arXiv cs.AI· Antonio Terpin, Francesco Banelli, Alan Bonomi, Raffaello D'Andrea·· 10 小时前AI 评分29
ART of PIV：面向主动流动控制的智能体实时粒子图像测速
ART of PIV: Agentic Real-Time Particle Image Velocimetry for Active Flow Control
AI 导读
ART of PIV 为每对图像自动选择 PIV 处理流程配置，在匹配速度下将平均端点误差（AEPE）较最佳单一估计器降低 12.2-22.4%，增益可延伸至 1000-4000 图像对/秒。
正文 · AI 翻译
摘要：粒子图像测速（PIV）通过示踪粒子图像测量流体运动，但其精度取决于整个估计流程中的各项选择，包括图像预处理、流场估计和后处理。这些选择通常留给专家调优，而固定配置在条件变化时可能变得不够准确。当 PIV 为实时控制提供反馈时，这一点尤为重要，因为此时测量必须既准确又快速，且流场条件会变化。我们提出 ART of PIV——是 Agentic Real-Time 的缩写，同时也呼应调优 PIV 流程这门艺术——它为每一对图像自动选择流程。一个学习型智能体根据选定的测量目标，从为指定速度预算而构建的配置库中选择配置。在互相关、经典光流和基于学习的估计器上，ART of PIV 在相同速度下相对于最佳单一估计器将平均端点误差（AEPE）降低 12.2-22.4%，增益可延伸至 1000-4000 图像对/秒。在模拟局部速度调节任务中，相对于调优后的固定估计器，它将平均归一化闭环成本降低 13.24-13.59 个百分点，两种情况下均使用相同的经典控制器。在桌面水槽中，我们展示了为三旋转圆柱流体弹球调优 ART of PIV 的两种方式：在互补的光流调优之间为精度进行选择，以及使用通用流场估计器选择具有相干旋转或剪切的感兴趣区域。对于第一种变体，我们直接在物理世界中训练 DreamerV3 强化学习控制器，并演示了对流体弹球尾流中指定流场的跟踪。
| 主题： | 流体动力学（physics.flu-dyn）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.41304 [physics.flu-dyn] |
| （或 arXiv:2610.41304v1 [physics.flu-dyn] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41304 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Antonio Terpin [查看电子邮件]
[v1]
2026年10月30日星期五 06:04:36 UTC（10,636 KB）
来源：arXiv cs.AI · arxiv.org