361 Arbeiten
Diese Arbeit stellt eine neuartige, gekrümmte Monopolantenne für HF-Radar vor, die durch optimierte Krümmung und einen geraden Abschnitt im Vergleich zu konventionellen Designs eine signifikant verbesserte Bandbreite und einen um 24 % gesteigerten Gewinn in einem 12-Element-Array für Überhorizont-Radaroperationen erreicht.
Diese Studie stellt ein hierarchisches quanten-annealing-basiertes Framework zur Vorhersage und Steuerung der Energieverteilung in großen Haushaltsnetzen mit Wasserstoffspeicherung vor, das im Vergleich zu herkömmlichen Optimierungsverfahren bei steigender Anzahl an angeschlossenen Haushalten effizientere Lösungen bietet.
Dieser zweite Teil einer zweiteiligen Serie beschreibt die Implementierung eines neuartigen, auf einer rigorosen Zeitbereichsmethode basierenden Phasenrausch-Analysemoduls im Open-Source-Simulator QUCS, das durch die Einführung geschlossener Ausdrücke für Amplituden- und Phasen-Amplituden-Korrelationen sowie durch die Unabhängigkeit von empirischen Modellen wie LTI/LTV-Theorie kommerzielle EDA-Tools in Bezug auf die Genauigkeit und den Anwendungsbereich bei der Simulation von Rauschen in autonomen Schaltungen übertrifft.
Die vorgestellte Arbeit präsentiert eine robuste, sprachgesteuerte Greifpipeline für mobile Beinmanipulatoren, die durch die Kombination von VLM-basierter Objekterkennung, Punktwolken-Vervollständigung bei Verdeckungen und sicherheitsorientierten Heuristiken eine signifikant höhere Erfolgsrate in unstrukturierten Umgebungen im Vergleich zu herkömmlichen, sichtungsabhängigen Ansätzen erreicht.
Dieses Paper stellt eine robuste Regelungssynthesemethode für unsichere lineare Systeme mit Eingangssättigung im Rahmen von Integralen Quadratischen Beschränkungen (IQCs) vor, die durch die Formulierung als lineare fractionale Darstellung und die Nutzung gemischter IQCs verbesserte -Leistungsgrade und numerisch handhabbare LMI-Bedingungen im Vergleich zu herkömmlichen Ansätzen ermöglicht.
Diese Arbeit stellt einen modellfreien Steuerungsrahmen für Leistungswandler vor, der durch eine hybride Belohnungsmechanik und eine adaptive Wissensdistillation die Rechenlast von Deep-Reinforcement-Learning-Methoden reduziert, um eine Echtzeitimplementierung mit mikrosekundenschneller Inferenz und überlegener dynamischer Leistung auf einer Hardware-Plattform zu ermöglichen.
Diese Arbeit stellt den Drag-Aware Aerodynamic Manipulability (DAAM) vor, einen geometrischen Rahmen für die Kraftzuweisung redundanter Multirotoren, der durch eine riemannsche Metrik und die Optimierung des manipulierbaren Volumens motorische Drehmomentgrenzen sowie aerodynamischen Widerstand explizit berücksichtigt, um eine koordinateninvariante Redundanzauflösung zu ermöglichen.
Dieser Artikel stellt drei kommunikationseffiziente, verteilte Algorithmen vor, die das quantisierte Durchschnittskonsensproblem in offenen Multi-Agenten-Systemen mit dynamischen Verbindungen und Verarbeitungsverzögerungen lösen, wobei deren Korrektheit, endliche Konvergenz und Überlegenheit gegenüber bestehenden Methoden nachgewiesen werden.
Diese Arbeit stellt einen systematischen Rahmen zur Berechnung formal garantierter Fehlergrenzen für die Trajektorienverfolgung autonomer Hubschrauber mittels robust positiver invarianter Mengen vor, der explizite Positionsfehlergrenzen für zertifizierte Pufferzonen in der übergeordneten Trajektorienplanung liefert und dabei drei Regelungsarchitekturen hinsichtlich ihrer Konservativität und Leistung vergleicht.
Diese Arbeit stellt eine augmentierte Modellprädiktive Regelung vor, die die Manövrierfähigkeit von Erdbeobachtungssatelliten durch eine ausgewogene Kombination aus der Leistungsfähigkeit nichtlinearer und der Recheneffizienz linearer Ansätze verbessert.
