Precipitation Nowcasting Using Physics Informed Discriminator Generative Models
Delft University of Technology（代尔夫特理工大学）；Deltares（代尔夫特研究中心）
针对极端降水临近预报难题，提出融合物理监督的 PID-GAN，采用 VQ-GAN 与 Transformer 生成器及时间判别器，并在 KNMI 数据上取得优于数值和 SOTA 生成模型的效果。
2024-06-14 cs.AI cs.LG
Physics-Informed Deep Learning for Entropy Prediction in Heterogeneous Systems: Thermodynamic and Information-Theoretic Case Studies
Durham University（杜ham大学）；Department of Chemical Engineering（化学工程系）；Veer Surendra Sai University of Technology（维尔·苏雷纳·赛大学）
提出统一物理信息深度学习框架，通过微分方程残差和信息论约束，在单一神经网络中同时实现热力学与信息论系统的熵预测，并验证其数据效率和物理一致性。
2026-05-31 cs.AI cs.LG
Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study
Applied Research, Quantiphi（Quantiphi应用研究）
本文提出物理信息DeepONet架构PIDON，结合Adam梯度优化构建端到端加速设计框架，并在航空航天复合材料固化优化中实现3倍加速。
2025-02-17 cs.AI cs.LG cs.NA
Self-adaptive weighting and sampling for physics-informed neural networks
Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对物理信息神经网络（PINNs）求解偏微分方程时精度和效率受限的问题，提出混合自适应采样与加权方法，结合二者优势提升预测精度与训练效率，解决单一方法在训练点稀缺时效果不佳的问题。
2025-11-11 cs.AI cs.LG physics.comp-ph
Self-adaptive weights based on balanced residual decay rate for physics-informed neural networks and deep operator networks
Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对物理信息神经网络训练中不同训练点残差收敛速率差异导致整体收敛被最慢点主导的问题，提出一种平衡残差衰减率的逐点自适应加权方法，显著提升了预测精度、收敛速度与训练稳定性。
2025-09-16 cs.AI cs.LG stat.ML
Adaptively trained Physics-informed Radial Basis Function Neural Networks for Solving Multi-asset Option Pricing Problems
College of Mathematics and Statistics, Northwest Normal University（西北师范大学数学与统计学院）；Department of Mathematics, City University of Hong Kong（香港城市大学数学系）；Department of Information Technology, Uppsala University（乌普萨拉大学信息科技系）
提出基于径向基函数神经网络的物理信息机器学习算法，通过自适应调整隐藏神经元分布，高效求解多资产期权定价中的Black-Scholes偏微分方程，实验验证了单资产、双资产和四资产期权定价的有效性。
2026-07-03 cs.LG
naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement
Department of Industrial Engineering（工业工程系）；Seoul National University（首尔国立大学）
提出噪声自适应物理信息神经网络(naPINN)，通过嵌入能量模型学习残差分布并自适应过滤异常值，从非高斯噪声和离群点损坏的测量中鲁棒恢复物理解。
2026-06-01 cs.AI cs.LG
Residual-Quantile Adjustment for Adaptive Training of Physics-informed Neural Network
City University of Hong Kong（香港城市大学）
