Energy-Efficient Collaborative Transport of Tether-Suspended Payloads via Rotating Equilibrium
该论文提出了一种基于旋转平衡的系绳悬挂载荷协同运输方法，通过利用离心力提供水平张力使旋翼机仅需产生垂直推力，从而在避免碰撞风险的同时将能耗降低了高达 20%。
💻 Category
cs.SY
321 篇论文
A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization
本文提出了一种基于 SISA（分片、隔离、切片和聚合）的机器遗忘框架，用于解决电力变压器匝间短路故障定位中因传感器故障导致训练数据中毒的问题，该方法通过仅重训受影响的分片模型，在保持与全量重训相当诊断精度的同时显著降低了重训时间。
Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks
该研究提出了一种融合拓扑数据分析（特别是持久同调）的图强化学习框架，用于提升配电网在极端事件下的韧性，实验表明该方法能显著优化网络重构与负荷削减策略，从而在增加电力供应的同时减少电压越限并提升系统自愈能力。
Communication Network-Aware Missing Data Recovery for Enhanced Distribution Grid Visibility
该论文提出了一种通信网络感知框架，通过将传感器分组并优化路由以避免同一簇内传感器共享故障链路，结合最优奇异值阈值法进行低秩矩阵补全，从而显著提升了配电网在通信故障下的数据恢复精度。
Animating Petascale Time-varying Data on Commodity Hardware with LLM-assisted Scripting
该论文提出了一种结合大语言模型辅助脚本的通用框架，使领域科学家能够在普通工作站上高效生成超大规模（PB 级）时变科学数据（如 NASA 气候模型）的 3D 动画，从而显著降低了对高性能计算资源和可视化专业技能的依赖。
GuideTWSI: A Diverse Tactile Walking Surface Indicator Dataset from Synthetic and Real-World Images for Blind and Low-Vision Navigation
该论文针对现有触觉行走表面指示器（TWSI）数据集在视角和地域类型（如缺乏北美/欧洲常见的圆点警示）上的局限性，提出了一个结合合成与真实图像、涵盖多样化视角和警示类型的 GuideTWSI 数据集，以显著提升盲人和低视力人群导航辅助系统的检测泛化能力。
Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems
该论文提出了一种基于共形推断的分布无关框架，通过构建联合非一致性分数来量化闭环动力学的不确定性，从而将非高斯随机系统的机会约束转化为可处理的确定性约束，实现了具有有限样本统计保证的安全轨迹优化与控制。
ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation
该论文提出了一种基于 ADMM 的分布式模型预测控制框架（ACLM），通过利用负载耦合结构将全局优化问题分解为并行子问题，实现了多足机器人在复杂非结构化环境中对重型负载进行协作移动操作的高效、可扩展且鲁棒的实时规划与控制。
Tutorial on Aided Inertial Navigation Systems: A Modern Treatment Using Lie-Group Theoretical Methods
这篇教程以扩展特殊欧几里得群 SE₂(3) 的李群理论为基础，系统介绍了面向控制的辅助惯性导航系统，通过明确不变性与对称性的作用，构建了融合惯性测量与辅助信息的几何框架，并探讨了高阶状态表示、同步观测器设计及等变滤波等现代扩展方法。
Reinforcement Learning for Vehicle-to-Grid Voltage Regulation: Single-Hub to Multi-Hub Coordination with Battery-Aware Constraints
本文提出了一种基于软演员 - 评论家算法的强化学习框架，用于在考虑电池约束的情况下协调单枢纽至多枢纽的车网互动（V2G）系统以进行电压调节，并在 IEEE 34 节点系统仿真中验证了其在过载场景下相比传统控制策略具备相当的电压恢复能力与车队可用性保障。
Towards Network-Aware Operation of Integrated Energy Systems: A Comprehensive Review
本文综述了综合能源系统的网络感知建模、优化与控制方法，指出了现有文献对网络约束和拓扑作用的忽视，并提出了旨在解决可扩展性、可行性保证及不确定性处理等挑战的未来研究方向。
Multi-Agentic AI for Conflict-Aware rApp Policy Orchestration in Open RAN
本文提出了一种基于多智能体大语言模型的框架，通过感知、推理和精炼三个智能体协同工作，实现了 Open RAN 中冲突感知的 rApp 策略自动化生成与编排，显著提升了部署准确率并降低了推理成本。
Underwater Embodied Intelligence for Autonomous Robots: A Constraint-Coupled Perspective on Planning, Control, and Deployment
本文从约束耦合视角出发，综述了水下具身智能在感知、规划、控制与部署中的关键挑战与进展，提出了跨层故障分类体系并指明了构建物理 grounded、可验证且具备韧性的自主系统未来方向。
Online Tracking with Predictions for Nonlinear Systems with Koopman Linear Embedding
本文针对具有 Koopman 线性嵌入结构的未知非线性系统，提出了一种基于 Willems 基本引理和滚动时域框架的无模型预测跟踪算法，证明了该算法在非线性系统中的累积代价与动态 regret 等同于其提升后的线性系统，并实现了随预测视界增加而指数级衰减的动态 regret。
Machine Learning for the Internet of Underwater Things: From Fundamentals to Implementation
本文综述了机器学习在解决水声通信延迟、能耗及动态拓扑等挑战中的关键作用，通过涵盖从物理层到应用层的分层分析，展示了其在提升定位、路由、数据压缩及整体网络性能方面的显著成效，并指出了当前部署面临的局限与未来发展方向。
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
本文针对部分可观测的高维线性二次高斯控制问题，提出了一种通过预测累积代价来学习潜在状态表示的成本驱动方法，并建立了在无限时域下获得近优表示函数与控制器的有限样本保证，其核心贡献在于证明了由二次回归分析产生的新随机过程的持续激励性。
IQC-Based Output-Feedback Control of LPV Systems with Time-Varying Input Delays
本文提出了一种基于积分二次约束（IQC）框架的凸优化方法，通过结合参数依赖李雅普诺夫函数与动态 IQC 乘子，解决了具有时变输入延迟的线性参数变化（LPV）系统的输出反馈控制问题，并给出了显式控制器重构公式以克服传统无记忆控制设计的非凸性难题。
Inverse-dynamics observer design for a linear single-track vehicle model with distributed tire dynamics
本文提出了一种结合线性单轨模型与轮胎分布动力学（基于双曲偏微分方程）的逆动力学观测器，仅利用横摆角速度和侧向加速度测量值即可在噪声和模型不确定性下准确重构车辆质心侧偏角及轮胎力。
VB-NET: A physics-constrained gray-box deep learning framework for modeling air conditioning systems as virtual batteries
本文提出了一种名为 VB-NET 的物理约束灰盒深度学习框架，通过将空调系统热力学等价为标准化虚拟电池模型，在确保物理一致性的同时，仅需极少量历史数据即可实现高精度的状态追踪与冷启动建模，从而为聚合分散式空调资源参与电网调节提供了可解释且数据高效的解决方案。
A Lightweight MPC Bidding Framework for Brand Auction Ads
本文提出了一种专为品牌广告竞价设计的轻量级模型预测控制（MPC）框架，该框架利用在线保序回归直接从流数据构建单调模型，无需复杂机器学习即可在低计算开销下实现高效的实时出价与成本管控。