CN109491396A - 一种多智能体事件驱动编队控制系统及方法 - Google Patents

一种多智能体事件驱动编队控制系统及方法 Download PDF

Info

Publication number
CN109491396A
CN109491396A CN201811625038.2A CN201811625038A CN109491396A CN 109491396 A CN109491396 A CN 109491396A CN 201811625038 A CN201811625038 A CN 201811625038A CN 109491396 A CN109491396 A CN 109491396A
Authority
CN
China
Prior art keywords
instruction
follower
action message
deviation
information
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.)
Granted
Application number
CN201811625038.2A
Other languages
English (en)
Other versions
CN109491396B (zh
Inventor
王巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning University of Technology
Original Assignee
Liaoning University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN201811625038.2A priority Critical patent/CN109491396B/zh
Publication of CN109491396A publication Critical patent/CN109491396A/zh
Application granted granted Critical
Publication of CN109491396B publication Critical patent/CN109491396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet
    • 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

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

本发明涉及一种多智能体事件驱动编队控制系统，包括：领导者、多个跟随者；其中，所述领导者与至少一个所述跟随者之间通信，用于根据第一动作信息生成第一跟随指令；多个所述跟随者之间相互通信，所述跟随者用于根据第二动作信息和所述第一跟随指令生成第二跟随指令，或根据第三跟随指令和所述第二动作信息生成所述第二跟随指令，并根据所述第二跟随指令实现预设队形。本发明提出的一种多智能体事件驱动编队控制系统为非线性多智能体编队控制系统，与现有的针对线性多智能体编队控制系统相比，拓展了应用范围，使得该系统更有利于实际应用。

Description

一种多智能体事件驱动编队控制系统及方法
技术领域
本发明属于多智能体控制技术领域，具体涉及一种多智能体事件驱动编队控制系统及方法。
背景技术
智能体是人工智能领域中一个很重要的概念。任何独立的能够思想并可以同环境交互的实体都可以抽象为智能体。多智能体系统是多个智能体组成的集合，它的目标是将大而复杂的系统建设成小的、彼此互相通信和协调的，易于管理的系统。多智能体系统作为人工智能的一个重要分支，得到了人们的广泛关注。多智能体系统具有自主协调控制和分布式控制的性能，并具有自行组织的能力、学习能力和推理预测的能力。