物理信息神经网络（PINN）的自适应训练方法需要专门构造每个训练样本的权重分布。有效地寻求这样的最优权重分布不是一个简单的任务，并且大多数现有方法基于近似全分布或残差的最大值来选择自适应权重。在本文中，我们表明，在训练效率的样本的自适应选择的瓶颈是数值残差的尾部分布的行为。因此，我们提出了残差分位数调整（RQA）方法，为每个训练样本提供更好的权重选择。在初始设置与残差的$p$次幂成比例的权重后，我们的RQA方法将高于$q$分位数的所有权重（例如$90\%$）重新分配给中值，以便权重遵循从残差导出的分位数调整分布。另一方面，这种迭代重新加权技术也非常容易实现。实验结果表明，该方法在求解各种偏微分方程（PDE）问题上的性能优于几种自适应方法。
2022-12-08 cs.LG physics.comp-ph
Control-Informed Reinforcement Learning for Chemical Processes
本文提出控制信息强化学习（CIRL）框架，将PID控制组件集成至深度强化学习策略架构中，结合两者优势提升了系统的设定值跟踪、泛化能力及对未观测扰动的鲁棒性。
2024-08-27 cs.SY eess.SY
Efficient Training of Physics-Informed Neural Networks with Direct Grid Refinement Algorithm
Amphos 21 Consulting S.L.（Amphos 21咨询有限公司）
本研究针对物理 informed 神经网络（PINNs）现有自适应采样技术的局限，提出直接网格细化的自适应采样算法，兼顾计算效率与点布置，验证表明其与基准结果一致，且在高细化因子下性能优于现有方法，可提升PINNs仿真精度。
2023-06-14 cs.AI cs.LG
Provably Accurate Adaptive Sampling for Collocation Points in Physics-informed Neural Networks
1 Hubert Curien Laboratory, Jean Monnet University, Saint-\'Etienne, France
针对 PINN 配置点采样问题，本文基于 PDE 残差 Hessian 和新型定积分求积法提出一种可证明准确的自适应采样方法，并在一维、二维 PDE 实验中验证其优势。
2025-06-10 cs.LG
Leveraging PID Gain Selection Towards Adaptive Backstepping Control for a Class of Second-Order Systems
在这项工作中，我们建立了一个方便的自适应反推控制律和一个标准的比例积分微分（PID）控制器的一类二阶系统之间的相似性。提取的相似性提供了一个更深入的理解，从性能的角度来看，通过一个直观的方法来选择其抽象的控制器增益，在其传统的稳定性的角度。这种相似性分析为研究人员使用成熟的PID整定方法来预测基于李雅普诺夫稳定性的控制器的性能打开了大门。同时，所得到的配方揭示了如何相应的PID控制律可以连接到李雅普诺夫稳定性理论。
2021-07-22 cs.SY eess.SY
A Physics-Informed Framework for PID Tuning of Chemical Processes Using Large Language Model Agents
Zhejiang University（浙江大学）；ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙江大学杭州国际科创中心）；Ningbo Innovation Center, Zhejiang University（浙江大学宁波科创中心）
本研究提出一种适用于大、小语言模型的PID整定框架，将工程师整定流程形式化，通过微调Qwen3-0.6B并在测试案例中取得优异整定成功率，提升了PID整定的可靠性与稳定裕度。
2026-07-30 cs.AI cs.SY eess.SY
PIDGeuN: Graph Neural Network-Enabled Transient Dynamics Prediction of Networked Microgrids Through Full-Field Measurement
提出了一种基于物理信息的动态图神经网络（PIDGeuN），用于精确、高效、鲁棒地预测微电网在扰动情况下的非线性暂态动力学行为。PIDGeuN的基于图形的架构提供了微电网拓扑的自然表示。PIDGeuN仅使用实际可测量的状态信息，采用时间延迟嵌入公式来完全再现系统动态，避免了传统方法对内部动态状态（如控制器）的依赖。基于明智设计的消息传递机制，PIDGeuN结合了两种物理信息技术来提高其预测性能，包括用于确定总线之间的相互依赖性的物理数据注入方法，以及用于遵守电力系统的已知物理定律的损耗项，即，基尔霍夫定律，保证了模型预测的可行性。大量的测试表明，PIDGeuN可以提供准确和强大的预测非线性微电网的暂态动态在一个长期的时间段。因此，PIDGeuN提供了一个有力的工具，为大规模网络化微电网（NM）的建模，预测或预防控制的NM的稳定和弹性操作的实时应用程序的潜在应用。
2022-04-18 cs.SY eess.SY
