RoVaR：通过视觉与射频传感器融合中双层多样性实现的鲁棒多智能体追踪

我们商用设备中的大量传感器为传感器融合追踪提供了丰富基础。然而，当今的解决方案无法在实际日常环境中跨多个智能体提供鲁棒且高精度的追踪——而这一特性对于沉浸式与协作式应用的未来至关重要。这可归因于这些融合方案所利用的多样性范围有限，使它们无法同时满足精度、鲁棒性（多样环境条件）与可扩展性（多智能体）的多维需求。在本工作中，我们朝此目标迈出重要一步，将双层多样性的概念引入多智能体追踪中的传感器融合问题。我们证明，互补追踪模态的融合——被动/相对（如视觉里程计）与主动/绝对追踪（如基础设施辅助的 RF 定位）——提供了带来可扩展性的关键第一层多样性，而第二层多样性在于融合方法：我们将算法（用于鲁棒性）与数据驱动（用于精度）方法的互补优势结合在一起。RoVaR 是此种双层多样性方法的体现，其利用算法与数据驱动技术智能关注跨模态信息，共同分担在真实环境中精确追踪多个智能体的负担。大量评估揭示了 RoVaR 在追踪精度（中位数 15cm）、鲁棒性（在未见环境中）、轻量化（在 Jetson Nano/TX2 等移动平台上实时运行）方面的多维益处，从而赋能日常环境中的实用多智能体沉浸式应用。