基于物理信息神经网络学习时空管道用于时空到达-避让-停留任务
计算机视觉与模式识别
2025-12-10 v1 人工智能
摘要
本文提出一种基于时空管道（STT）的控制框架，用于满足一般的控制仿射 MIMO 非线性纯反馈系统在外部扰动下的时空到达-避让-停留（T-RAS）任务。STT 定义为一个随时间变化的球，其中心与半径由 Physics-Informed Neural Network（PINN）联合逼近。首先将 STT 的约束形式化为 PINN 的损失函数，随后提出一种训练算法以最小化整体违规。PINN 在特定的 collocation 点上进行训练，我们提出一种基于 Lipschitz 条件的有效性条件，以正式验证所学习的 PINN 在连续时间范围内满足条件。基于所学习的 STT 表示，定义一种无近似的闭形式控制器，以保证满足 T-RAS 规范。最后，通过包含移动机器人和航空器在杂乱环境中导航的两个案例研究验证了该框架的有效性与可扩展性。
引用
@article{arxiv.2512.08247,
title = {Distilling Future Temporal Knowledge with Masked Feature Reconstruction for 3D Object Detection},
author = {Haowen Zheng and Hu Zhu and Lu Deng and Weihao Gu and Yang Yang and Yanyan Liang},
journal= {arXiv preprint arXiv:2512.08247},
year = {2025}
}
备注
AAAI-26