CN108829133A - 一种存在扰动三维环境下的分布式编队控制系统和方法 - Google Patents
一种存在扰动三维环境下的分布式编队控制系统和方法 Download PDFInfo
- Publication number
- CN108829133A CN108829133A CN201810662642.6A CN201810662642A CN108829133A CN 108829133 A CN108829133 A CN 108829133A CN 201810662642 A CN201810662642 A CN 201810662642A CN 108829133 A CN108829133 A CN 108829133A
- Authority
- CN
- China
- Prior art keywords
- formation
- control
- state
- individual
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000005755 formation reaction Methods 0.000 description 46
- 239000011159 matrix material Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003592 biomimetic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种存在扰动三维环境下的分布式编队控制系统和方法。本发明将模型预测控制与扩展卡尔曼滤波相结合,实现了在受控对象建模存在较强不确定性,对受控对象输出的测量存在噪声的场景下,对多受控对象进行编队控制。同时,将群体智能优化算法库融入,实现了在受控对象存在复杂的、耦合的三维空间动力学特性,且受限于复杂约束的情形下,对多受控对象的编队控制。此外,采用分布式模型预测控制进行实现,进一步降低控制律解算的计算开销,并增强编队控制的抗打击能力。
Description
技术领域
本发明涉及编队控制技术领域。更具体地,涉及一种存在扰动三维环境下的分布式编队控制系统和方法。
背景技术
在真实场景中,被控对象往往是黑盒的,因此,为实现对被控对象的控制,往往需要对被控对象进行数学模型建立,通过对数学模型的研究设计控制律。目前,较为常见且应用较为广泛的几种控制方法主要有:PID控制方法、人工势场法、基于一致性理论的控制方法以及模型预测控制方法。其中,PID控制方法在处理复杂需求及约束的能力上有所不足;人工势场法对于反馈增益的调节不是显然的,且存在势函数有较多局部极优值问题,同时,其在处理具有非完整约束的编队问题上也比较局限;基于一致性理论的控制方法则在较大程度上仍停留在理论阶段,且其不易处理复杂约束;模型预测控制方法则能够显式的处理较为复杂的约束,同时能够实现将全局优化分解为滚动时域上的局部优化,在一定程度上降低计算复杂度。因此,在较为复杂的编队问题,特别是三维环境下的编队控制问题中,模型预测控制方法具有较强的优势。
模型预测控制也有其问题:复杂的代价函数为基于解析的求解方法带来困难;集中式解算计算开销偏大。针对代价函数复杂的问题,群体智能优化算法与模型预测控制相结合的办法带来了突破[1],而针对计算开销偏大的问题,分布式模型预测控制[2]给出了关键解决方案。
相比于真实系统,模型往往存在不确定性,在反馈信号中也往往存在噪声。因此,需要引入一种手段来进行纠偏。然而在笔者所涉猎的编队控制的研究中,尽管部分研究人员对此问题进行一定的探讨,如文献[3]-[7],其研究也往往是针对比较简单的二维平面编队控制的。如卫星编队[3]-[5]及平面机器人编队[6],[7],前者受其轨道平面的约束而可以考虑为仅在该平面内运动,后者则由于受到地面的约束而仅做平面运动。虽然在一些问题中,三维问题可以转化为二维平面问题,但在很多情况下并不如此,特别是当被控对象中存在较强的非线性特性、不同维度之间出现耦合现象时。同时,在现有研究中,作者所关注的往往是传感器噪声的影响,而没有较多关注模型的不确定性。此外,在上述研究中,鲜有将对噪声干扰的问题的考虑融入到模型预测控制[5],特别是分布式模型预测控制方法中。
发明内容
针对真实场景中受控对象在三维空间中的动力特性往往难以平面化,模型存在不确定性、测量存在噪声,复杂编队控制中存在复杂约束,以及集中式控制律解算开销偏大的特点,为弥补现有方法的不足,本发明提出一种存在扰动三维环境下的分布式编队控制系统及方法。
该系统将基于群体智能优化算法的分布式模型预测控制方法与扩展卡尔曼滤波相结合,从而完成基于测量与估计的编队控制律解算,进而实现在同时含有模型不确定性、测量噪声、受控对象约束的情况下,对具有耦合的三维动态性能的多受控对象进行编队控制。
为了实现上述目的,本发明采用以下技术方案:
本发明第一个方面提供一种存在扰动三维环境下的分布式编队控制系统,包括:预测时域内最优控制律解算模块、编队中个体状态估计模块以及编队中个体状态演化模块;
预测时域内最优控制序列解算模块包括:分布式模型预测控制子模块和群体智能优化算法库子模块;
所述分布式模型预测控制子模块为包括多个子系统的系统,每个时刻,每个子系统向其他子系统分发自己当前的状态和预测时域内的未来状态;而后,每个子系统分别根据整个系统的状态和未来状态对目标代价函数进行寻优,并由获得的最优输入对当前的状态和未来状态进行更新,直至结束;所述子系统为编队内的个体;
