状态不确定目标的多智能体持续监测

我们解决了持续监测问题，其中一组有限的移动智能体必须持续访问一组有限的目标。每个目标都有一个具有线性随机动力学的内部状态。智能体可以观察这些状态，观察质量是智能体与给定目标之间距离的函数。目标是最小化这些目标状态的均方估计误差。我们从无限时间视角处理该问题，并证明在一些自然假设下，每个目标的协方差矩阵收敛到一个极限环。因此，目标变为最小化稳态不确定性。假设轨迹是参数化的，我们提供了计算稳态代价梯度的工具。我们表明，在具有有界控制和非重叠目标的一维（1D）环境中，当最优控制存在时，它可以用有限数量的参数表示。我们还提出了一种使用傅里叶曲线对多维环境中智能体轨迹进行高效参数化的方法。仿真结果表明了所提出技术在 1D、2D 和 3D 场景中的有效性。