自动驾驶

Agentic AI for Self-Driving Laboratories in Soft Matter: Taxonomy, Benchmarks,and Open Challenges

代理AI在软物质中的自主实验室：分类、基准和开放挑战

Xuanzhou Chen, Audrey Wang, Stanley Yin, Hanyang Jiang, Dong Zhang

专题命中 规划控制 ：self-driving(title,abstract)；分类 cs.AI

AI总结 本文探讨了自主实验室在软物质中的应用，提出了基于智能体的环境交互框架，回顾了闭环实验的主要方法，并指出了多模态表示、校准不确定性、安全探索和共享基准基础设施等开放挑战。

Breaking Task Impasses Quickly: Adaptive Neuro-Symbolic Learning for Open-World Robotics

快速突破任务瓶颈：面向开放世界机器人的自适应神经符号学习

Pierrick Lorang

机构 * Human-Robot Interaction Lab, Tufts University（塔夫茨大学人机交互实验室） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出了一种自适应神经符号学习框架，通过整合符号学习与强化学习，提升机器人在开放世界中的快速适应能力与鲁棒性。

Comments IEEE ICRA 2025 Doctoral Consortium

Actor-Critic Cooperative Compensation to Model Predictive Control for Off-Road Autonomous Vehicles Under Unknown Dynamics

动作-批评合作补偿用于未知动力学下的越野自主车辆模型预测控制

Prakhar Gupta, Jonathon M Smereka, Yunyi Jia

机构 * Department of Automotive Engineering, Clemson University（汽车工程系，克莱姆森大学） ； Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command（地面车辆系统中心，美国陆军作战能力发展指挥部） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO

AI总结 本研究提出了一种结合深度强化学习与模型预测控制的AC3MPC控制器，用于提升越野自主车辆在未知动态环境下的控制性能。

Comments 7 pages, Accepted at 2025 IEEE ICRA

Journal ref 2025 IEEE ICRA, pp. 2354-2360

Metasurface-assisted balanced-injection synchronization for turbulence-resilient long-haul chaotic free-space link

元表面辅助的平衡注入同步用于抗湍流的长距离混沌自由空间链路

Yiqun Zhang, Mingfeng Xu, Ning Jiang, Mengjie Zhou, Yuhan Zheng, Sichao Chen, Jiazheng Ding, Shuangcheng Chen, Yong Yu, Xianglei Yan, Fei Zhang, Yinghui Guo, Mingbo Pu, Kun Qiu, Xiangang Luo

专题命中 规划控制 ：LiDAR(abstract)

AI总结 本研究提出一种基于元表面的平衡注入同步机制，有效抑制湍流引起的耦合波动，提升自由空间链路的同步性能，实现高达720 Gbps·km的通信速率距离乘积。

Capturing Cumulative Disease Burden in Chronic Kidney Disease Outcome Trials: Area Under the Curve and Restricted Mean Time in Favor of Treatment Beyond Conventional Time-to-First Analysis

在慢性肾脏病结局试验中捕捉累积疾病负担：曲线下面积和治疗优势的限制均时间

Jiren Sun, Tuo Wang, Yu Du

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文提出两种方法，AUC和RMT-IF，用于更准确地评估慢性肾脏病治疗的累积疾病负担，通过整合事件严重程度和状态占用，改进CKD结局试验的效率和可解释性。