BayesCPF：用于传感器性能下降的机器人群体集体感知

集体感知问题——即机器人群体感知其周围环境并就环境状态达成共识——是群体机器人学中的一个基本问题。以往研究要么使用感知完美的整个机器人群体，要么仅针对少数故障成员的群体。已有研究提出一种算法，假设传感器故障是已知且随时间不变。为此，我们在该研究基础上提出 Bayes Collective Perception Filter (BayesCPF)，使搭载持续 degrading 传感器的机器人能够准确估计填充比——环境特征出现的速率。我们的主要贡献是 BayesCPF 中的扩展卡尔曼滤波器 (EKF)，帮助 swarm 机器人校准其随时间变化的传感器 degradation。我们在不同的 degradation 模型、初始条件和环境中进行了仿真和物理实验的验证。我们的发现表明，无论 degradation 模型假设，BayesCPF 下的填充比估计在传感器准确性已知的情况下都具有竞争力，尤其当关于模型和初始传感器准确性水平的假设得到保护时。