协作自主的新兴应用（例如多目标跟踪，未知地图探索和持久监视）要求机器人规划路径来导航环境，同时最大化通过车载传感器收集的信息。在本文中，我们考虑了此类信息获取任务，但在对抗性环境中，攻击可能会暂时使机器人的传感器失效。我们提出了第一个后退地平线算法，旨在针对任何数量的攻击进行健壮和自适应的多机器人规划，我们将其称为弹性主动信息获取（RAIN）。RAIN以在线方式调用“稳健轨迹规划”（RTP）子例程，该程序在超前计划范围内规划攻击稳健的控制输入。我们通过限制RTP的次优程度来量化其性能。我们基于组合优化中引入的曲率概念进行理论分析。我们在三种信息获取方案中评估RAIN：多目标跟踪，占用网格映射和持久监视。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中，RAIN都是实时运行的，即使在存在大量攻击的情况下，它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型（最坏情况和随机攻击）以及不同的重新计划率的鲁棒性和有效性。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中，RAIN都是实时运行的，即使在存在大量攻击的情况下，它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型（最坏情况和随机攻击）以及不同的重新计划率的鲁棒性和有效性。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中，RAIN都是实时运行的，即使在存在大量攻击的情况下，它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型（最坏情况和随机攻击）以及不同的重新计划率的鲁棒性和有效性。



"点击查看英文标题和摘要"