在未知且不确定的环境中为多机器人规划安全路径，需要在信息量、安全性与协调效率之间取得平衡。发表于arXiv的论文《Multi-Agent Next-Best-View Optimization for Risk-Averse Planning》由Amirhossein Mollaei Khass等六位作者完成，计划提交至IROS 2026，聚焦多智能体下一最佳视角（NBV）选择问题。
传统的集中式方法通常依赖共享原始传感器数据，或需要大量的通信开销，随着团队规模扩大，这类方案的扩展性受到明显限制。作者的出发点是把决策分散到各个机器人本地，同时仍让整个团队围绕共同目标协同优化。
为此，论文提出一种分布式且风险感知的多智能体NBV框架。每个机器人维护一份私有的局部3D高斯泼溅（3D Gaussian Splatting, 3DGS）地图，并不上传原始数据。团队共同最大化的目标是期望信息增益（EIG），但只统计沿规划轨迹上被掩码限定的区域，从而把探索收益与即将执行的动作绑定在一起。
求解该分布式目标时采用基于通信图的一致性ADMM（Consensus ADMM, C-ADMM）。在每一轮交互中，机器人只需交换三类轻量信息：候选视角、规划轨迹的描述符，以及标量形式的EIG贡献。这种设计使得通信负担随团队规模增长远低于集中式方案。
安全性方面，作者用平均风险价值（Average Value-at-Risk, AV@R）在局部3DGS地图上刻画每条轨迹的碰撞风险。该风险度量具有双重作用：一方面用于确定信息增益统计时的掩码半径，另一方面用于给规划出的路径打分，从而在规划阶段就体现风险规避的偏好。
实验在Gibson环境中的多个团队规模下进行。结果显示，这一分布式公式在重建地图的质量与轨迹安全性上都能接近集中式基线，同时把通信量降低数个数量级。论文共8页、5幅图，属于机器人学（cs.RO）方向，强调在有限通信条件下兼顾信息采集与安全规划的可扩展协作方式。