世界模型

Controllable Flow Matching for Online Reinforcement Learning

可控流匹配用于在线强化学习

Bin Wang, Boxiang Tao, Haifeng Jing, Hongbo Dou, Zijian Wang

专题命中 模型式强化学习 ：model-based reinforcement learning(abstract)；分类 cs.AI、cs.LG；dynamics model(abstract)

AI总结 CtrlFlow通过条件流匹配直接建模轨迹分布，提升在线强化学习的样本效率和策略鲁棒性。

Knowledge-data fusion dominated vehicle platoon dynamics modeling and analysis: A physics-encoded deep learning approach

基于知识-数据融合的车辆编队动力学建模与分析：一种物理编码深度学习方法

Hao Lyu, Yanyong Guo, Pan Liu, Shuo Feng, Weilin Ren, Quansheng Yue

机构 * School of Transportation, Southeast University, Nanjing, China, 211189（东南大学交通学院） ； Jiangsu Key Laboratory of Urban ITS, Nanjing, China, 210096（江苏省城市智能交通重点实验室） ； Jiangsu Collaborative Innovation Center of Modern Urban Traffic Technologies, Nanjing, China, 210096（江苏省现代城市交通技术协同创新中心） ； Department of Automation, Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, Beijing, China, 100084（自动化系，北京信息科学与技术国家研究中心（BNRist），清华大学） 纠错

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.AI、cs.RO

AI总结 本文提出PeMTFLN模型，通过物理编码深度学习方法实现车辆编队动力学建模与分析，提升预测精度和稳定性。

Journal ref Information Fusion, Vol. 126, 103622, 2026

On Exact Editing of Flow-Based Diffusion Models

关于基于流的扩散模型的精确编辑

Zixiang Li, Yue Song, Jianing Peng, Ting Liu, Jun Huang, Xiaochao Qu, Luoqi Liu, Wei Wang, Yao Zhao, Yunchao Wei

机构 * Institute of Information Science, Beijing Jiaotong University（信息科学学院，北京交通大学） ； Visual Intelligence +X International Cooperation Joint Laboratory of MOE（视觉智能+X国际合作联合实验室） ； MT Lab, Meitu Inc（美图实验室，美图公司） ； Tsinghua University（清华大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.CV

AI总结 CVC通过双视角速度转换机制改进基于流的扩散编辑，实现更稳定的潜在动态和更准确的图像转换。

Dynamics-Invariant Quadrotor Control using Scale-Aware Deep Reinforcement Learning

基于尺度感知深度强化学习的动态不变四旋翼控制

Varad Vaidya, Jishnu Keshavan

机构 * Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（罗伯特·博世网络物理系统中心，印度科学研究院） ； Department of Mechanical Engineering, Indian Institute of Science（机械工程系，印度科学研究院） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.RO

AI总结 本文提出一种基于尺度感知深度强化学习的四旋翼控制方法，通过直接优化力/扭矩输入实现动态不变性，有效提升轨迹跟踪精度和鲁棒性。

Comments This work has been submitted to the IEEE for possible publication

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Identifying recurrent flows in high-dimensional dissipative chaos from low-dimensional embeddings

从低维嵌入中识别高维耗散混沌中的循环流

Pierre Beck, Tobias M. Schneider

机构 * Emergent Complexity in Physical Systems Laboratory (ECPS), \'Ecole Polytechnique F\'ed\'erale de Lausanne, 1015 Lausanne, Switzerland 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.LG

AI总结 本文提出一种在低维嵌入中识别高维耗散混沌系统循环流的方法，通过循环收敛算法和潜在动力学模型实现对UPOs的高效识别。