多智能体系统的研究启发于自然界生物群集行为，如编队迁徙的鸟群、结队巡游的鱼群、协同工作的蚁群。这些生物通过个体协调，能够完成单一个体无法完成的任务。多智能系统通过个体间的合作能够以较小的代价完成更复杂的任务。编队控制通常是指多个智能体组成的团队在向特定目标或方向运动的过程中，通过智能体间的局部信息通信，相互之间保持预定的队形的控制问题。编队控制可以使多智能体系统能够更加有效地完成指定的任务，在航天航空、智能交通和智能机器人等领域有着广泛的应用背景。
目前，在编队控制方面，国内外已经开展了大量理论和实物研究，主要集中于队形生成、队形保持、队形切换、队形避障等方面。然而，现有的编队控制技术存在下列不足：第一，大部分编队控制研究局限于模型已知的多智能体系统，但是在实际应用中很难获取到智能体的精确模型，导致大部分研究成果难于应用到实际控制系统中。第二，针对动态未知的多智能体系统，提出的自适应编队控制局限于未知动态满足匹配条件的多智能体系统，即智能体的未知动态可以通过控制器进行前馈补偿。第三，现有编队控制研究属于基于时间驱动的控制方法，系统以固定的周期采样更新控制器，会导致系统已经实现期望的编队控制时，控制器仍然在更新，造成系统资源的浪费。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种多智能体事件驱动编队控制系统及方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种多智能体事件驱动编队控制系统，包括：领导者、多个跟随者；其中，
所述领导者与至少一个所述跟随者之间通信，用于根据第一动作信息生成第一跟随指令；
多个所述跟随者之间相互通信，所述跟随者用于根据第二动作信息和所述第一跟随指令生成第二跟随指令，或根据第三跟随指令和所述第二动作信息生成所述第二跟随指令，并根据所述第二跟随指令实现预设队形。
在本发明的一个实施例中，所述第一动作信息包括所述领导者的位置信息和速度信息；
所述第二动作信息包括所述跟随者的位置信息和速度信息。
在本发明的一个实施例中，所述跟随者包括：传感器模块、触发机制模块、触发开关模块、控制器、执行器；其中，
所述传感器用于获取所述第二动作信息、所述第一跟随指令和第三跟随指令；
所述触发机制模块用于根据所述第一跟随指令或第三跟随指令生成所述第二跟随指令，并通过所述第二动作信息计算驱动偏差；
所述触发开关模块用于通过所述驱动偏差与设定阈值生成控制指令；
所述控制器用于根据所述控制指令和所述第二跟随指令控制所述执行器实现所述预设队形。
在本发明的一个实施例中，所述触发机制模块包括零阶保持器；
所述零阶保持器用于存储原始第二动作信息；
所述零阶保持器还用于根据所述控制指令更新所述原始第二动作信息。
本发明的另一个实施例提供了一种多智能体事件驱动编队控制方法，包括：
获取第一跟随指令、第三跟随指令和第二动作信息；
根据所述第一跟随指令、所述第三跟随指令和第二动作信息获取第二跟随指令；
根据所述第二动作信息计算驱动偏差；
通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形。
在本发明的一个实施例中，获取第一跟随指令、第三跟随指令和第二动作信息，包括：
通过领导者的第一动作信息获取所述第一跟随指令；
通过相邻跟随者的第二跟随指令获取所述第三跟随指令；
通过跟随者的当前位置信息、原始位置信息、当前速度信息和原始速度信息获取所述第二动作信息。
在本发明的一个实施例中，根据所述第二动作信息计算驱动偏差，包括：
通过所述当前速度信息与所述原始速度信息计算速度偏差；
通过所述当前位置信息与所述原始位置信息计算位置偏差；
根据所述速度偏差和位置偏差计算所述驱动偏差。
在本发明的一个实施例中，所述速度偏差与所述位置偏差的计算公式为：
其中，ei1(t)为所述位置偏差，pi(t)为所述当前位置信息，pi(tik)为所述原始位置信息，ei2(t)为所述速度偏差，vi(t)为所述当前速度信息，vi(tik)为所述原始速度信息。
在本发明的一个实施例中，通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形，包括：
