多机器人高斯过程估计与覆盖：一种确定性排序算法与后悔分析

我们研究未知、非均匀感知场上的分布式多机器人覆盖问题。将感知场建模为高斯过程的实现，并使用贝叶斯技术，我们设计了一种策略，旨在平衡学习感知函数与覆盖环境之间的权衡。我们提出一种称为学习与覆盖确定性排序（DSLC）的自适应覆盖算法，该算法调度学习与覆盖时段，使其重点逐渐从探索转向利用，同时从不彻底停止学习。利用一种刻画多机器人团队在时间 horizon $T$ 上整体覆盖性能的覆盖后悔新定义，我们分析 DSLC 以提供期望累积覆盖后悔的上界。最后，我们通过对未知野火分布的覆盖任务模拟来说明该算法的经验性能。