跳到正文
热点事件持续更新

DGF-Asym 自适应同伴加权集体估计方法发布

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026 年 11 月 18 日,arXiv 发布 DGF-Asym 去中心化方法,旨在解决不可靠感知下的机器人集体导航问题。该方法通过基于回顾性预测性能的不对称同伴加权扩展了 DeGroot-Friedkin 模型,无需先验传感器噪声统计或显式故障模型即可达成共识。 实验显示,在嘈杂观测和时变传感器故障场景下,DGF-Asym 比三个基线更稳定且可靠维持决策标准。不过,其决策时间更长,整体性能受故障比例、群体规模和影响力阈值选择影响。

AI 根据报道生成 · 11 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月18日
  1. arXiv · 机器人与计算机视觉
    DGF-Asym:面向嘈杂与故障感知的自适应同伴加权集体估计

    针对不可靠感知下的集体估计问题,本文提出了 DGF-Asym 去中心化方法,通过基于回顾性预测性能的不对称同伴加权扩展了 DeGroot-Friedkin 模型。该方法无需先验传感器噪声统计或显式故障模型即可达成共识,并在异步通信下支持模拟群体导航任务。实验显示其在嘈杂观测和时变传感器故障场景下比三个基线更稳定且可靠维持决策标准,但决策时间更长,整体性能受故障比例、群体规模和影响力阈值选择影响。

本事件热度走势

可比范围当前
7
可比范围峰值
911月18日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。