通过第二跟随指令计算误差信号；
根据所述误差信号计算所述设定阈值；
根据所述设定阈值和所述驱动偏差实现当前跟随者的预设队形。
与现有技术相比，本发明的有益效果：
1)本发明提出的一种多智能体事件驱动编队控制系统为非线性多智能体编队控制系统，与现有的针对线性多智能体编队控制系统相比，拓展了应用范围，使得该系统更有利于实际应用。
2)本发明提出的一种多智能体事件驱动编队控制方法能够解决系统未知、动态不满足匹配条件的非线性多智能体系统的编队控制问题，放宽了编队控制对系统模型的限制，且控制算法对外界环境具有鲁棒性，对自身模型的不确定性具有自适应能力。
3)本发明提出的一种多智能体事件驱动编队控制方法，在满足期望控制性能的同时，有效的减少了调整编队的队形次数，降低了通信资源和计算资源。
附图说明
图1为本发明提供的一种多智能体事件驱动编队控制系统的结构示意图；
图2为本发明提供的一种多智能体事件驱动编队控制方法的原理示意图；
图3为本发明提供的编队控制轨迹示意图；
图4为本发明提供的编队驱动偏差示意图；
图5至图8分别为本发明提供的跟随者1至跟随者4的调整预设队形的频率示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1至图8，图1为本发明提供的一种多智能体事件驱动编队控制系统的结构示意图；图2为本发明提供的一种多智能体事件驱动编队控制方法的原理示意图；图3为本发明提供的编队控制轨迹示意图；图4为本发明提供的编队驱动偏差示意图；图5至图8分别为本发明提供的跟随者1至跟随者4的调整预设队形的频率示意图。本发明实施例提供了一种多智能体事件驱动编队控制系统，具体包括：领导者、多个跟随者；其中，
所述领导者与至少一个所述跟随者之间通信，用于根据第一动作信息生成第一跟随指令；
多个所述跟随者之间相互通信，所述跟随者用于根据第二动作信息和所述第一跟随指令生成第二跟随指令，或根据第三跟随指令和所述第二动作信息生成所述第二跟随指令，并根据所述第二跟随指令实现预设队形。
进一步地，所述第一动作信息包括当前所述领导者的位置信息和速度信息；
所述第二动作信息包括当前所述跟随者的位置信息和速度信息。
具体地，所述第二动作信息包括当前速度信息、当前位置信息、原始位置信息、原始速度信息。
具体地，本实施例提供的领导者和跟随者均选取动态未知的二阶线性模型，跟随者模型可通过下式表示：
其中，下标i表示第i个跟随者，i为大于等于1的整数；pi，vi为跟随者的位置信息和速度信息；为跟随者的位置变化率和速度变换率；τi表示跟随者的控制输入，即跟随者通过设计τi来实现跟随者的预设队形，fi1(pi)和fi2(pi,vi)是未知函数，分别表示位置信息和速度信息的未知动态；且fi1(pi)在设计控制输入τi时无法对其进行补偿，属于非匹配不确定动态，而fi2(pi,vi)可以在设计控制输入τi时对其进行前馈补偿，称其为匹配不确定动态。本发明选取基于神经网络的反步法进行编队控制，因此，本系统能够有效处理具有非匹配动态的非线性的编队控制系统。
优选的，fi1(pi)＝sin(pi)，
领导者模型可通过下式表示：
其中，po，vo为领导者的位置信息和速度信息；为领导者的位置变化率和速度变换率；fo(po,vo)是已知连续非线性函数。
优选的，第一跟随指令包括领导者的位置信息，第二跟随指令包括各跟随者预定队形的预定位置信息和自身的第二动作信息。
优选的，第三跟随指令为当前跟随者的相邻跟随者生成的第二跟随指令。
具体地，多个跟随者之间可以互相通信，在多个跟随者中，至少有一个跟随者可以获取领导者发送的第一跟随指令，当跟随者获取第一跟随指令后，该跟随者通过自身的位置信息、速度信息以及第一跟随指令生产第二跟随指令，并通过第二跟随指令实现自身的预设队形。
具体地，当跟随者未获取领导者发送的第一跟随指令，则该跟随者通过获取第三跟随指令，并与自身的位置信息和速度信息生成第二跟随指令，并通过第二跟随指令实现自身的预设队形。
具体地，跟随者在通过第二跟随指令运行时会出现微小的偏差，这时，跟随者根据自身的位置信息和速度信息，与通过第二跟随指令的得到的预设队形进行比较，且跟随者可以通过比较结果获取跟随者的控制输入，并通过控制输入实现自身的预设队形。
