318 Arbeiten
Diese Arbeit stellt einen datengesteuerten Ansatz vor, der auf Control Barrier Functions und differenzierbarer Optimierung basiert, um die Verantwortungszuweisung von Agenten in multi-agenten Interaktionen zu lernen und so ein quantitatives Verständnis dafür zu gewinnen, wie stark Akteure ihr Verhalten anpassen, um die Sicherheit anderer zu gewährleisten.
Diese Arbeit stellt einen unüberwachten Prognostik-Rahmen vor, der mittels eines Expectation-Maximization-Algorithmus und gewichteter funktionaler Regression sowohl latente Ausfallmodi identifiziert als auch informative Sensoren auswählt, um die verbleibende Nutzungsdauter in autonomen Tiefraumhabitaten unter Bedingungen ungelabelter Daten und unbekannter Ausfallmechanismen präzise vorherzusagen.
Dieser Artikel stellt eine Methode vor, die durch die Formulierung als konvexes semidefinites Programm die Verteilungsverschiebungen von Modellparametern unter robusten Steuerungs- und Gain-Scheduling-Ansätzen bei nichtlinearen Systemen eindämmt, indem sie den geschlossenen Regelkreis mit den Lern-Daten konsistent hält und Änderungen im Zustands-Eingangsraum verlangsamt.
Die Autoren stellen einen neuartigen Algorithmus zur Verifikation nichtlinearer neuronaler Feedback-Systeme vor, der durch die Berechnung enger polyedrischer Hüllen und deren Kodierung als gemischt-ganzzahliges lineares Programm eine um eine Größenordnung effizientere und sichere Analyse des Erreichbarkeitsverhaltens ermöglicht.
Diese Arbeit stellt einen neuen Rahmen mit gefilterten Kontrollbarrierefunktionen (FCBFs) vor, der durch die Integration eines Eingangsregularisierungsfilters in ein einheitliches quadratisches Programm gleichzeitig Sicherheit, Eingangsbeschränkungen und Lipschitz-Stetigkeit der Steuersignale in sicherheitskritischen Systemen garantiert.
Dieses Paper stellt ein verteiltes modellprädiktives Regelungskonzept für die dynamische Kooperation heterogener, nichtlinearer Multi-Agenten-Systeme vor, das durch optimierte Interaktionen eine gemeinsame Zielfunktion erfüllt und dabei reziproke Machbarkeit sowie asymptotische Stabilität garantiert.
Das Papier stellt CONQURE vor, eine Open-Source-Cloud-Warteschlangen-Infrastruktur, die eine nahtlose Co-Execution von klassischen und quantenmechanischen Ressourcen ermöglicht, indem sie OpenMP-Quantum-Kernels über eine effiziente API auf Quantenprozessoren auslagert und so die Lücke zwischen Quantenalgorithmen und praktischer Hochleistungsrechner-Integration schließt.
Diese Arbeit stellt einen hybriden Ansatz vor, der aktives Lernen zur Optimierung der Eingangssteuerung für eine verbesserte Winkel-only-Orbitbestimmung nutzt, um die Unsicherheit zu minimieren und einen nahtlosen Übergang zu einem erweiterten Kalman-Filter für die autonome Rendezvous-Steuerung zu ermöglichen.
Dieser Artikel untersucht eine effiziente Finite-Horizont-Näherung für Feedback-Nash-Gleichgewichte in unendlich-horizontigen linearen quadratischen Spielen, indem er hinreichende Bedingungen für die Eindeutigkeit herleitet, einen Algorithmus zur Berechnung vorschlägt und die Konvergenz der Kosten sowie eine explizite Fehlerschranke nachweist.
Diese Arbeit präsentiert eine hardwarebasierte Validierung der Winkel-Droop-Regelung für netzbildende DC/AC-Wandler, die durch die Kombination von Primär- und Sekundärregelung eine exakte Frequenzregelung ermöglicht und dabei experimentell Implementierungsherausforderungen wie Diskretisierung und Uhrenabweichungen adressiert.
