321 Arbeiten
Dieser Beitrag entwickelt ein analytisches MAC-PRR-Modell für den NR-Sidelink-Modus 2, das spezifische SPS-Mechanismen wie Kollisionen bei der Ressourcenneuwahl und persistente Kollisionen explizit berücksichtigt, um durch ns-3-Simulationen validierte Erkenntnisse für die Zuverlässigkeitsoptimierung zukünftiger 6G-Kommunikation zu liefern.
Diese Arbeit stellt ein neuartiges Modell gekoppelter Oszillatoren (CON) vor, das durch die Kombination von Lagrange-Struktur, globaler Input-to-State-Stabilität und einer invertierbaren Abbildung zwischen Eingabe und latenter Kraft effiziente, modellbasierte Regelung im latenten Raum für physikalische Systeme ermöglicht, wie am Beispiel eines Soft-Roboters demonstriert wird.
Die Arbeit untersucht die Robustheit diskreter stochastischer optimaler Steuerungen gegenüber Wasserstein-Modellapproximationen, indem sie die Performanceverluste bei der Anwendung optimaler Strategien auf approximative Modelle quantifiziert und dabei insbesondere Anwendungen im empirischen Modelllernen sowie Schranken für die Stichprobenkomplexität behandelt.
Die Studie zeigt, dass Transformer-Modelle im In-Context-Learning-Modus ohne Gradienten-Updates oder explizites Systemwissen versteckte Zustände dynamischer Systeme implizit schätzen können, um Vorhersagen zu treffen, die in linearen und nichtlinearen Szenarien mit klassischen Methoden wie dem Kalman-Filter oder Partikelfiltern konkurrieren.
Diese Arbeit stellt explizite Lösungen für ein Minimax-Linearregler-Problem bei positiven linearen zeitinvarianten Systemen mit mehreren Störungen vor, indem sie dynamische Programmierung für endliche und unendliche Zeithorizonte nutzt und ein Fixpunktverfahren zur Berechnung des unendlichen Horizonts sowie die Untersuchung des minimalen L1-induzierten Gewinns anwendet.
Diese Arbeit stellt ein Deep-Learning-Framework vor, das historische Ausfall- und Wetterdaten nutzt, um die Resilienz von Stromnetzen auf Ereignisebene zu prognostizieren und damit gezielte Investitionen in verteilte Energiequellen zur Stärkung besonders gefährdeter Regionen zu ermöglichen.
Die Arbeit stellt DEBT control vor, ein Protokoll für Routing und Flusskontrolle in Zahlungsnetzwerken, das durch preisbasierte Mechanismen und Gradientenabstieg eine optimale Betriebszustandskonvergenz für stabile Nachfragemuster gewährleistet.
Diese Studie stellt einen koordinierten Routing-Ansatz vor, der mithilfe von Echtzeitdaten und Simulationen in SUMO nachweist, wie der dynamische Umleitung von vernetzten und automatisierten Fahrzeugen (CAVs) in Mischverkehrsphasen die Pünktlichkeit von Bussen in eigenen Fahrspuren verbessert und gleichzeitig die Reiseeffizienz der CAVs steigert.
Diese Studie stellt die Adiabatic Quantum Power Flow (AQPF) und Adiabatic Quantum Optimal Power Flow (AQOPF) Algorithmen vor, die die Leistungsfluss- und Optimalleistungsflussprobleme in diskrete kombinatorische Optimierungsmodelle umwandeln, und bewertet deren Skalierbarkeit und Robustheit auf verschiedenen Quanten- und digitalen Annealer-Hardware-Plattformen anhand von Testsystemen bis zu 1354 Bussen.
Diese Arbeit stellt ein einheitliches Framework auf Basis der Davis-Wielandt-Schale vor, das durch die Einführung des rotierten skalierten relativen Graphen (-SRG) als Mischdarstellung von Verstärkung und Phase die konservativste zweidimensionale Stabilitätsbedingung für MIMO-LTI-Rückkopplungssysteme ableitet und visualisiert.
