DARRMS（Dynamic Attention Radius for Resource-Constrained Multi-Agent Systems）是一篇于2026年6月10日提交至arXiv的论文，编号为arXiv:2606.12614v1，归类于机器人学（cs.RO）。作者为Benjamin Alcorn及另外一位合作者。论文提出一种面向资源受限多智能体系统的高效算法，核心思想是让智能体将自身的可观测范围限制在一个“注意力半径”之内，从而主动忽略那些对行动规划可能并不必要的环境部分。
论文首先指出，多智能体系统已广泛应用于机器人、网络安全和自动驾驶规划等多个领域，但这类系统往往受到计算资源的限制，因此需要高效、轻量的算法。传统的决策框架通常假设理想条件，例如完全可观测性和无限计算能力，这与现实中的挑战并不相符。DARRMS正是在这一背景下提出的，目标是降低计算资源需求，同时不显著牺牲其他性能指标。
在方法层面，该算法同时优化注意力半径与决策过程。智能体并非被动地处理全部环境信息，而是根据任务需要动态调整自己关注的范围，从而减少不必要的感知与计算开销。作者认为，这种自适应观测方式有助于提升不确定环境下系统的协调性与可扩展性，因为智能体可以把有限的计算预算集中在与当前决策最相关的信息上。
论文通过理论分析和实证验证两方面来证明方法的有效性。理论分析用于说明自适应观测在资源受限系统中的性质，而实证验证则展示其在改善系统性能、维持稳健决策策略方面的作用。作者强调，限制可观测性是一种有意的设计选择，而非能力缺陷，它使系统能够在资源约束下保持较好的整体表现。
需要指出的是，这篇论文目前为arXiv预印本，提交时间为2026年6月10日19:14:56 UTC，文件大小约191 KB，DOI为https://doi.org/10.48550/arXiv.2606.12614，DOI注册状态为待定。论文页面提供了PDF、实验性HTML以及TeX源码等全文链接，并附有引用与参考文献工具。由于属于新提交的预印本，其结论尚需经过同行评审与更多独立验证，读者在引用时应留意版本信息（当前为v1）。