A Family of Adaptive Activation Functions for Mitigating Failure Modes in Physics-Informed Neural Networks
Department of Mathematics, IIT Madras（印度理工学院马德拉斯分校数学系）
本文提出了一种自适应小波激活函数家族，通过结合可训练小波函数与可训练或固定双曲正切和软plus函数，提升PINN的训练稳定性与表达能力，并在四个典型偏微分方程类中系统评估。
2026-03-18 cs.LG
Physically Informed Synchronic-adaptive Learning for Industrial Systems Modeling in Heterogeneous Media with Unavailable Time-varying Interface
针对异质介质工业系统建模中物理属性缺失、时变界面不可得的难题，提出物理 informed 同步自适应学习方法，通过多网络协同与混合损失实现偏微分方程求解，经理论证明和实验验证有效。
2024-01-26 cs.CE cs.LG
Locally adaptive activation functions with slope recovery term for deep and physics-informed neural networks
Brown University（布朗大学）；Massachusetts Institute of Technology（麻省理工学院）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
我们提出了两种局部自适应激活函数的方法，即逐层和逐神经元局部自适应激活函数，它们可以提高深度和物理信息的神经网络的性能。激活函数的局部自适应是通过在每一层（逐层）和每个神经元（逐神经元）分别引入一个可伸缩参数，然后使用随机梯度下降算法的变体对其进行优化来实现的。为了进一步提高训练速度，在损失函数中加入了基于激活斜率的斜率恢复项，进一步加快了收敛速度，从而降低了训练成本。在理论方面，我们证明了在所提出的方法中，梯度下降算法不会被吸引到次优临界点或局部极小值的实际条件下的初始化和学习率，所提出的方法的梯度动态是无法实现的任何（自适应）学习率的基础方法。我们进一步表明，自适应激活方法加快收敛隐式乘条件矩阵的基础方法的梯度，而没有任何明确的计算条件矩阵和矩阵向量积。不同的自适应激活函数诱导不同的隐式条件矩阵。此外，所提出的方法与斜率恢复，以加快训练过程。
2020-06-17 cs.LG stat.ML
AB-PINNs: Adaptive-Basis Physics-Informed Neural Networks for Residual-Driven Domain Decomposition
Center for Applied Mathematics（应用数学中心）；Cornell University（康奈尔大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Amazon Robotics（亚马逊机器人）
提出自适应基物理信息神经网络（AB-PINNs），通过在训练中动态调整域分解并在高残差区域引入新子域，有效解决了多尺度偏微分方程并避免了局部最优。
2025-10-10 cs.LG
Predictive reinforcement learning based adaptive PID controller
针对非线性、不稳定和强耦合系统，提出融合模型先验与数据驱动的PRL-PID控制器，通过动作平滑和分层奖励提升稳定性、跟踪精度与训练效率。
2025-06-10 cs.SY eess.SY
Adaptive Physics-Informed Neural Networks for Markov-Chain Monte Carlo
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NVIDIA（英伟达）
在本文中，我们提出了自适应物理信息神经网络（APINNs）的准确和有效的模拟免费贝叶斯参数估计通过马尔可夫链蒙特卡罗（MCMC）。我们特别关注一类参数估计问题，计算似然函数需要求解偏微分方程。所提出的方法包括：（1）构建离线PINN-UQ模型作为对前向模型的近似;以及（2）使用MCMC采样器生成的样本实时细化该近似模型。所提出的APINN方法不断完善这个近似模型的飞行，并保证近似误差总是小于用户定义的残差阈值。我们数值证明了所提出的APINN方法在解决由泊松方程的系统的参数估计问题的性能。
2020-08-03 cs.LG cs.NA math.NA
RANG: A Residual-based Adaptive Node Generation Method for Physics-Informed Neural Networks
Defense Innovation Institute, Chinese Academy of Military Science（中国人民解放军军事科学院国防科技创新研究院）；Human Resource Center（人力资源中心）
