Bayesian Methods for Trust in Collaborative Multi-Agent Autonomy

多智能体、协作传感器融合是多国情报工具包的重要组成部分。在安全关键和/或争夺环境中，对手可能会渗透并危害多个智能体。我们分析了在这种受损智能体威胁模型下最先进的多目标跟踪算法。我们证明了轨迹存在概率测试（“轨迹分数”）甚至对少量对手也极为脆弱。为了增加安全意识，我们设计了一个信任估计框架，使用分层贝叶斯更新。我们的框架通过将传感器测量映射到信任伪测量（PSM）并在贝叶斯上下文中结合先前的信任信念来建立对轨迹和智能体的信任信念。在案例研究中，我们的信任估计算法在可观测性限制下准确估计了轨迹/智能体的可信度。

本论文旨在解决在多智能体协作的传感器融合中，当存在受损智能体时，跟踪算法的可靠性问题。

论文提出了一种基于贝叶斯更新的信任估计框架，通过将传感器测量映射到信任伪测量（PSMs）并在贝叶斯上下文中结合先前的信任信念来构建对跟踪和智能体的信任信念。该框架可以准确估计受损智能体的可信度。

论文证明了跟踪存在概率测试（“跟踪分数”）即使存在少量受损智能体也会显著受到威胁。同时，该框架在实验中准确估计了跟踪/智能体的可信度，具有很高的可行性。

在相关研究中，还有一些关于多智能体协作的传感器融合的研究，如《A Survey of Multi-Agent Systems for Distributed Sensor Fusion》和《A Multi-Agent System for Distributed Sensor Fusion》。