所述群体智能算法库子模块包括多种群体智能优化算法,用以较优地处理复杂的代价函数;
所述编队中个体状态估计模块,基于扩展卡尔曼滤波对编队中的个体状态进行估计;基于编队中个体动力学模型进行离散化,并基于此对相应的扩展卡尔曼滤波器的预测和校正模块进行构建;
所述编队中个体状态演化模块,在真实环境中为编队中各个个体依各自的动态特性演化,从而对其输出量进行测量;在仿真环境中则采用不同的微分方程数值解算算法对下一时刻编队中各个个体的真实状态进行解算,并由相应的测量模块进行输出测量;该测量值被传递至编队中个体状态估计模块用于校正。
优选地,复杂约束方面,在群体智能算法库子模块与分布式模型预测控制子模块的接口处,通过具体的编码方式的设计,针对不同问题中的约束进行处理,或者通过罚函数的设计进行处理,或者采用群体智能算法库子模块中多个算法的算子进行求解。
本发明另一方面提供一种存在扰动三维环境下的分布式编队控制方法,包括以下步骤:
设计搭建应用于控制的受控对象的三维动力学模型并进行离散化;
设定编队中受控对象的传感器数据处理、数据封装以及受控对象间通信模块接口协议;
编写模型预测控制算法并完成其参数配置;
基于现有模型实现扩展卡尔曼滤波器;
引入群体智能优化算法库并实现编码。
优选地,设计搭建应用于控制的受控对象的三维动力学模型并进行离散化的步骤包括:对受控对象的动力学特性进行分析,得出其动力学微分方程;针对所得的动力学微分方程,采用微分方程数值求解方法进行离散化,获得由受控对象当前状态推算下一时刻状态的状态更新方程。
优选地,编写模型预测控制算法并完成其参数配置步骤中,在算法编写方面,对代价函数以及模型预测控制中预测部分所采用的微分方程数值求解方法进行设计。
优选地,所述微分方程数值求解方法与受控对象动力学微分方程的求解方法相同。
优选地,基于现有模型实现扩展卡尔曼滤波器步骤中,对于扩展卡尔曼滤波器的实现,包括两个部分:预测和校正。
本发明的有益效果如下:
本发明将模型预测控制与扩展卡尔曼滤波相结合,实现了在受控对象建模存在较强不确定性,对受控对象输出的测量存在噪声的场景下,对多受控对象进行编队控制。同时,将群体智能优化算法库融入,实现了在受控对象存在复杂的、耦合的三维空间动力学特性,且受限于复杂约束的情形下,对多受控对象的编队控制。此外,采用分布式模型预测控制进行实现,进一步降低控制律解算的计算开销,并增强编队控制的抗打击能力。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的一种存在扰动三维环境下的分布式编队控制系统示意图。
图2为本发明的一种存在扰动三维环境下的分布式编队控制系统仿真整体设计。
图3为三机编队示例。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明实施例部分提供一种存在扰动三维环境下的分布式编队控制系统包括三个模块:预测时域内最优控制律解算模块、基于扩展卡尔曼滤波的编队中个体状态估计模块以及编队中个体状态演化模块。图2给出了基于仿真环境的整体系统设计。
在整体设计上,认为通过传感器个体当前的真实状态不能获得,能够获取的仅为对其当前时刻状态的估计。因此,在任意时刻,每个个体有两个状态,即真实状态和估计状态。此外,从整体设计上可以看出,在对每个个体当前预测时域内的最优控制序列进行解算时,该个体不再能够获得当前编队内所有个体的真实状态,而是只能获得当前编队内个体在预测时域内估计状态的预测值。同时对于当前个体的状态,其余个体也只能获得其经过测量输出校正后的估计状态,而得不到其真实的状态。下面对其中的实现技术逐一进行介绍。
预测时域内最优控制序列解算模块主要由分布式模型预测控制以及群体智能优化算法库两个子模块组成。
首先,对于分布式模型预测控制子模块,考虑一个由多个子系统(即编队内的个体)所构成的系统。在每个时刻,每个子系统向其他子系统分发自己当前的状态和预测时域内的未来状态。而后,每个子系统分别根据整个系统的状态和未来状态对目标代价函数进行寻优,并由获得的最优输入对当前的状态和未来状态进行更新,直至结束。
其次,对于群体智能算法库子模块,其中包括诸如微粒群算法、遗传算法等多种群体智能优化算法。由于群体智能优化算法不受代价函数具体形式以及是否可导等的约束,故而可以较优地处理复杂的代价函数。复杂约束方面,则在其与分布式模型预测控制模块的接口处,一方面通过具体的编码方式的设计,针对不同问题中的约束进行处理,另一方面,对于过于复杂的约束,可以通过罚函数的设计进行处理。同时可以采用算法库中多个算法的算子进行求解。
对于扩展卡尔曼滤波估计编队中个体状态模块,主要基于具体的编队中个体动力学模型进行离散化,并基于此对相应的扩展卡尔曼滤波器的预测和校正模块进行构建。在此不做过多赘述。
对于个体状态演化模块,在真实环境中为编队中各个个体依各自的动态特性演化,从而对其输出量进行测量;在仿真环境中则采用不同的微分方程数值解算算法对下一时刻编队中各个个体的真实状态进行解算,并同样由相应的测量模块进行输出测量。该测量值被传递至扩展卡尔曼滤波用于校正。
本发明的具体实施步骤主要包括以下具体步骤:
第一步 设计搭建应用于控制的受控对象的三维动力学模型并进行离散化
首先,对受控对象的动力学特性进行分析,得出其动力学微分方程。针对所得的微分方程,采用诸如显型欧拉方法、龙格库塔方法等微分方程数值求解方法进行离散化,获得由受控对象当前状态推算下一时刻状态的方程,例如对于如下模型
