Johns Hopkins University（约翰斯·霍普金斯大学）

Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators

基于神经Koopman算子的气动软机器人导管建模与控制

Yiyao Yue, Noah Barnes, Lingyun Di, Olivia Young, Ryan D. Sochol, Jeremy D. Brown, Axel Krieger

机构 * Laboratory for Computational Sensing and Robotics（计算感知与机器人实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； Department of Mechanical Engineering（机械工程系） ； University of Maryland（马里兰大学） 纠错

AI总结 本文提出基于神经Koopman算子的框架，用于提升软机器人导管的建模与控制精度，实现高精度定位与姿态控制。

Comments 8 pages, 6 figures. Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions

InfinityStory: 无限视频生成与世界一致性及角色感知镜头过渡

Mohamed Elmoghany, Liangbing Zhao, Xiaoqian Shen, Subhojyoti Mukherjee, Yang Zhou, Gang Wu, Viet Dac Lai, Seunghyun Yoon, Ryan Rossi, Abdullah Rashwan, Puneet Mathur, Varun Manjunatha, Daksh Dangi, Chien Nguyen, Nedim Lipka, Trung Bui, Krishna Kumar Singh, Ruiyi Zhang, Xiaolei Huang, Jaemin Cho, Yu Wang, Namyong Park, Zhengzhong Tu, Hongjie Chen, Hoda Eldardiry, Nesreen Ahmed, Thien Nguyen, Dinesh Manocha, Mohamed Elhoseiny, Franck Dernoncourt

机构 * Adobe Research（Adobe研究院） ； KAUST（卡塔尔科技大学） ； University of Oregon（俄勒冈大学） ； University of Memphis（密苏里大学孟菲斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Meta AI ； Texas A&M University（德克萨斯农工大学） ； Dolby Labs（杜比实验室） ； Virginia Tech（弗吉尼亚理工大学） ； Cisco（思科） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

AI总结 InfinityStory通过引入背景一致的生成管道和过渡感知的视频合成模块，实现了多主体场景下的长篇视频生成，提升了背景一致性、主体一致性和时间连贯性。

Generalization of RLVR Using Causal Reasoning as a Testbed

使用因果推理作为测试平台的RLVR泛化

Brian Lu, Hongyu Zhao, Shuo Sun, Hao Peng, Rui Ding, Hongyuan Mei

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research Asia（微软亚洲研究院） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） 纠错

AI总结 本文通过实验证明，RLVR在特定模型规模和训练查询层次下能提升因果推理能力，尤其在复杂查询中表现更优。

BumpNet: A Sparse MLP Framework for Learning PDE Solutions

BumpNet：一种用于学习PDE解的稀疏MLP框架

Shao-Ting Chiu, Ioannis G. Kevrekidis, Ulisses Braga-Neto

机构 * Department of Electrical and Computer Engineering, Texas A\&M University, TX, USA（电气与计算机工程系，德克萨斯A&M大学） ； Department of Chemical and Biomolecular Engineering, The Johns Hopkins University, MD, USA（化学与生物分子工程系，约翰霍普金斯大学） 纠错

AI总结 BumpNet是一种基于稀疏MLP的PDE求解框架，结合物理信息神经网络、进化深度神经网络和深度算子网络，实现高效准确的PDE解算。

Crystal-GFN: sampling crystals with desirable properties and constraints

Crystal-GFN: 生成具有理想性质和约束条件的晶体

Mila AI4Science, :, Alex Hernandez-Garcia, Alexandre Duval, Alexandra Volokhova, Yoshua Bengio, Divya Sharma, Pierre Luc Carrier, Yasmine Benabed, Michał Koziarski, Victor Schmidt, Gian-Marco Rignanese, Pierre-Paul De Breuck, Paulette Clancy

机构 * Mila AI4Science ； Université de Montréal（蒙特利尔大学） ； CentraleSupélec, Université Paris-Saclay（中央圣艾修伯里学院，巴黎萨克莱大学） ； Johns Hopkins University（约翰霍普金斯大学） ； UCLouvain（布鲁塞尔自由大学） 纠错

AI总结 Crystal-GFN是一种生成具有理想性质和约束条件的晶体结构模型，通过多环境连续-离散GFlowNet高效发现多样且有效的晶体。

Comments This is the version of the manuscript submitted (though not accepted) to ICML 2024 in February 2024