基于物理信息神经网络（PINNs）的偏微分方程（PDE）求解方法由于其灵活性和易于合并观测数据而成为传统求解器的一种有吸引力的替代方法。尽管PINN在精确求解各种偏微分方程方面取得了成功，但该方法在计算效率方面仍然需要改进。一种可能的改进思路是优化训练点集的生成。基于残差的自适应采样和准均匀采样方法分别被应用于改善PINN的训练效果。为了从这两种方法中受益，我们提出了基于残差的自适应节点生成（RANG）方法，用于有效训练PINN，该方法基于RBF-FD的变密度节点分布方法。该方法还通过记忆机制来增强，以进一步提高训练稳定性。我们进行了实验，三个线性偏微分方程和三个非线性偏微分方程的各种节点生成方法，通过该方法的准确性和效率相比，占主导地位的均匀采样方法进行了数值验证。
2022-05-12 cs.LG cs.NA math.NA
Adaptive Training of Grid-Dependent Physics-Informed Kolmogorov-Arnold Networks
National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学）；National Technical University of Athens（雅典国立技术大学）；University of the Peloponnese（伯罗奔尼撒大学）
本文提出基于JAX的快速网格依赖物理信息Kolmogorov-Arnold网络（PIKANs）及自适应训练方案，训练速度提升84倍且L²误差降低43.02%，在参数更少的情况下接近或超越多参数架构效果。
2024-10-09 cs.LG physics.comp-ph
Adaptive Collocation Point Strategies For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method
Rice University（里士大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
针对固定配置点采样难以捕捉高梯度区域的问题，提出基于QR-DEIM的两种自适应配置点选择策略，在基准PDE上提升PINN精度。
2025-08-07 cs.CE cs.LG cs.NA
When Does Cheap Physics Help? Gated Multi-Fidelity Physics-Informed Networks with Provable Sample Savings and Conformal Guarantees
Department of Applied Mathematics and Computer Science (DTU Compute)（应用数学与计算机科学系（DTU Compute））；Technical University of Denmark（丹麦技术大学）
本文提出MF-BPINN，通过结合贝叶斯不确定性量化和自适应残差学习，高效求解参数偏微分方程。
2026-10-27 cs.LG cs.NA math.NA
Self-Adaptive Physics-Informed Quantum Machine Learning for Solving Differential Equations
RWTH Aachen University（亚琛工业大学）；Forschungszentrum Jülich（于利希研究中心）；University of Cologne（科隆大学）
该研究将切比雪夫多项式与自适应物理信息神经网络结合，在量子机器学习框架下求解多种微分方程，并通过量子关联测量和纠缠层提升精度，为量子设备求解微分方程提供了新途径。
2025-01-20 cs.LG physics.comp-ph quant-ph
PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN
Department of Computer Science（计算机科学系）；Engineering, Ohio State University, Ohio, US（工程系，俄亥俄州立大学，俄亥俄州，美国）
提出PIAD-SRNN，通过分离季节与趋势分量并嵌入领域方程的递归框架，在室内空气质量数据集的CO2浓度预测中，以更优的效率在MSE和MAE上持续超越SoTA模型，并提供四个精选数据集。
2025-07-10 cs.AI cs.LG
A Domain-adaptive Physics-informed Neural Network for Inverse Problems of Maxwell's Equations in Heterogeneous Media
Dalian University of Technology（大连理工大学）
本文提出域自适应物理信息神经网络da-PINN，通过介质界面位置参数分解子域、将界面条件纳入损失函数并设计域自适应训练策略，有效求解异质介质中麦克斯韦方程组的反问题。
2023-08-12 cs.LG cs.NA math.NA
Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals
