在未知环境中，异构机器人团队的协同导航面临感知、通信和计算资源的多重限制。针对这一问题，arXiv 上的一项新研究提出了一种框架，其中领航机器人负责向目标位置导航，而移动传感器机器人（例如无人机）则负责观测局部环境，并在有限的通信带宽下将信息回传给领航机器人。该研究的核心挑战在于：传感器机器人如何在带宽约束下，选择最有价值的地图信息进行传输，同时规划自身的移动来最大化对任务成功的贡献。
为了解决上述问题，作者提出了β-稀疏高斯过程（β-Sparse Gaussian Processes），这是一种新型且鲁棒的变分稀疏高斯过程模型，专门用于任务感知的诱导点选择。传统的稀疏高斯过程通常使用与任务无关的诱导点，而β-稀疏高斯过程能够根据当前导航任务的需求，动态选择对任务最有利的诱导点。这使得传感器机器人能够更高效地表示环境，并将计算资源集中在关键区域。
基于该模型，研究者进一步设计了一种动作选择策略，使传感器机器人能够在任务相关性和探索之间取得平衡。该策略不仅考虑当前已知信息对领航机器人的帮助，还主动预测环境中尚未探索的区域，从而引导传感器机器人移动到能够提供最大信息增益的位置。这种联合优化传输地图点和导航动作的方法，使得整个系统能够在线适应环境变化。
为了验证框架的有效性，作者在火星和地球的地图数据上进行了仿真实验。实验结果表明，与完全不进行通信的情况相比，该框架能够将领航机器人的路径成本降低18%；与直接传输原始数据的基线方法相比，传输的信息量减少了76%。这些结果凸显了任务感知的稀疏表示和联合优化策略在资源受限的协同导航中的潜力。
该论文提交于2026年5月25日，共16页、6张图，属于机器人学（cs.RO）领域。论文的摘要和全文可通过arXiv获取，DOI为10.48550/arXiv.2605.26304。这项研究为多机器人系统在通信受限环境下的高效协作提供了新的思路，未来可能应用于行星探索、搜索救援等场景。