arXiv cs.AI· Yizhou Zhang, Panqi Chen, Lei Cheng, Ting Zhang, Jianlong Li, Jianfeng Shi, Shikai Fang·· 10 小时前AI 评分31
DyPSI：联合生成未来场与传感器轨迹的动态物理感知框架
DyPSI: Dynamic Physics Sensing via Joint Field and Sensor-Trajectory Generation
AI 导读
DyPSI 将动态物理感知建模为在历史观测条件下联合生成未来场与传感器轨迹，通过共享 Functional Tucker 表示编码场与传感配置，并用联合扩散模型在潜空间中同时生成二者。
正文 · AI 翻译
摘要：在不断变化的环境中进行物理感知，需要从稀疏观测中重建稠密时空场，同时自适应地决定未来应在何处采集观测。现有的重建与传感器布设方法已取得实质性进展，但它们通常依赖静态感知假设：要么在所有帧上使用单一布局，要么在每一帧独立优化布设位置，这限制了它们生成时间上连贯的感知轨迹的能力。我们提出 DyPSI，一个动态物理感知框架，将该问题建模为以历史观测为条件，联合生成未来场与传感器轨迹。DyPSI 将离散传感器坐标提升为连续的传感器位置场，用共享的 Functional Tucker 表示对场与感知配置进行编码，并训练一个联合扩散模型，在所得潜空间中同时生成未来场与感知轨迹。一个高斯过程时间核关联扩散训练期间注入的扰动，使去噪器偏向时间上平滑的恢复；我们进一步提供分析，将 EDM 训练目标与序列聚合的 A-最优性准则以及核诱导的离散轨迹变化界联系起来。在湍流、GLORYS12 海表温度和三维汽车空气动力学上的实验表明，DyPSI 始终优于静态与逐帧布设策略，在传感器预算紧张时显著降低误差。代码见 此 https URL。
| 评论： | 已被 NeurIPS 2026 接收。35 页，4 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.06280 [cs.AI] |
| （或 arXiv:2611.06280v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06280 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yizhou Zhang [查看邮箱]
[v1]
2026 年 11 月 4 日星期三 10:21:43 UTC（2,621 KB）
来源：arXiv cs.AI · arxiv.org