Diese Arbeit stellt einen hybriden Regler vor, der Deep Reinforcement Learning mit robuster, modellunabhängiger Extremwertregelung kombiniert, um die Leistungsfähigkeit von Steuerungssystemen für nichtlineare, zeitvariierende Prozesse zu verbessern und gleichzeitig deren Robustheit gegenüber schnellen Modelländerungen zu gewährleisten.
Die Arbeit stellt AffPCL vor, einen personalisierten kollaborativen Lernrahmen für heterogene Agenten, der durch affinitätsbasierte Varianzreduktion und Korrekturmechanismen die Stichprobenkomplexität im Vergleich zum unabhängigen Lernen um einen Faktor von senkt und dabei nahtlos zwischen linearem Speedup bei Homogenität und unabhängiger Lernleistung bei Heterogenität interpoliert, ohne dass Vorwissen über das System erforderlich ist.
Die Arbeit stellt IMAS vor, einen Algorithmus, der in Dec-POMDPs die Auswahl von Sensoren und die Synthese von dezentralen aktiven Wahrnehmungspolitiken durch eine zweistufige Optimierung vereint und dabei auf submodularen informationstheoretischen Zielen sowie einer -Approximationsgarantie basiert.
Die Arbeit stellt PACS vor, einen sicherheitsfilternden Ansatz für Diffusions-Policies, der durch pfadkonsistente Bremsmanöver und mengenbasierte Erreichbarkeitsanalysen formale Sicherheitsgarantien in dynamischen Umgebungen bietet, ohne dabei die Aufgabenerfolgsrate im Vergleich zu reaktiven Methoden wie Control Barrier Functions signifikant zu beeinträchtigen.
Die Studie zeigt, dass der neuartige MLD-BFM-Ansatz zur räumlichen Merkmalsextraktion zwar die höchste Genauigkeit bei der Dekodierung von fünf Fingerbewegungen aus HD-sEMG-Signalen erreicht, jedoch keine statistisch signifikante Verbesserung gegenüber herkömmlichen zeitbasierten Merkmalen bietet, was darauf hindeutet, dass die räumliche Auflösung der HD-sEMG-Aufzeichnung für eine präzise Mehrfreiheitsgrad-Regression entscheidender ist als die Verwendung komplexer räumlicher Deskriptoren.
Die Arbeit stellt EMFusion vor, ein bedingtes diffusionsbasiertes Framework zur probabilistischen Vorhersage frequenzselektiver elektromagnetischer Felder in drahtlosen Netzen, das durch die Integration kontextueller Faktoren und einer Imputations-basierten Stichprobenstrategie sowohl präzise multivariate Prognosen als auch verlässliche Unsicherheitsquantifizierung ermöglicht.
Diese Arbeit stellt ein modulares, auf ArUco-Markern, optischem Fluss und IMU-Daten basierendes Relativlokalisationssystem für den selbstrekonfigurierbaren Roboter SnailBot vor, das durch eine regelbasierte Sensorfusion eine robuste Echtzeitpositionierung für kollaborative Aufgaben ermöglicht.
Diese Arbeit erweitert die Theorie der Lorentz-Polynome auf konvexe Kegel, indem sie -Lorentz-Polynome und zugehörige semipositive Kegel definiert, um negative Abhängigkeit, konische Rayleigh-Ungleichungen und Lyapunov-Stabilitätskriterien für kegelbeschränkte evolutionäre Variationsungleichungssysteme zu etablieren.
Diese Arbeit beweist erstmals, dass die Integration von lokalen Aktualisierungen in den verteilten Optimierungsalgorithmus DIGing die Konvergenz beschleunigen kann, wobei sich zeigt, dass bereits zwei lokale Updates ausreichen, um die maximale Verbesserung zu erzielen.
Diese Arbeit stellt einen hybriden lernbasierten und modellgestützten Ansatz vor, der multimodale Taktile Sensoren mit einer internen Kraftoptimierung kombiniert, um das Abrutschen von Objekten in multifingrigen Greifern durch eine geschlossene Regelkreisstabilisierung mit einer Gesamtverzögerung von unter 50 ms reaktiv zu verhindern.