具体地，两个相互通信的跟随者之间的通信网络可以用双向图表示，其中，代表N个跟随者，表示第i个跟随者和第j个跟随者之间存在双向信息传递，N为大于等于1的整数，且1≥i≥N，1≥j≥N。图的邻接矩阵用A＝[aij]∈RN×N表示，其中aij＝aji，aij＝1表示第j个跟随者能够获得第i个跟随者的信息，同时第i个跟随者能够获得第j个跟随者的信息，其它情况aij＝0。领导者和跟随者之间的信息传递用领导邻接矩阵AL＝diag[a10,…,aN0]表示，ai0＝1表示第i个跟随者能够获得领导者的信息，其它情况ai0＝0。L＝[Lij]∈RN×N是图的拉普拉斯矩阵，L＝D-A，其中D是图的度矩阵。
具体地，如图1所示，本发明以1个领导者和4个跟随者为例进行说明。其中，跟随者1可以直接获取领导者发送的第一跟随指令，同时可以获取跟随者2和跟随者4的第二跟随指令；跟随者2可以获取跟随者1和跟随者3生成的第二跟随指令，同时和跟随者2的位置信息和速度信息生成跟随者2的第二跟随指令；同理，跟随者3和跟随者4可以各自生成自身的第二跟随指令。
进一步地，所述跟随者包括：传感器模块、触发机制模块、触发开关模块、控制器、执行器；其中，
所述传感器用于获取所述第二动作信息、所述第一跟随指令和第三跟随指令；
所述触发机制模块用于根据所述第一跟随指令或第三跟随指令生成所述第二跟随指令，并通过所述第二动作信息计算驱动偏差；
所述触发开关模块用于通过所述驱动偏差与设定阈值生成控制指令；
所述控制器用于根据所述控制指令和所述第二跟随指令控制所述执行器实现所述预设队形。
进一步地，所述触发机制模块包括零阶保持器；其中，所述零阶保持器用于存储原始第二动作信息；所述零阶保持器还用于根据所述控制指令更新所述原始第二动作信息。
具体地，原始第二动作信息包括原始位置信息和原始速度信息。根据所述控制指令更新所述原始第二动作信息，即将原始第二动作信息更新为第二动作信息。
具体地，传感器模块可以获取所在跟随者的第二动作信息(位置信息和速度信息)、第一跟随指令和第三跟随指令。优选的，传感器模块包括位置传感器、速度传感器和接收单元，位置传感器用于获取当前跟随者的位置信息，速度传感器用于获取当前跟随者的速度信息，接收单元用于获取第一跟随指令和第三跟随指令。
触发机制模块根据所述第一跟随指令或第三跟随指令生成所述第二跟随指令，并通过所述第二动作信息计算驱动偏差；
具体地，触发机制模块首先通过当前速度信息与原始速度信息计算速度偏差；然后通过当前位置信息与原始位置信息计算位置偏差；最后再根据速度偏差和位置偏差计算驱动偏差。
具体地，所述速度偏差与所述位置偏差的计算公式为：
其中，t包含于单调递增的时间序列{ti0，ti1，ti2…}，且ti0＝0。ei1(t)为所述位置偏差，pi(t)为所述当前位置信息，pi(tik)为所述原始位置信息，ei2(t)为所述速度偏差，vi(t)为所述当前速度信息，vi(tik)为所述原始速度信息。
具体地，驱动偏差的计算公式为：
其中，为位置偏差和速度偏差组成的向量，Ei为驱动偏差。
具体地，控制器采用神经网络控制，可以表示为：
其中，γ1，γ2为待设计的控制增益；是神经网络控制器。
具体地，参数向量θi1，θi2的自适应律设计为
其中，βi1，βi2为待设计的自适应学习律，ρi1，ρi2为设计参数，σi1，σi2为一个设计参数。
进一步地，触发开关模块还用于计算设定阈值；其中，
触发开关模块通过第二跟随指令计算误差信号；最后根据所述误差信号计算所述设定阈值。
具体地，触发开关模块连接传感器模块，可以获取第二动作信息和第一跟随指令，并通过第二动作信息和第一跟随指令可以获取该跟随者和领导者之间的绝对偏差以及当前位置信息和速度信息。
具体地，所述误差信号包括：位置误差和速度误差，其计算公式分别为：
其中，si1(t)为位置误差，si2(t)为速度误差，σi为第i个跟随者和领导者之间的绝对偏差、αi虚拟控制律。
具体地，根据位置误差和速度误差计算设定阈值的计算公式为：
