Orquestador Probabilístico para Sistemas Multi-Agente Indeterminísticos en Entornos en Tiempo Real

Los sistemas de percepción multi-agente deben operar bajo asimetrías fundamentales: algunos agentes proporcionan observaciones rápidas pero poco fiables, mientras que otros entregan evidencia de mayor calidad con retraso y correspondencia incierta. La orquestación determinística tradicional y la fusión basada en reglas tienen dificultades para gestionar estos compromisos, produciendo a menudo comportamientos frágiles o inestables. Introducimos un marco de orquestación probabilística que trata la coordinación como un problema de generación epistémica, construyendo y actualizando estados de creencia bajo incertidumbre, en lugar de como un problema de selección. En lugar de comprometerse con la salida de un solo agente, el orquestador construye un estado de creencia que representa explícitamente la incertidumbre, la procedencia evidencial y la relevancia temporal. Las decisiones se producen a través de fusión ponderada por asociación y consciente de la latencia, y la incertidumbre misma se convierte en una señal de primer orden que rige la acción, la postergación y el aprendizaje. Crucialmente, el orquestador permite la adaptación controlada entre profesor y estudiante: observaciones estacionarias de alta confianza y bien asociadas son incluidas en un bucle de retroalimentación que mejora la percepción del ego con el tiempo mientras mitiga la amplificación de errores. Demostramos el enfoque en una tarea de reconocimiento de obstáculos con doble cámara asistida por infraestructura. Los resultados experimentales muestran una mejora en la robustez ante distancia, oclusión y evidencia retrasada en comparación con las líneas de base de orquestación solo del ego y determinística. Al operacionalizar la orquestación como generación epistémica, este trabajo proporciona un marco unificador para la toma de decisiones robusta y la adaptación segura en sistemas multi-agente, con implicaciones que se extienden más allá de la percepción hacia arquitecturas de IA agente y generativa.