去中心化自适应感知的路径信息证书

arXiv:2610.10362v1 公告类型：cross 摘要：我们研究去中心化自适应感知问题：多个智能体在通信图上交换信息，并根据不断演化的局部信念选择测量。我们关注的是，自适应策略实际选取的测量是否收集了足够证据，从而将真实目标与每一个合理的替代目标区分开来。我们基于实际感知轨迹中累积的 R\'enyi--Chernoff 信息，构建了一种路径信息证书。对于任意依赖历史的感知策略，该证书给出了非渐近 MAP 误差界，以及一种全时有效的网络范围停止规则，同时将累积的统计信息与有界的网络混合瞬态过程区分开来。相对于最难区分竞争者的信息若呈线性增长，则 MAP 误差和平方定位误差会指数衰减。针对自适应去中心化信息记录的经典成对 KL 反定理表明：只要任意一对目标之间的信息不足，就不可能获得正的统一误差指数，从而确认最难区分的竞争者是一个根本性瓶颈。在不同策略、图拓扑、传感器配置和随机种子下，最差竞争者得分与定位速度的相关性，比成对平均代理指标更强；这一现象在一维感知中分别为 0.89 和 0.40，在结构化二维感知中分别为 0.77 和 0.48。我们的结果为利用自适应多智能体感知系统实际收集的证据，对其进行验证和诊断提供了一种实用方法。