不确定性下的主动非对称多智能体多模态学习
机器学习
2026-02-05 v1 人工智能
摘要
多智能体系统日益配置具有异构多模态传感器，以实现更丰富的感知，但引入了特定于模态的、智能体依赖的不确定性。现有的多智能体协作框架通常在智能体层级进行推理，假设感知均匀，并隐式处理不确定性，限制了在传感器损坏情况下的鲁棒性。我们提出主动非对称多智能体多模态学习框架（A2MAML），实现不确定性感知的模态级协作。A2MAML 将每个模态特特征建模为具有不确定性预测的随机估计，主动选择可靠的智能体-模态对，并通过贝叶斯反方差加权聚合信息。该表述实现了细粒度的模态级融合，支持非对称模态可用性，提供压制损坏或噪声模态的原则机制。针对连接式自动驾驶场景中的协作事故检测进行大量实验，表明 A2MAML 在单智能体和协作基线上均表现优异，事故检测率提升最高可达 18.7%。
引用
@article{arxiv.2602.04763,
title = {Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty},
author = {Rui Liu and Pratap Tokekar and Ming Lin},
journal= {arXiv preprint arXiv:2602.04763},
year = {2026}
}