In diesem Papier wird ein neuartiges, flussbasiertes Konzept für einen gekoppelten europäischen Kapazitätsmarkt vorgestellt, das in einer Fallstudie gezeigt wird, wie sich durch die effiziente Nutzung grenzüberschreitender Kapazitäten unter Einhaltung der Netzbeschränkungen die Systemkosten senken lassen.
Das Paper stellt PolyFormer vor, ein physik-informiertes maschinelles Lernmodell, das komplexe physikalische und geometrische Randbedingungen in effiziente polytopische Umformulierungen überführt, um skalierbare Optimierungsprobleme mit bis zu 6.400-facher Geschwindigkeitssteigerung und minimalem Qualitätsverlust zu lösen.
Diese Arbeit stellt einen adaptiven Regelungsrahmen für Euler-Lagrange-Systeme vor, der mithilfe einer zeitvariablen Barrieren-Lyapunov-Funktion und eines gesättigten Regelgesetzes parametrische Unsicherheiten und Störungen kompensiert, um zeitvariablen Zustands- und Eingangsbeschränkungen ohne Echtzeit-Optimierung zu genügen, wobei eine offline überprüfbare Zulässigkeitsbedingung hergeleitet und die Wirksamkeit durch Experimente an einem 2-DoF-Hubschraubermodell validiert wird.
Diese Übersichtsarbeit untersucht verschiedene Koordinationsmechanismen zwischen Übertragungs- und Verteilnetzbetreibern, um die Integration verteilter erneuerbarer Energien zu optimieren, Netzengpässe zu vermeiden und die Systembalance durch effektive Flexibilitätsmärkte sicherzustellen.
Diese Arbeit untersucht die Stabilität großer erneuerbarer Energiesysteme durch die Ausnutzung ihrer symmetrischen Struktur, indem sie neue Eigenwertmuster, Partizipationsfaktoren und Invarianzeigenschaften für innergruppen- und gruppen-netzbezogene Moden definiert, um die komplexe Modalanalyse inverterbasierter Ressourcen zu vereinfachen und gezielte Optimierungen zu ermöglichen.
Der Artikel stellt IronEngine vor, eine umfassende KI-Assistentenplattform mit einem einheitlichen Orchestrierungskern, die durch einen dreistufigen Planungs- und Ausführungsprozess, eine adaptive Modellverwaltung und eine robuste Werkzeugintegration eine zuverlässige Automatisierung für allgemeine Aufgaben ermöglicht.
Diese Arbeit stellt einen adaptiven, entropiegesteuerten Sensorauswahlmechanismus für einen Kamera-LiDAR-Partikelfilter vor, der in einer realen maritimen Testumgebung in Zypern nachweist, dass durch die dynamische Auswahl der informativsten Sensorkonfiguration eine robuste Einzel-Schiff-Verfolgung mit einem optimalen Kompromiss zwischen Genauigkeit und Kontinuität erreicht wird.
Diese Arbeit integriert Lagrange-Neuronale Netze in das Dyna-Framework für modellbasiertes Reinforcement Learning, um physikalische Gesetze zu erzwingen und die Vorhersagegenauigkeit zu verbessern, wobei ein zustandsbasiertes Optimierungsverfahren eine schnellere Konvergenz als stochastische Gradientenverfahren aufweist.
Diese Studie zeigt, dass durch Large Language Models betriebene generative Agenten in Experimenten zur Stromverteilung und Auktion menschliche Entscheidungsprozesse flexibler abbilden können als traditionelle mathematische Modelle, indem sie durch In-Context-Learning sowohl rationale Strategien reproduzieren als auch systematische Verhaltensabweichungen aufweisen.
Die Arbeit führt eine aufgabenbezogene Taxonomie von Aktoreingängen für nichtlineare Systeme ein, die es ermöglicht, durch die Identifizierung von „Dexteritäts"-Eingängen einen einheitlichen linearisierenden Regler zu entwerfen, der einen nahtlosen Übergang zwischen vollständigen und reduzierten Aufgaben ohne Transienten auf gemeinsamen Ausgängen erlaubt.