Die Autoren stellen einen Algorithmus vor, der mithilfe von gemischt-ganzzahligen linearen Programmen parametrische Einschränkungen aus Demonstrationen lokaler Nash-Gleichgewichte in Multi-Agenten-Spielen lernt, um theoretisch fundierte, innere Approximationen sicherer und unsicherer Mengen zu gewinnen und robuste Bewegungspläne zu entwerfen.
Die vorgestellte Arbeit führt ORN-CBF ein, eine Methode, die auf Hypernetzwerken und Hamilton-Jacobi-Reichweitenanalysen basiert, um lernbasierte, beobachtungsabhängige neuronale Sicherheitsfilter zu entwickeln, die in teilbeobachtbaren Umgebungen rigorose Sicherheitsgarantien bieten und die maximalen sicheren Mengen approximieren.
Die vorgestellte Arbeit stellt die Methoden BOUNDS und den Augmented Information Kalman Filter (AI-KF) vor, um durch die Entdeckung aktiver Sensormotive und die dynamische Fusion von neuronalen Netzen mit modellbasierten Schätzungen die Zustandsschätzung nichtlinearer Systeme in sensorarmen Umgebungen zu verbessern.
Diese Arbeit stellt ein zweistufiges HMM-POMDP-Rahmenwerk vor, das die Energiestrategie für die Formel-1-Saison 2026 optimiert, indem es mittels eines Hidden-Markov-Modells den verborgenen Zustand von Gegnern aus Telemetriedaten ableitet und eine Deep-Q-Network-Politik zur Vermeidung von Täuschungsmanövern wie dem „Counter-Harvest Trap" steuert.
Die Arbeit untersucht, wie Quantentechnologien die Grenzen herkömmlicher Edge-Geräte in Stromnetzen überwinden können, indem sie durch Quantencomputer schnellere Optimierungen, durch Quantensensoren präzisere Messungen und durch Quantenkommunikation absolute Sicherheit bieten, während sie gleichzeitig die damit verbundenen Chancen und Herausforderungen für die zukünftige Integration beleuchtet.
Die Arbeit stellt CN-CBF vor, eine Methode, die mehrere neuronale Kontrollbarrierefunktionen mittels des Hamilton-Jacobi-Reichbarkeitsrahmens zu einer zusammengesetzten Funktion kombiniert, um Robotern eine sichere Navigation in dynamischen Umgebungen mit deutlich höheren Erfolgsquoten als bestehenden Basismethoden zu ermöglichen.
Diese Arbeit stellt einen adaptiven nichtlinearen Beobachter vor, der mithilfe des vollständigen nichtlinearen Dynamikmodells und unter Berücksichtigung einer nicht-konstanten Trägheitsmatrix externe Kräfte und Momente bei der physischen Mensch-UAV-Interaktion präzise schätzt, wodurch auf zusätzliche Kraft-Momenten-Sensoren verzichtet werden kann und die Methode in Simulationen eine bessere Leistung als ein Erweitertes Kalman-Filter zeigt.
Diese Studie zeigt, dass die intelligente Kombination von flexiblen Arbeitszeiten und Photovoltaik-Erzeugung die Aufnahmefähigkeit von Verteilnetztransformatoren für Elektrofahrzeuge signifikant steigern und so Netzüberlastungen durch unkoordiniertes Laden verhindern kann.
Die Arbeit stellt Space-Control vor, einen Hardware-Software-Co-Design-Ansatz, der durch Authentifizierung des Ausführungskontexts und cache-basierte Zugriffskontrolle eine prozessspezifische Isolation für gemeinsam genutzten CXL-basierten disaggregierten Speicher ermöglicht und dabei nur einen minimalen Performance-Overhead von 3,3 % verursacht.
Diese Arbeit bietet eine kritische Überprüfung der praktischen Anwendung von Control Barrier Functions (CBFs) in der Robotik, indem sie die Lücke zwischen theoretischen Sicherheitsannahmen und der konstruktiven Realisierung bei eingeschränkten Stellgrößen aufzeigt und praktische Leitlinien für die Entwicklung robuster Sicherheitsgarantien jenseits passiv sicherer Systeme liefert.