面向不稳定性感知的极端大气河的操纵：基于AI天气基石模型
机器人学
2026-05-11 v1
摘要
深度学习方法在天气预报方面的进展正在为通过计算手段探索极端天气轨迹的操纵潜力创造机会。我们present了对通过小幅不稳定性感知扰动来引导极端大气河(AR)路径的可行性的初步调查。利用Aurora AI天气基石模型，我们通过有限时 Lyapunov 指数和喷气-涡旋相互作用准则识别出灵敏的上游位置。我们施加一种理想化的云播种算子，以模拟潜热释放，以评估这些Lyapunov引导的干预是否能影响下游演化。在一次严重的加州AR案例研究中，扰动引起了湿度输运的有组织的下游位移，减轻了登陆时的强度，在有利的动力学条件下。该响应是非线性的，取决于局部流动几何形状。这些初步结果表明，大气固有的混沌灵敏性可以被用于动态控制，为极端事件风险缓解提供了新的研究方向。
关键词
引用
@article{arxiv.2604.18905,
title = {Task-Adaptive Admittance Control for Human-Quadrotor Cooperative Load Transportation with Dynamic Cable-Length Regulation},
author = {Shuai Li and Ton T. H. Duong and Damiano Zanotto},
journal= {arXiv preprint arXiv:2604.18905},
year = {2026}
}
备注
Preprint of accepted manuscript to be published in IEEE Robotics and Automation Letters (RA-L)