Faculty of Mathematics & Natural Sciences, University of Oslo（数学与自然科学学院，奥斯陆大学）；SINTEF Industry, Applied Geoscience Department（SINTEF工业公司，应用地球科学部门）；College of Geosciences, China University of Petroleum（地质科学学院，中国石油大学）
本研究提出融合多类别特征工程的自适应PINN框架，结合经典等温线模型与热力学约束，在155个地质样本数据集上实现高精度氢吸附预测，提升收敛速度并支持风险决策。
2025-08-24 cs.LG
A Novel Adaptive Causal Sampling Method for Physics-Informed Neural Networks
National University of Defense Technology（国防科技大学）
物理信息神经网络（PINNs）已成为求解偏微分方程（PDE）的一种有吸引力的机器学习方法。PINN的训练可以看作是一个半监督学习任务，在求解正问题时只能得到初始点和边界点的精确值，并且在整个时空域中对配置点进行采样而没有精确的标号，这给训练带来了困难。因此，在PINN的训练中，搭配点的选择和采样方法是非常关键的。现有的采样方法包括固定采样和动态采样两种，在动态采样中，通常采用PDE残差损失控制采样。指出自适应采样中只考虑残差损失是不够的，采样应服从时间因果关系。我们进一步将时间因果关系引入自适应采样，提出了一种新的自适应因果采样方法，以提高PINN的性能和效率。对Cahn-Hilliard方程和KdV方程等几类高阶导数强非线性偏微分方程的数值实验表明，该采样方法可以在配置点较少的情况下提高PINN的性能.我们证明，通过利用这样一个相对简单的采样方法，预测性能可以提高到两个数量级相比，国家的最先进的结果，几乎没有额外的计算成本，特别是当点是有限的。
2022-10-24 cs.LG cs.NA math.NA
Adaptive differentiating filter: case study of PID feedback control
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；University of Agder（阿格德尔大学）
本文提出了一种自适应因果离散时间滤波器用于导数估计，通过机械电子应用中的相对速度估计案例展示其低噪声敏感性和宽带宽特性。
2026-03-29 cs.SY eess.SY
A comprehensive study of non-adaptive and residual-based adaptive sampling for physics-informed neural networks
University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）；Georgia Institute of Technology（佐治亚理工学院）
该研究针对物理信息神经网络的残差点采样问题，综合对比10种非自适应与自适应采样方法，提出两种基于残差的自适应采样方法，可在更少残差点下显著提升求解精度，为采样方法选择提供实用指南。
2022-07-21 cs.LG physics.comp-ph
Investigation of Compressor Cascade Flow Using Physics- Informed Neural Networks with Adaptive Learning Strategy
Imperial College London（伦敦帝国学院）
本文首次将物理信息神经网络（PINNs）用于压气机叶栅流场预测，提出结合自适应权重与动态学习率的自适应学习策略以改善收敛性，并通过正、逆问题验证其在缺失边界条件和含噪数据下仍能准确重建流场，为涡轮机械设计提供了CFD之外的新选择。
2023-09-18 cs.LG physics.comp-ph physics.flu-dyn
Adaptive Self-supervision Algorithms for Physics-informed Neural Networks
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；University of Utah（犹他大学）；International Computer Science Institute（国际计算机科学研究所）；University of California Berkeley（加州大学伯克利分校）
物理信息神经网络（PINN）将问题域的物理知识作为损失函数的软约束，但最近的工作表明，这可能会导致优化困难。在这里，我们研究了这些模型的可训练性的搭配点的位置的影响。我们发现，随着训练的进行，通过调整搭配点的位置，可以显着提高香草PINN的性能。具体来说，我们提出了一种新的自适应配置方案，逐步分配更多的配置点（而不增加其数量）的区域，模型是使更高的错误（基于域中的损失函数的梯度）。这一点，再加上在任何优化停顿期间明智地重新开始训练（通过简单地重新排列配置点以调整损失情况），可以更好地估计预测误差。我们给出了几个问题的结果，包括具有不同强迫函数的2D Poisson和扩散平流系统。我们发现，针对这些问题训练vanilla PINN可能会导致解决方案中高达70%的预测误差，特别是在低配置点的情况下。相比之下，我们的自适应方案可以实现高达一个数量级的较小的误差，与类似的计算复杂性作为基线。此外，我们发现，自适应方法始终执行标准或略优于香草PINN方法，即使是大的配置点制度。所有实验的代码都是开源的。