采用显型欧拉方法进行离散化可得
Xk+1=Xk+f(Xk,Uk)dt (2)
其中dt为设定的离散时间步长。于是,可得如下离散非线性系统状态更新方程
Xk+1=fd(Xk,Uk) (3)
同时,对上述离散模型中的参数给出相应配置。该模型将主要用于分布式模型预测控制及扩展卡尔曼滤波的预测部分中。
第二步 设定编队中受控对象的传感器数据处理、数据封装以及受控对象间通信模块接口协议
在这一步主要涉及对传感器测量所得数据的读取、解读以及面向通信接口的再编码及封装。同时,对于编队中受控对象间的通信模块接口也需要进行设定,以完成对所接收数据的解码及一些预处理,包括物理量之间的转换、单位之间的换算、初步去噪声等等。这一步操作主要用于保证编队中受控对象传感器所测量获得的数据能够正确地传输、解释,并将数据中的有用部分正确地引入到卡尔曼滤波模块的校正子模块中。
此步骤主要为实际编队控制准备,如是在仿真环境下,则无需对此步骤操作,但相应地需要给出实际受控对象(动力学方程描述)、针对实际受控对象的测量输出方程(包括测量噪声等的引入)以及针对实际受控对象动力学方程的数值求解算法选择。
第三步 编写模型预测控制算法并完成其参数配置
在算法编写方面,主要需要对代价函数以及模型预测控制中预测部分所采用的微分方程数值求解方法进行设计。微分方程数值求解方法最好与第一步中受控对象动力学微分方程的求解方法相同。
在代价函数设计方面,经典的设计方式如式(4)所示
其主要包括一个状态量Δx及输入量u。考虑到本发明对群体智能优化算法的引入,该设计中也可以包括一些复杂的、非常规的代价计算形式,以及引入对于一些约束的考虑。例如,在如图3所示的三机编队控制设计中,可以引入如下式所示的罚函数
其中Vec3为向量的第三维,P为一常值。通过该罚函数的引入,实现了在等边三角形编队中对A、B、C相对位置的约束需求的考虑。
在模型预测控制参数配置方面,主要需要对预测时域长度、预测时域步长以及代价函数中所出现的,如Q、R矩阵,P值等参数进行设置。
第四步 基于现有模型实现扩展卡尔曼滤波器
对于扩展卡尔曼滤波器的实现,主要分为两个部分:预测和校正。
对于预测部分,在每一个时刻,求解式(1)所示f函数在该时刻雅克比矩阵,分别以Fk和Gk表示函数f关于X和U的雅克比矩阵,其表达式如下
于是,在任一时刻,式(2)可以线性化为
Xk+1=(I+Fkdt)Xk+Gkdt
=FdkXk+Gkdt (7)
最终得到预测过程中系统估计状态及协方差矩阵的更新方程
其中Qc和Vc分别表示系统模型不确定和输入测量噪声的协方差矩阵。由于用于估计的控制输入并非经由测量,而是通过最优控制算法求解而来,故而不存在输入测量噪声,从而有Vc矩阵为0。故,Qdk矩阵仅剩下Qcdt一项。
对于校正部分,根据卡尔曼滤波理论,可得到校正过程的更新方程如下
从而得到完整的扩展卡尔曼滤波。
第五步 引入群体智能优化算法库并实现编码
引入包含标准微粒群算法、微分进化算法、遗传算法等多个群体智能优化算法构成的算法库,各个算法均采用面向连续优化问题求解的群体演化更新公式,算法库与分布式模型预测控制部分采用统一编码接口,具体体现为以下两点:
(1)在代价函数值求解中,通过统一解码操作,将候选解映射为分布式模型预测控制中在预测时域的控制序列,进而进行代价值计算;
(2)对于每个受控对象,对群体智能优化算法所给出的解,采用统一的解码操作映射为预测时域中的最优控制序列,将此最优控制序列指令传送给受控对象的执行器完成对受控对象的控制。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
【参考文献】
[1].XIANG-YIN,Zhang et HAI-BIN,Duan.Differential evolution-basedreceding horizon control design for multi-UVAs formation reconfiguration[J].Transactions of the Institute of Measurement and Control,2010.
[2].Richards A,How J.P.Decentralized model predictive control ofcooperating UAVs[C].In:Decision and Control,2004.Cdc.IEEE Conference on.IEEEXplore,2005:4286-4291Vol.4
[3].How J.P.,Tillerson M.Analysis of the impact of sensor noise onformation flying control[C].In:American Control Conference,2001.Proceedingsof the 2001.IEEE,2001:3986-3991
[4].Mitchell M.,Breger L.,How J.P.,et al.Effects of navigation filterproperties on formation flying control[C].In:AIAA Guidance,Navigation,andControl Conference and Exhibit.2004:1-13
