智能体按图像对自动选择 PIV 流程配置，提升测速精度与闭环控制表现。
资讯摘要
论文提出 ART of PIV，一种为每对粒子图像自动选择测速流程配置的智能体方法：学习型智能体在给定速度预算下，从配置库中按测量目标挑选预处理、流场估计与后处理方案。作者报告，在互相关、经典光流与学习型估计器上，其平均端点误差较同速最佳单一估计器降低 12.2%–22.4%，并在模拟闭环速度调节任务中降低归一化闭环代价。
要点速读
- 智能体按每对图像选择配置，覆盖互相关、经典光流与学习型估计器三类方法。
- 作者报告平均端点误差较同速最佳单一估计器降低 12.2%–22.4%，增益可延伸至每秒 1000–4000 对图像。
- 在模拟局部速度调节任务中，闭环代价较调优的固定估计器降低 13.24–13.59 个百分点；桌面水槽实验中用 DreamerV3 控制器跟踪流体风车尾流的规定流场。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。