2022-07-08 cs.LG physics.comp-ph
Stabilized Adaptive Loss and Residual-Based Collocation for Physics-Informed Neural Networks
本文提出了一种稳定自适应损失与残差基置信法，用于提高物理信息神经网络在高刚度或冲击动力学问题中的解的准确性。
2026-03-03 cs.AI cs.LG
PirateNets: Physics-informed Deep Learning with Residual Adaptive Networks
University of Pennsylvania（宾夕法尼亚大学）；Duke University（杜克大学）；North Carolina State University（北卡罗来纳州立大学）
针对物理信息神经网络在加深架构时性能下降的问题，提出PirateNets架构，利用自适应残差连接使网络从浅层逐步加深，实现稳定训练并提升精度。
2024-02-11 cs.LG cs.NA math.NA
Physics-informed neural networks by Gradient-Guided Gaussian Adaptive Sampling (3GAS-PINNs)
Northwest University（西北大学）；Institute of Photonics & Photon Technology（光子与光子技术研究所）
针对PINNs在非线性问题中收敛慢和捕捉局部结构不足的问题，提出3GAS-PINNs，结合均匀与高斯平滑分布进行自适应采样，在三个基准方程上最高提升精度14倍。
2026-09-10 cs.LG physics.comp-ph physics.flu-dyn
Quasi-Random Physics-informed Neural Networks
Skolkovo Institute of Science and Technology（斯克尔克沃科学与技术研究所）
本文提出准随机物理信息神经网络，通过低分歧序列采样提升高维PDE求解效率，实验显示其优于传统PINNs和自适应采样方法。
2025-07-10 cs.AI cs.LG cs.NA
A Self-adaptive LSAC-PID Approach based on Lyapunov Reward Shaping for Mobile Robots
Zhejiang University of Technology（浙江工业大学）
针对多输入多输出（MIMO）PID控制系统中控制回路的耦合问题和参数自适应整定问题，提出了一种基于深度强化学习（RL）和基于李雅普诺夫（Lyapunov）的奖励塑造的自适应LSAC-PID算法。针对复杂未知的移动机器人控制环境，提出了一种基于RL的MIMO PID混合控制策略。该方法无需机器人的数学模型和多个控制回路的解耦，根据机器人的动态信息和环境反馈，实时的输出最优的MIMO PID参数。然后，为了提高强化学习的收敛速度和移动机器人的稳定性，基于李雅普诺夫理论和基于势函数的奖励塑造方法，提出了一种基于李雅普诺夫的奖励塑造软行动者-评论者（LSAC）算法。从软策略迭代的策略评价和改进步长两个方面证明了算法的收敛性和最优性。此外，对于跟线机器人，改进了区域生长方法，以适应分叉和环境干扰的影响。通过对比、测试和交叉验证，仿真和真实环境实验结果均表明了所提LSAC-PID整定算法的良好性能。
2021-11-03 cs.RO cs.SY eess.SY
Adaptive Digital PID Control of a Quadcopter with Unknown Dynamics
University of Michigan（密歇根大学）；MIT（麻省理工学院）
针对动力学未知的四轴飞行器，提出了一种自适应自动驾驶仪。为此，PX 4自动驾驶仪的结构进行了修改，以取代反馈和前馈控制器的自适应控制法律的基础上追溯成本自适应控制（RCAC）。本文提供了一个数值研究的性能的自适应自动驾驶仪的四轴飞行器与未知的动态。为了反映先验建模信息的缺乏，所有的自适应数字控制器初始化为零增益。此外，改变四轴飞行器的转动惯量来测试自适应自动驾驶仪的鲁棒性。在所有测试案例中，车辆被命令遵循给定的轨迹，并检查由此产生的性能。
2020-05-31 cs.RO cs.SY eess.SY
Learning in Dynamic Systems and Its Application to Adaptive PID Control
本文将 Brandt-Lin 学习算法推广到广义信号流图描述的动态系统，并推导新的 PID 自适应律，通过多类被控对象仿真验证其有效性。
2023-08-21 cs.SY eess.SY
