本文介绍的是 arXiv 上的一篇机器人学论文《Mind the Gaps: Multi-Robot Feedback-Driven Ergodic Coverage in Unknown Environments》，作者为 Thales Costa Silva 及另一位合作者，提交时间为 2026 年 5 月 20 日。论文聚焦多机器人自适应覆盖问题：一组机器人通过不断调整自身位置，在环境中进行动态采样并收集数据。作者指出，这类任务的关键难点在于，随着时间推移，如何把机器人高效地分配到新的采样地点。
传统上，遍历性搜索（ergodic search）方法通过对机器人轨迹进行优化，使机器人随时间平均的空间分布与环境信息的空间分布相匹配。这类方法在给定目标分布的前提下能够促进有效探索，但它们往往没有考虑环境先验分布未知的情况。一旦先验信息缺失或不准，机器人就可能把过多时间花在低价值区域，造成覆盖效率下降。
为弥补这一不足，论文提出一种自适应覆盖策略，利用环境模型提供的实时反馈来调整机器人的采样行为，从而应对未知条件。具体来说，作者在传统遍历性轨迹优化的基础上，依据环境的参数化模型构造目标空间信息分布，并在运行过程中在线更新这些模型。这样，机器人便可动态地把注意力优先投向高关注度区域，进而提升覆盖效率、为单个智能体合成有效的控制策略，并在先验分布未知的场景中优化资源使用。
作者同时说明了方法的重要前提：该策略假设环境是静态的，或者其变化速度相对于机器人的运动而言足够缓慢。换言之，若环境快速变化，在线更新的模型可能难以及时反映真实情况，方法的效果也会受到影响。论文通过仿真实验验证了所提方法的有效性，结果显示其在提升覆盖效果与资源分配方面具有优势。
从研究定位看，该工作属于机器人学（cs.RO），并涉及系统与控制（eess.SY）方向，论文编号为 arXiv:2605.21719，提供了 PDF、实验性 HTML 以及 TeX 源码等多种访问形式，DOI 由 DataCite 发放（注册尚待完成）。整体而言，这项研究为多机器人在未知环境中进行自适应采样提供了一种以反馈驱动的遍历性覆盖思路。