Distill-Belief: Closed-Loop Inverse Source Localization and Characterization in Physical Fields

Das Distill-Belief-Framework löst die Herausforderung der inversen Quellenlokalisierung und -charakterisierung (ISLC) für mobile Agenten, indem es Korrektheit und Effizienz ausbalanciert. Es schlägt ein Lehrer-Schüler-Modell vor, bei dem ein Bayes-korrekter Partikelfilter-Lehrer einen kompakten Schüler für schnelle, unsicherheitsbewusste Entscheidungen in Echtzeit anleitet.