收敛到可见边界；百万次蒙特卡洛实验与精确首轮矩一致，估计约 9.5 轮可从重合初始位置达到 0.97V 距离。
正文 · AI 翻译
摘要：我们研究在理想化的仅测距感知模型下，匿名、同质且无感知能力的智能体如何实现保持连通性的有限跳变分散。每个智能体仅测量到其可见邻居的距离，不依赖方位、标识符、通信、记忆或共享坐标系。我们推导出仅凭这些测量即可证明安全的最大各向同性位移。由此得到的规则仅需到最远可见邻居的距离：每个智能体随机选择一个方向，并移动其剩余可见性裕度的一半。该规则在同步有限运动下保持每条现有可见性边，从而保持连通性。对于两个智能体，我们证明了平方距离上的正条件漂移、几乎必然收敛到可见性边界，以及到达该边界任意固定邻域的有限期望时间。一百万次运行的蒙特卡洛实验与精确的首轮矩一致，并估计从重合初始位置到达距离 0.97V 约需 9.5 轮；独立的贝尔曼方程计算给出相同估计。对于一般群体，在五个初始拓扑类别上进行的 1,000 次运行在实现层面重现了确定性安全保证，并揭示了在测试协议下可达直径呈现一致的、依赖于拓扑的排序。这些结果为最小感知下的保持连通性多机器人分散提供了理论基础，同时分离出仅凭匿名距离测量可实现的保证。
| 主题： | 多智能体系统（cs.MA） |
| 引用为： | arXiv:2609.28190 [cs.MA] |
| （或 arXiv:2609.28190v2 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.28190 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ariel Barel 博士 [查看电子邮件]
[v1]
2026年9月23日星期三 14:29:41 UTC（361 KB）
[v2]
2026年11月4日星期三 11:43:10 UTC（2,459 KB）
来源：arXiv cs.MA · arxiv.org