[5].Breger L.,How J.P.,Richards A.Model predictive control ofspacecraft formations with sensing noise[A].In:Proceedings of the 2005,American Control Conference[C],2005.IEEE,2005:2385-2390
[6].Wei X.,Shi Z.Position adaptive formation control for multi-robotsystem using a redundant adaptive robust Kalman filter[C].In:Robotics andBiomimetics(ROBIO),2014IEEE International Conference on.IEEE,2014:890-895
[7].Wei X.,Shi Z.Formation control for multi-robot system usingadaptive Kalman filter algorithm[C].In:Robotics and Biomimetics(ROBIO),2013IEEE International Conference on.IEEE,2013:2263-2268。
Claims (7)
1.一种存在扰动三维环境下的分布式编队控制系统,其特征在于,包括:预测时域内最优控制律解算模块、编队中个体状态估计模块以及编队中个体状态演化模块;
预测时域内最优控制序列解算模块包括:分布式模型预测控制子模块和群体智能优化算法库子模块;
所述分布式模型预测控制子模块为包括多个子系统的系统,每个时刻,每个子系统向其他子系统分发自己当前的状态和预测时域内的未来状态;而后,每个子系统分别根据整个系统的状态和未来状态对目标代价函数进行寻优,并由获得的最优输入对当前的状态和未来状态进行更新,直至结束;所述子系统为编队内的个体;
所述群体智能算法库子模块包括多种群体智能优化算法,用以较优地处理复杂的代价函数;
所述编队中个体状态估计模块,基于扩展卡尔曼滤波对编队中的个体状态进行估计;基于编队中个体动力学模型进行离散化,并基于此对相应的扩展卡尔曼滤波器的预测和校正模块进行构建;
所述编队中个体状态演化模块,在真实环境中为编队中各个个体依各自的动态特性演化,从而对其输出量进行测量;在仿真环境中则采用不同的微分方程数值解算算法对下一时刻编队中各个个体的真实状态进行解算,并由相应的测量模块进行输出测量;该测量值被传递至编队中个体状态估计模块用于校正。
2.根据权利要求1所述的分布式编队控制系统,其特征在于,复杂约束方面,在群体智能算法库子模块与分布式模型预测控制子模块的接口处,通过具体的编码方式的设计,针对不同问题中的约束进行处理,或者通过罚函数的设计进行处理,或者采用群体智能算法库子模块中多个算法的算子进行求解。
3.一种存在扰动三维环境下的分布式编队控制方法,其特征在于,包括以下步骤:
设计搭建应用于控制的受控对象的三维动力学模型并进行离散化;
设定编队中受控对象的传感器数据处理、数据封装以及受控对象间通信模块接口协议;
编写模型预测控制算法并完成其参数配置;
基于现有模型实现扩展卡尔曼滤波器;
引入群体智能优化算法库并实现编码。
4.根据权利要求3所述的分布式编队控制方法,其特征在于,设计搭建应用于控制的受控对象的三维动力学模型并进行离散化的步骤包括:对受控对象的动力学特性进行分析,得出其动力学微分方程;针对所得的动力学微分方程,采用微分方程数值求解方法进行离散化,获得由受控对象当前状态推算下一时刻状态的状态更新方程。
5.根据权利要求3所述的分布式编队控制方法,其特征在于,编写模型预测控制算法并完成其参数配置步骤中,在算法编写方面,对代价函数以及模型预测控制中预测部分所采用的微分方程数值求解方法进行设计。
6.根据权利要求5所述的分布式编队控制方法,其特征在于,所述微分方程数值求解方法与受控对象动力学微分方程的求解方法相同。
7.根据权利要求3所述的分布式编队控制方法,其特征在于,基于现有模型实现扩展卡尔曼滤波器步骤中,对于扩展卡尔曼滤波器的实现,包括两个部分:预测和校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662642.6A CN108829133A (zh) | 2018-06-25 | 2018-06-25 | 一种存在扰动三维环境下的分布式编队控制系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662642.6A CN108829133A (zh) | 2018-06-25 | 2018-06-25 | 一种存在扰动三维环境下的分布式编队控制系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108829133A true CN108829133A (zh) | 2018-11-16 |
Family
ID=64138396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810662642.6A Pending CN108829133A (zh) | 2018-06-25 | 2018-06-25 | 一种存在扰动三维环境下的分布式编队控制系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829133A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918706A (zh) * | 2019-01-18 | 2019-06-21 | 南京航空航天大学 | 一种基于广义动力学的卫星-天线耦合系统路径规划算法 |
