CoopUQ：通过不确定性感知协作预测实现稳健的多机器人社会导航

基于摘要分析。本文研究人机共享环境中多机器人的安全、高效导航，提出 CoopUQ，将不确定性感知的协作占用预测与受约束多智能体强化学习结合，以应对遮挡及分布外（OOD）场景下的风险遗漏和预测偏差。 核心机制是通过跨机器人的时空特征融合预测未来占用栅格图，再利用预测结果及其不确定性指导导航策略。其约束成本惩罚机器人穿越预测被占用或高度不确定的区域，使决策能够在分布偏移下调整风险敏感性。摘要未说明不确定性的估计与校准方法、约束优化细节或机器人间的信息通信要求。 作者报告，在多个基于 Unity3D 的仿真环境中，覆盖分布内与 OOD 设置，包括不同布局、行人密度及奔跑行为，相比代表性基线取得更好的预测表现和导航安全性；作者还报告了多种场景下的真实机器人实验，以支持其稳健性。摘要未提供具体指标、效果数值、基线名称或实验规模，实验协议、消融及统计信息尚未验证。作者提供了代码与视频页面，但实现内容和复现条件尚未核验。 研究的主要对象是多机器人感知、协作预测与导航，而非神经信号解码。跨机器人空间占用预测及导航成本依赖的结构，与 EEG/BCI 任务并无摘要中明确建立的对应关系，因此不据此推导 EEG/BCI 性能收益或提出迁移复现实验；已有 EEG 相关工作尚未检索确认。