贪心Kalman Swarm：在恶劣环境中改进机器人群体的状态估计

状态估计是机器人学中的基本要求，准确确定机器人的状态对于在固有的过程扰动和传感器噪声下实现稳定运行至关重要。传统方法通过卡尔曼滤波实现，这通过平衡预测模型与噪声测量来提供统计上最优估计。在机器人群体的上下文中，挑战从单个精度转向集体协调，全局动力学的集成可以显著提高整个群体的精度。现有估计技术依赖集中处理或重型通信协议以达成全局共识，这在实际部署中常常不可行。本文表明，一种局部化的"贪心"分布式状态估计方法（称为"贪心Kalman Swarm"）允许单个机器人利用相对机器人感知来提高精度，而无需获取完整数据或进行全局通信。在通信受限环境下的仿真中显示，机器人能够在每个迭代中有效整合当前可用的所有邻居数据来细化其内部状态，同时在数据缺失时仍保持稳健和功能性。这导致一种在独立估计的低开销与集中系统的高精度之间取得平衡的性能配置，特别是在恶劣或动态环境条件下。我们的结果表明，全局状态意识可以是一种涌现现象而非被强制实现的，为在不可预测地形中维持群体凝聚力提供了可扩展框架。我们预计，这种去中心化方法将为构建更具韧性的自主系统奠定基础，特别是在可靠的高带宽通信无法保证的搜救或太空探索任务中。