IEEE RA-L

Online Learning-Enhanced High Order Adaptive Safety Control

在线学习增强的高阶自适应安全控制

Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

机构 * Brown University（布朗大学） ； University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学） 纠错

AI总结 本文提出一种基于神经ODE的在线学习增强高阶自适应控制屏障函数，用于提升系统安全性，尤其在复杂时变模型扰动下保持安全距离。

Comments 8 pages, 8 figures, accepted by RA-L

PRIX: Learning to Plan from Raw Pixels for End-to-End Autonomous Driving

PRIX：从原始像素学习计划以实现端到端自动驾驶

Maciej K. Wozniak, Lianhang Liu, Yixi Cai, Patric Jensfelt

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； SCANIA（斯堪尼亚） 纠错

AI总结 PRIX通过使用仅需摄像头数据的端到端驾驶架构，无需BEV表示和LiDAR，直接从原始像素预测安全轨迹，实现了高效且实用的自动驾驶解决方案。

Comments Accepted for Robotics and Automation Letters (RA-L) and will be presented at iROS 2026

Towards Robust Optimization-Based Autonomous Dynamic Soaring with a Fixed-Wing UAV

面向鲁棒优化的自主动态滑翔飞行固定翼无人机

Marvin Harms, Jaeyoung Lim, David Rohr, Friedrich Rockenbauer, Nicholas Lawrance, Roland Siegwart

机构 * Autonomous Robots Lab, NTNU, Norway（挪威科技大学自主机器人实验室） ； Autonomous Systems Lab, ETH Zürich, Zürich 8092, Switzerland（苏黎世联邦理工学院自主系统实验室） ； CSIRO Robotics, Data61, QLD 4069, Australia（澳大利亚联邦科学与工业研究组织机器人技术部，Data61） 纠错

AI总结 本文提出一种基于优化的自主动态滑翔框架，通过风场显式表示和经典控制方法实现鲁棒路径跟踪，验证了在风场估计误差下的动态滑翔性能。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L). \c{opyright} 2026 IEEE