ART of PIV: Agentic Real-Time Particle Image Velocimetry for Active Flow Control
作者: Antonio Terpin, Francesco Banelli, Alan Bonomi, Raffaello D'Andrea
分类: physics.flu-dyn, cs.AI, cs.CV
发布日期: 2026-10-30
💡 一句话要点
提出ART of PIV以解决实时粒子图像测速中的配置选择问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 粒子图像测速 实时控制 流动估计 自动化配置 强化学习
📋 核心要点
- 现有的粒子图像测速方法依赖于专家调优，固定配置在流动条件变化时准确性下降。
- ART of PIV通过自动化选择图像对的配置，利用学习代理根据特定测量目标进行优化。
- 实验结果显示，ART of PIV在速度匹配的情况下，平均端点误差降低12.2-22.4%，并在模拟任务中显著提升了控制性能。
📝 摘要（中文）
粒子图像测速（PIV）通过追踪粒子图像来测量流体运动，但其准确性依赖于估计流程中的多个选择。传统方法通常需要专家调优，固定配置在条件变化时可能失效。本文提出ART of PIV，自动化选择每对图像的配置，利用学习代理根据测量目标从库中选择配置。实验表明，ART of PIV在多个估计器中相较于最佳单一估计器减少了12.2-22.4%的平均端点误差，并在模拟任务中显著降低了闭环成本。
🔬 方法详解
问题定义：本文旨在解决粒子图像测速（PIV）中配置选择的挑战，现有方法依赖于专家调优，固定配置在流动条件变化时准确性下降，影响实时控制的效果。
核心思路：ART of PIV通过引入学习代理，自动化选择每对图像的最佳配置，依据特定的测量目标和速度预算，从而提高测速的准确性和效率。
技术框架：整体架构包括图像预处理、流动估计和后处理三个主要模块。学习代理从预先构建的配置库中选择最优配置，适应不同的流动条件。
关键创新：ART of PIV的核心创新在于其自动化配置选择机制，利用学习算法动态调整估计器，显著提升了在不同流动条件下的测量准确性。
关键设计：在设计中，采用了多种流动估计器（如交叉相关、经典光流和基于学习的估计器），并通过强化学习优化控制策略，确保在实际应用中能够快速响应流动变化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，ART of PIV在速度匹配的情况下，平均端点误差减少了12.2-22.4%，并在模拟局部速度调节任务中，闭环成本降低了13.24-13.59个百分点，展示了其在实时控制中的有效性。
🎯 应用场景
该研究的潜在应用领域包括流体动力学实验、航空航天、汽车工程等需要实时流动监测和控制的场景。通过提高粒子图像测速的准确性和响应速度，ART of PIV能够在复杂流动环境中提供更可靠的数据支持，推动相关领域的技术进步。
📄 摘要（原文）
Particle image velocimetry (PIV) measures fluid motion from images of tracer particles, but its accuracy depends on choices throughout the estimation pipeline, including image preprocessing, flow estimation, and postprocessing. These choices are typically left to expert tuning, and a fixed configuration can become less accurate as conditions change. This matters especially when PIV supplies feedback for real-time control, where measurements must be both accurate and fast, and flow conditions vary. We introduce ART of PIV -- short for Agentic Real-Time and also a nod to the art of tuning a PIV pipeline -- which automates pipeline choice for each image pair. A learned agent selects a configuration according to a chosen measurement objective from a library assembled for a specified speed budget. Across cross-correlation, classical optical-flow, and learning-based estimators, ART of PIV reduces average end-point error (AEPE) by 12.2-22.4 % relative to the best single estimator at matched speed, with gains extending to 1000-4000 image pair/s. In a simulated local velocity regulation task, it reduces mean normalized closed-loop cost by 13.24-13.59 percentage points relative to a tuned fixed estimator, with the same classical controller in both cases. In a tabletop water channel, we illustrate two ways to tune ART of PIV for a fluidic pinball of three rotating cylinders: selecting between complementary optical-flow tunings for accuracy, and selecting regions of interest with coherent rotation or shear using a common flow estimator. For the first variant, we train a DreamerV3 reinforcement learning controller directly in the physical world and demonstrate tracking of a prescribed flow field in the wake of a fluidic pinball.