物理感知相关 AI 资讯 · AI 热点

7月29日

11:29

11:29

官方账号arXiv cs.LG@Ya-Chia Shen, Woei-Leong Chan

论文提出一种物理感知的端到端深度强化学习(DRL)方法，直接对四旋翼的低层体轴输入（总推力与体轴扭矩）进行控制，结合高保真Simulink环境与12状态刚体模型。方法包含基于Moore-Penrose伪逆的Action2RPM分配，以及一阶作动器动力学（时间常数0.076s）和转子陀螺耦合。在四种DRL算法（DDPG、TD3、PPO、SAC）的两阶段任务中，SAC和TD3展现出更优的稳定性和探索效率，PPO样本效率较低。研究强调了建模作动器滞后与气动力矩对稳定低层控制的重要性，并提供了可复现的基准。

论文四旋翼控制深度强化学习物理感知

推荐理由：这篇论文把物理建模和DRL结合起来控无人机，SAC和TD3比PPO表现好，有具体数字和对比，搞控制或强化学习的可以看看。

7月1日

09:54

09:54

官方账号arXiv cs.LG@Zikang Yan, Xiao Wang, Qingquan Yang, Zhendong Yang, Gaoting Chen, Zehua Chen, Bo Jiang, Jin Tang, Guosheng Xu

传统有限元法(FEM)计算偏滤器温度场耗时且不适合实时应用。研究者提出物理感知神经算子Transformer(PNOT)，将边界热流关系建模为结构化图，利用图注意力捕捉空间物理依赖。PNOT通过物理感知神经算子模块聚合相似物理条件的查询点并模拟热扩散，结合梯度约束Sobolev正则化损失保证函数值与导数一致性。实验表明，该方法在EAST装置上实现了高精度温度场重建，物理约束显著提升预测保真度。

论文 EAST PNOT 温度场重建

推荐理由：东华大学团队用PNOT模型在EAST上搞定偏滤器温度场实时重建，比传统FEM快得多，还自带物理约束，做聚变仿真的可以看看。