CoAdapt：工业物联网机器人集群的自适应协同感知

工业物联网环境越来越多地部署自主移动机器人来执行物料搬运、产品组装或基础设施检查等任务。在此类部署中，协作感知使机器人能够共享 LiDAR 观测结果，并共同构建比单个智能体单独生成的更丰富的环境模型。然而，工业环境是动态空间，机器人位置不断变化，网络带宽波动，机器人对感知质量的边际贡献在运行时变化。现有的协作感知方法是针对静态参与假设而设计的，无法在不牺牲检测精度或通信效率的情况下适应这些动态。本文提出了CoAdapt，一种用于工业物联网机器人群的自适应协作感知框架，其中大语言模型（LLM）充当运行时融合控制器，根据当前的空间配置和网络状态共同决定哪些机器人参与融合过程以及应用哪种融合算法。LLM对源自原始 LiDAR 点云的场景的结构化自然语言描述进行推理，不需要特定于任务的训练并推广到看不见的群体拓扑。在 25 个场景的 OPV2V 基准上进行评估，我们的方法实现了通信成本降低 38%，同时保持与静态基线方法相当的检测精度。