An Adaptive PID Autotuner for Multicopters with Experimental Results
University of Michigan（密歇根大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文提出了一种用于多旋翼飞行器的自适应PID自整定器，并给出了仿真和实验结果。自动调谐器由基于追溯成本自适应控制的自适应数字控制律组成，该控制律在PX 4飞行栈中实现。学习轨迹用于在单次飞行期间优化自动驾驶仪。然后，通过飞行使用二阶希尔伯特曲线构造的测试轨迹，将自动调整的自动驾驶仪与默认的PX 4自动驾驶仪进行比较。为了研究自动调谐器对四轴飞行器动力学的灵敏度，改变四轴飞行器的质量，并比较自动调谐和默认自动驾驶仪的性能。据观察，自动调整的自动驾驶仪的性能优于默认的自动驾驶仪。
2021-09-27 cs.AI cs.RO cs.SY
Delay-Adaptive Control of First-order Hyperbolic PIDEs
针对具有未知输入时滞的一阶双曲型偏积分微分方程，提出一种基于输运PDE表示和无穷维backstepping的时滞自适应控制方法，实现全局稳定并通过仿真验证。
2023-07-09 cs.SY eess.SY math.AP
Modeling online adaptive navigation in virtual environments based on PID control
众所周知，运动主导的导航任务可能会高度挑起晕网效应。过去的研究提出了许多方法来解决这个问题的基础上离线的考虑。在这项工作中，提出了一种新的方法，以减轻网络病的基础上在线自适应导航。针对比例积分微分（PID）控制方法，提出了一种多参数在线自适应导航的数学模型，以用户的皮肤电活动（EDA）作为输入，提供自适应导航加速度作为输出。因此，最小化的cybersickness水平被视为一个参数优化问题：找到PID模型参数，可以降低cybersickness的严重程度。组织用户研究以收集非自适应导航加速度和相应的EDA信号。一个深度神经网络，然后制定学习EDA和导航加速度之间的相关性。网络的超参数通过Optuna开源框架获得。为了验证通过PID控制开发的优化在线自适应导航的性能，我们在基于预训练的深度神经网络的模拟用户研究中进行了分析。结果表明，在EDA信号分析和晕动病剂量值方面，晕动病显着减少。这是一项开创性的工作，从理论上提出了一个系统的自适应导航设置策略。
2023-03-29 cs.HC cs.SY eess.SY
PID Tuning using Cross-Entropy Deep Learning: a Lyapunov Stability Analysis
Lab-STICC UMR CNRS 6285；ENSTA Bretagne；Centre for Maritime Engineering, Flinders University（弗林德斯大学海事工程中心）；CROSSING IRL CNRS 2010
针对水下无人航行器受扰动力影响的问题，本文提出用交叉熵深度学习确定自适应参数，并通过实验和度量标准实证分析该LB自适应控制系统的Lyapunov稳定性。
2024-04-18 cs.LG cs.RO cs.SY
A New PID Neural Network Controller Design for Nonlinear Processes
本文提出了一种改进的PID神经网络控制器自适应调优方法，利用改进的梯度下降法调整参数，结合边际稳定性提升跟踪性能和抗扰动能力。
2015-12-23 cs.SY eess.SY
Design of Adaptive PID Controller Based On Asynchronous Advantage Actor Critic Learning Method for QuadCopter Control
Sharif University of Technology（谢里夫理工大学）
本文提出一种将A3C强化学习算法与PID控制器结合的四旋翼控制方法，利用并行智能体动态优化PID参数，仿真表明其比A2C方法收敛更快、性能更优。
2026-09-21 cs.RO cs.SY eess.SY
A Novel Sample-efficient Deep Reinforcement Learning with Episodic Policy Transfer for PID-Based Control in Cardiac Catheterization Robots
目前，机器人导管插入术通常用于经皮冠状动脉介入手术，它涉及操纵柔性血管内工具以打开冠状动脉中的闭塞。在这项研究中，一个样本有效的深度强化学习与情节的政策转移，第一次，用于在机器人导管插入运动控制与完全自适应PID整定策略。强化模型有助于智能体从其环境中的相互作用中不断学习，并自适应地调整PID控制增益以用于血管内工具的轴向导航。该模型被验证为轴向运动控制的机器人系统设计的血管内导管插入术。仿真和实验验证了该模型的有效性，结果表明，该模型能够自整定PID增益，适用于机器人导管系统的运动控制。平均10次试验与传统方法的性能比较表明，代理调谐增益更好，误差为0.003 mm。因此，该模型将提供更稳定的设定点运动控制机器人导管插入术。
