Un mapa que no teme confesar: «No sé» exprés
Un grupo de robots exploradores es como un equipo de cocineros probando un mismo plato. Cada uno toma una muestra de su zona y comparte su impresión: libre, ocupado o dudoso. Pero los gustos son subjetivos: uno no notó la pata de una silla, otro apenas lamió el borde. En lugar de promediar la discrepancia, los robots acuerdan: donde hay poca certeza, escribir honestamente «no sé». Para ello, intercambian un valor-e, una medida de su propia entropía (cuán dudoso es su informe). Fusionando todos los «números de duda», obtienen una imagen general donde la fiabilidad está garantizada matemáticamente, por ejemplo, al 95%. Cuantos más «cocineros» y cuanto más a menudo contrasten, menos zonas oscuras quedarán en la receta. El método no depende de quién habla con quién ni de lo malos que sean los sensores: al robot se le permite equivocarse, siempre que lo admita con sinceridad.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2607.14906
Accurate and reliable environmental mapping is a fundamental requirement for multi-robot autonomy. While continuous mapping techniques like Gaussian Process Occupancy Mapping (GPOM) provide rich spatial correlation and uncertainty estimates, they lack formal, finite-sample guarantees on their predictive reliability. Conformal prediction can equip each robot's local map with a distribution-free coverage guarantee, but this local guarantee degrades in practice: temporal correlation along a robot's trajectory breaks the exchangeability on which conformal calibration relies, and each robot observes only a spatially limited, non-uniform portion of the environment. Taking these degraded per-agent guarantees as given, we develop a distributed fusion algorithm that recovers the desired coverage across the team. Robots exchange only lightweight scalar e-values with their neighbors, and a receiver fuses them using a per-neighborhood miscoverage budget and an uncertainty-attenuated fusion operator. We prove that the fused set-valued map recovers the target user-specified coverage level regardless of the communication graph topology or the underlying sensor noise distribution. However, a drawback is that wherever the fused evidence is insufficient, the map declines to commit and returns both labels (free and occupied), leaving a significant fraction of the domain unclassified rather than thresholded into a single decision. Simulated multi-agent mapping experiments demonstrate that the fused predictor reliably meets its theoretical coverage bounds, and illustrate that denser communication topologies significantly enhance map efficiency by shrinking this unclassified fraction.
El mapa más preciso es aquel que no teme los vacíos: un robot que duda de sus lecturas es más útil que un sabelotodo arrogante.