CN110513043A (zh) * | 2019-07-15 | 2019-11-29 | 中国地质大学(武汉) | 一种基于自动导向钻具的垂直钻进过程纠斜控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104833949A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 一种基于改进距离参数化的多无人机协同无源定位方法 |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
US20170139423A1 (en) * | 2015-11-12 | 2017-05-18 | King Fahd University Of Petroleum And Minerals | Control system and method for multi-vehicle systems |
CN106773689A (zh) * | 2016-12-16 | 2017-05-31 | 西北工业大学 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
-
2018
- 2018-06-25 CN CN201810662642.6A patent/CN108829133A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104833949A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 一种基于改进距离参数化的多无人机协同无源定位方法 |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
US20170139423A1 (en) * | 2015-11-12 | 2017-05-18 | King Fahd University Of Petroleum And Minerals | Control system and method for multi-vehicle systems |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106773689A (zh) * | 2016-12-16 | 2017-05-31 | 西北工业大学 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
Non-Patent Citations (6)
Title |
---|
HENRIK EBEL 等: "Distributed model predictive formation control with discretization-free path planning for transporting a load", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 * |
吕明海 等: "基于改进微分进化的无人机编队重构安全控制", 《电光与控制》 * |
毛秀华 等: "卡尔曼滤波算法研究", 《舰船电子对抗》 * |
袁健 等: "基于卡尔曼滤波的自主式水下航行器大尺度编队控制", 《智能系统学报》 * |
邵壮 等: "三维动态环境下多无人机编队分布式保持控制", 《控制与决策》 * |
韩青 等: "Leader_Followers多机器人编队控制方法", 《机床与液压》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918706A (zh) * | 2019-01-18 | 2019-06-21 | 南京航空航天大学 | 一种基于广义动力学的卫星-天线耦合系统路径规划算法 |
CN109918706B (zh) * | 2019-01-18 | 2023-03-31 | 南京航空航天大学 | 一种基于广义动力学的卫星-天线耦合系统路径规划算法 |
CN110513043A (zh) * | 2019-07-15 | 2019-11-29 | 中国地质大学(武汉) | 一种基于自动导向钻具的垂直钻进过程纠斜控制方法 |
CN110513043B (zh) * | 2019-07-15 | 2020-11-27 | 中国地质大学(武汉) | 一种基于自动导向钻具的垂直钻进过程纠斜控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Finzi et al. | Simplifying hamiltonian and lagrangian neural networks via explicit constraints | |
Brunke et al. | Safe learning in robotics: From learning-based control to safe reinforcement learning | |