2021-10-28 cs.LG cs.RO cs.SY
Exploring a Physics-Informed Decision Transformer for Distribution System Restoration: Methodology and Performance Analysis
Texas A&M University（德克萨斯A&M大学）；Purdue University（普渡大学）
本文首次将大语言模型引入配电系统恢复，提出物理信息决策Transformer（PIDT）框架，以解决传统深度强化学习在大规模系统中的可扩展性问题，并通过对比研究验证其初始阶段性能。
2024-06-30 cs.AI cs.SY eess.SY
Controlling Chaos in Van Der Pol Dynamics Using Signal-Encoded Deep Learning
针对传统非线性动力学控制方法无法利用混沌数据非线性特征的问题，提出将控制信号与初始位置编码进PINN损失的PIDOC方法，在van der Pol系统混沌控制中验证了有效性并分析了影响因素。
2023-04-30 cs.SY eess.SY
Speed Control of DC Motor Using Fuzzy PID Controller
在本项目中，我们设计了一个直流电动机，其速度可以控制的PID控制器。PID控制器的比例、积分和微分增益（KP、KI、KD）根据模糊逻辑调整。首先，根据规则设计模糊控制器，使系统具有基本的鲁棒性。有25个规则用于PID控制器的每个参数的自动整定。FLC（模糊逻辑控制器）有两个输入。第一个是参考（设定点）和实际速度之间的电机速度误差。第二个是速度误差的变化（速度误差的导数）。其次，模糊控制器的输出是PID控制器的参数，用于控制直流电机的速度。研究表明，模糊自整定PID控制器既具有PID控制器的精确性，又具有模糊控制器的灵活性。在常规PID结构上实现的模糊自整定方法能够控制直流电机的速度。改善了系统的动、静态响应。基于MATLAB/SIMULINK仿真结果，对常规响应和模糊自整定响应进行了比较。仿真结果表明，所设计的自适应PID控制器具有良好的直流电动机动态特性、良好的速度跟踪性能、上升时间和稳定时间短、无超调和稳态误差，与常规PID控制器相比具有更好的性能。然后我们在Arduino IDE上使用简单的代码对模糊PID进行建模，并进行实际实验，以证实我们的理论结果。
2021-08-11 cs.SY eess.SY
Design of Fuzzy self-tuning PID controller for pitch control system of aircraft autopilot
Islamic Azad University, Garmsar Branch（伊斯兰阿扎德大学加尔马萨尔分校）；Tarbiat Modares University（塔比巴特莫达雷斯大学）；Tehran University of Medical Sciences（德黑兰医科大学）
本文设计了模糊自整定PID控制器，用于改善传统PID在非线性、时变和不确定系统中的动态性能缺陷，通过仿真验证其在抗扰动和参数整定方面的优越性。
2015-10-09 cs.SY eess.SY
Single Chip Self-Tunable N-Input N-Output PID Control System with Integrated Analog Front-end for Miniature Robotics
Indian Institute of Technology, Kharagpur（印度理工学院，卡拉格普尔分校）
本文设计了低功耗单芯片多通道PID控制器，用于微型机器人，包含N输入和N输出，实现N个并行通道。系统集成模拟前端和基于PSO算法的PID控制器，用于参数调谐，具有低功耗和高效调谐能力。
2016-11-16 cs.SY eess.SY
ART-Rx: A Proportional-Integral-Derivative (PID) Controlled Adaptive Real-Time Threshold Receiver for Molecular Communication
本文提出用于分子通信的自适应实时阈值接收器ART-Rx，通过PID控制器动态调整检测阈值，显著降低了比特错误率并提升了高噪声环境下的鲁棒性。
2024-11-14 cs.ET cs.SY eess.SY
A Programming, Robotics and Automatic Control Intervention for Secondary Education Students in Sweden and Italy
Optimation AB；Università Politecnica delle Marche（马尔凯理工大学）；ANCybernetics
本研究评估了AutoSTEM workshop，发现无论是否采用基于SDT的引导，该结合严肃游戏与PID控制硬件的干预项目均能提升中学生技术自我效能，女性PID自我效能提升幅度小于男性。
2026-10-14 cs.SY eess.SY
