当你在为《自动化学报》(Acta Automatica Sinica, AAS) 设计与呈现实验、仿真或实物验证时调用。
覆盖研究问题(RQ)驱动的实验设计、公平基线与对照、控制类的稳定性/收敛性/鲁棒性分析、模式识别类的指标与统计显著性、消融实验、仿真与实物平台的报告要素，帮助为控制理论、机器人、智能系统方向的中文稿搭建经得起 Acta Automatica Sinica 双盲外审的实证与理论证据链。
インストールする前に、エージェントに与えられる指示の中身を確認できます。
本技能帮你为《自动化学报》(Acta Automatica Sinica, AAS) 搭建经得起双盲外审的证据链。控制/自动化
稿件的证据不只是"跑得好"，还包括理论保证（稳定性、收敛性）与公平对照。以下方法于
2026-07-09 核验框架（见 resources/official-source-map.md）。
先把要回答的研究问题写清，再据此设计实验：
RQ1 所提控制律是否保证闭环稳定/收敛？——理论证明 + 仿真验证
RQ2 相比基线，性能指标是否显著改进？——对比实验 + 定量指标
RQ3 各设计模块是否必要？——消融实验
RQ4 对扰动/参数摄动是否鲁棒？——鲁棒性/敏感性实验
| 要点 | 做法 |
|---|---|
| 基线选择 | 选最接近、最强的已有方法，非弱化版稻草人 |
| 同等条件 | 相同系统模型、初始条件、噪声、算力预算 |
| 调参公平 | 基线也认真调参，报告调参协议 |
| 多场景 | 多个被控对象/数据集，避免单点结论 |
aas-reproducibility）。| 形式 | 用途 |
|---|---|
| 响应曲线/相图 | 展示动态过程与稳定性 |
| 对比表 | 多方法多指标定量对齐 |
| 消融表 | 各模块贡献 |
| 箱线/误差棒 | 多次运行的分布与方差 |
图表遵循 aas-writing-style：图下表上、矢量、黑白可辨、法定单位。
[RQ] 每个实验对应明确 RQ？
[理论] 稳定性/收敛性有严格证明与假设？
[基线] 最强公平基线？同等条件？调参协议已报告？
[指标] 口径统一、任务匹配？
[统计] 多次运行均值±方差？必要显著性检验？
[消融] 关键模块逐一验证？
[鲁棒] 扰动/摄动/噪声扫描 + 失效边界？
[复现] 环境/种子/数据固定（见 aas-reproducibility）？
[图表] 符合本刊体例？
aas-writing-style 修正。不同方向的实验骨架略有差异，可据此起步：
| 方向 | 典型实验骨架 |
|---|---|
| 自适应/鲁棒控制 | 稳定性证明 → 仿真跟踪/调节 → 参数摄动鲁棒 → 与经典控制对比 |
| 多智能体一致性 | 拓扑设定 → 收敛性证明 → 不同拓扑仿真 → 通信/饱和约束验证 |
| 强化学习控制 | 环境设定 → 多种子训练曲线 → 与基线策略对比 → 泛化/鲁棒 |
| 模式识别 | 数据集划分 → 主指标对比 → 消融 → 混淆矩阵/可视化 |
| 机器人 | 仿真验证 → 实物平台 → 多工况 → 演示（可作附件） |
[归因] 改进能归因到具体设计而非调参运气？（消融支撑）
[稳健] 换数据集/对象/种子结论是否稳定？
[对照] 与最强基线在同等条件下比较？
[统计] 差异是否显著、是否报告方差？
[复现] 配置/种子/环境是否可复现（见 aas-reproducibility）？
《自动化学报》(Acta Automatica Sinica, AAS) 的证据期待是"理论分析 + 充分实验"双支撑：控制类
强调稳定性/收敛性证明与仿真/实物验证，识别/智能类强调统计严谨与公平对照。让实验设计服务于坐实
可数贡献，而非堆砌图表，配合 aas-reproducibility 让 Acta Automatica Sinica 的外审对结果可靠性
放心。
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
Use when packaging AAAI code, data, multimedia appendices, technical appendices, reproducibility evidence, and post-acceptance artifact releases without violating double-blind or immutable-supplement rules.
日本語の概要は準備中です。原文の説明を表示しています。
Use when drafting an AAAI author response (rebuttal) under the single short character-limited author-feedback window, the no-URL rule, no-new-results guidance, AI-generated-review handling, and the AAAI two-phase review process where Phase-2 papers receive one feedback round before SPC/AC discussion.
日本語の概要は準備中です。原文の説明を表示しています。
Use when preparing an accepted AAAI paper for camera-ready source submission to AAAI Press, including proceedings page limits, two-column template compliance, copyright transfer, purchased extra technical pages, deanonymization, registration, oral or poster presentation, and final public artifact release.
日本語の概要は準備中です。原文の説明を表示しています。
Use when designing or auditing AAAI experiments for the broad-AI program committee, including baselines, ablations, statistical significance, robustness, human evaluation, AI-for-Social-Impact and alignment/safety evidence, compute and cost reporting, and reproducibility-checklist alignment for Phase-1 survival.
日本語の概要は準備中です。原文の説明を表示しています。
Use when positioning an AAAI paper's novelty against archival work, contemporaneous arXiv or workshop papers, and AAAI/IJCAI/NeurIPS/ICML/ICLR neighbors across the broad AI scope, while staying inside AAAI's dual-submission and AI-as-source policy constraints and writing a related-work section legible to non-specialist reviewers.
日本語の概要は準備中です。原文の説明を表示しています。
Use when strengthening an AAAI paper's reproducibility checklist (placed after references), experimental traceability, seed and hyperparameter reporting, compute and cost disclosure, dataset access and licensing, code/data ZIP readiness, and the claim-to-evidence map that Phase-1 reviewers use to judge rigor across AAAI's broad AI scope.
日本語の概要は準備中です。原文の説明を表示しています。