Shen et al. | Observability analysis and adaptive information fusion for integrated navigation of unmanned ground vehicles | |
Mourikis et al. | Optimal sensor scheduling for resource-constrained localization of mobile robot formations | |
Wu et al. | Parametric identification and structure searching for underwater vehicle model using symbolic regression | |
Li et al. | Continuous-time inverse quadratic optimal control problem | |
Haugen et al. | Monitoring moving objects using aerial mobile sensors | |
Mettler et al. | Agile autonomous guidance using spatial value functions | |
CN105467838A (zh) | 一种随机有限集框架下的同步定位与地图构建方法 | |
Luo et al. | A fast algorithm of simultaneous localization and mapping for mobile robot based on ball particle filter | |
Chen et al. | A novel stability condition and its application to GA-based fuzzy control for nonlinear systems with uncertainty | |
CN108829133A (zh) | 一种存在扰动三维环境下的分布式编队控制系统和方法 | |
Li et al. | Fast and accurate trajectory tracking for unmanned aerial vehicles based on deep reinforcement learning | |
Morzfeld | Implicit sampling for path integral control, Monte Carlo localization, and SLAM | |
Bao et al. | Moment-based model predictive control of autonomous systems | |
Mourikis et al. | Analysis of positioning uncertainty in reconfigurable networks of heterogeneous mobile robots | |
Shi et al. | Tilt angle on-line prognosis by using improved sparse LSSVR and dynamic sliding window | |
Poddar et al. | Tuning of GPS aided attitude estimation using evolutionary algorithms | |
Li et al. | The application of square-root cubature Kalman filter in SLAM for underwater robot | |
Srikanthan et al. | A data-driven approach to synthesizing dynamics-aware trajectories for underactuated robotic systems | |
Zang et al. | Underwater gliders linear trajectory tracking: The experience breeding actor-critic approach | |
Pakshin et al. | LQR parametrization of static output feedback gains for linear systems with Markovian switching and related robust stabilization and passification problems | |
Imsland | Partially distributed optimization for mobile sensor path-planning | |
Chen et al. | Modeling and forecasting of time delay about the space robot teleoperation system | |
Hao et al. | Optimal path planning of unmanned surface vehicle under current environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |