EPFL（洛桑联邦理工学院）

Dirac-Frenkel dynamics with inertia for nonlinearly parametrized solutions of evolution problems

带惯性的Dirac-Frenkel动力学用于演化问题的非线性参数化解

Matteo Raviola, Benjamin Peherstorfer

机构 * Scientific Computing and Uncertainty Quantification - CADMOS Chair, EPFL（科学计算与不确定性量化——CADMOS Chair，EPFL） ； Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学） 纠错

AI总结 针对冗余非线性参数化（如神经网络或混合模型）导致的参数动力学非唯一或病态问题，提出在Dirac-Frenkel动力学中加入惯性，使弱信息方向保留历史速度，强信息方向保持原动力学，证明良定性并给出后验误差界。

Accurate Trajectory Tracking with Model Predictive Contouring Control for Bird-Scale Flapping-Wing MAVs

利用MPCC实现精确轨迹跟踪的扑翼微型飞行器

Charbel Toumieh, Jack Zeng, Niel Mistry, Dario Floreano

机构 * Laboratory of Intelligent Systems, Ecole Polytechnique Federale de Lausanne (EPFL)（智能系统实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 本文提出MPCC方法，通过在线优化轨迹跟踪，解决扑翼飞行器动力学耦合问题，实现在复杂机动中的高精度跟踪。

Comments 9 pages, 7 figures