University of Pennsylvania（宾夕法尼亚大学）

Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight

用于实时紧密四旋翼编队飞行的保平坦度残差学习

Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh

机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） 纠错

AI总结 针对紧密编队飞行四旋翼受空气动力学相互作用影响问题，提出基于物理的残差动力学学习框架，设计高效反馈线性化控制器，经硬件实验验证其能降低跟踪误差，在低计算量下达到NMPC跟踪性能，且短训练数据和低循环速率可实现稳定编队飞行。

Comments Accepted at IROS 26'

Seeing is Free, Speaking is Not: Uncovering the True Energy Bottleneck in Edge VLM Inference

眼见无需耗能，言语却要代价：揭示边缘视觉语言模型推理中的真正能量瓶颈

Junfei Zhan, Haoxun Shen, Mingang Guo, Zixuan Huang, Tengjiao He

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Jinan University（暨南大学） 纠错

AI总结 研究边缘VLM推理的能量瓶颈，通过系统能量分析发现平均推理功率恒定，输出令牌耗时多是关键，图像复杂度因输出长度影响能量，揭示视觉令牌修剪局限，控制输出长度能大幅节能。

Comments Accepted to ACM MM 2026. This version includes the appendix

Nonlinear GENERIC-Embedded Neural Networks (N-GENNs): Learning GENERIC dynamics with non-quadratic dissipation potentials

非线性GENERIC指导神经网络（N-GINNs）：利用非二次耗散势学习GENERIC动力学

Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka

机构 * Mathematical Institute, Faculty of Mathematics and Physics, Charles University（查理大学数学学院） ； Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania（宾夕法尼亚大学机械工程与应用力学系） 纠错

AI总结 本文提出N-GINNs框架，通过非二次耗散势实现非线性GENERIC动力学的发现，验证了其在热力学一致模型推断中的有效性。

Comments 25 pages, 7 figures, 4 tables

SparsePixels: Efficient Convolution for Sparse Data on FPGAs

SparsePixels: 用于FPGA上稀疏数据高效卷积的框架

Ho Fung Tsoi, Dylan Rankin, Vladimir Loncar, Philip Harris

机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学） ； Institute of Physics Belgrade, Serbia（塞尔维亚贝尔格莱德物理研究所） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Institute for Artificial Intelligence and Fundamental Interactions, USA（美国人工智能与基本相互作用研究所） 纠错

AI总结 本文提出SparsePixels框架，通过只计算少量活跃像素实现稀疏卷积，降低FPGA上的推理延迟，实验显示在稀疏LArTPC图像中，稀疏CNN比传统CNN快73倍。

Comments Under review