其中，
ω1＝ρ1(3γ1/4-1)/(γ1λmax(L+AL)+μ1||θi1||)
ω2＝ρ2(γ2-1/2)/(γ2+μ2||θi2||)
具体地，为设定阈值，λmax(L+AL)为矩阵(L+AL)的最大特征值，μ1,μ2＞0是设计参数。
进一步地，当计算出设定阈值后，触发开关将设定阈值与驱动误差Ei进行比较，其中，
当时，即驱动误差小于设定阈值时，触发开关模块不产生控制指令，控制器和执行器继续保持上一时刻的动作(原始位置信息和原始速度信息)，零阶保持器不进行更新。
当时，触发开关模块生成控制指令，零阶保持器进行更新，将跟随者当前的位置信息和速度信息存储在零阶保持器中，控制器接收控制指令后，获取零阶保持器更新后的跟随者当前位置信息和当前速度信息，并根据跟随者当前位置信息和当前速度信息通过执行器对跟随者进行驱动，从而实现跟随者的预设队形。
本发明在上述多智能体事件驱动编队控制系统的基础上，还提供了一种多智能体事件驱动编队控制方法，包括：
获取第一跟随指令、第三跟随指令和第二动作信息；
根据所述第一跟随指令、所述第三跟随指令和第二动作信息获取第二跟随指令；
根据所述第二动作信息计算驱动偏差；
通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形。
进一步地，获取第一跟随指令、第三跟随指令和第二动作信息，包括：
通过领导者的第一动作信息获取所述第一跟随指令；
通过相邻跟随者的第二跟随指令获取所述第三跟随指令；
通过跟随者的当前位置信息、原始位置信息、当前速度信息和原始速度信息获取所述第二动作信息。
进一步地，根据所述第二动作信息计算驱动偏差，包括：
通过所述当前速度信息与所述原始速度信息计算速度偏差；
通过所述当前位置信息与所述原始位置信息计算位置偏差；
根据所述速度偏差和位置偏差计算所述驱动偏差。
进一步地，所述速度偏差与所述位置偏差的计算公式为：
其中，ei1(t)为所述位置偏差，pi(t)为所述当前位置信息，pi(tik)为所述原始位置信息，ei2(t)为所述速度偏差，vi(t)为所述当前速度信息，vi(tik)为所述位置位置信息。
进一步地，通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形，包括：
通过第二跟随指令计算误差信号；
根据所述误差信号计算所述设定阈值；
根据所述设定阈值和所述驱动偏差实现当前跟随者的预设队形。
为了更好的说明本发明的效果，下面以图1为例，进行进一步描述。
具体地，如图1所示，在上述实施例的基础上，设定多智能体事件驱动编队控制系统的具体参数如下：
γ1＝3,γ2＝5,β11＝0.1,ρ11＝1,σ11＝0.01,β21＝0.1,ρ21＝1,σ21＝0.01,
β31＝0.1,ρ31＝1,σ31＝0.01,β41＝0.1,ρ41＝1,σ41＝0.01,
β12＝0.5,ρ12＝1,σ12＝0.01,β22＝0.5,ρ22＝1,σ22＝0.01,
β32＝0.5,ρ32＝1,σ32＝0.01,β42＝0.5,ρ42＝1,σ42＝0.01,μ1＝1,μ2＝1
对其进行电路仿真，获取其仿真结果，其结果如图3至图8所示。图3为领导者和跟随者编队控制轨迹示意图；其中，P0、P1、P2、P3、P4、分别为领导者、跟随者1、跟随者2、跟随者3、跟随者4的轨迹，从图中可以看出4个跟随者以领导者为中心，形成了对称的编队队形。图4中，横坐标为时间坐标轴(单位：秒)，纵坐标为驱动偏差(单位：r弧度/秒)。图4为本发明提供的编队驱动偏差示意图，S11、S21、S31、S41分别为跟随者1至跟随者4的驱动轨迹，从图中可以看出，各跟随者的驱动偏差均收敛到零的极小邻域内。图5至图8中，Threshold表示设定阈值，Event Error表示驱动偏差，横坐标为时间坐标轴(单位：秒)，纵坐标为距离，图5至图8分别为本发明提供的跟随者1至跟随者4的调整预设队形的频率示意图，可以看出本发明提供的多智能体事件驱动编队控制系统方法在模型具有未知动态的情况下能够实现设定的编队效果；不采用固定周期更新，可以有效减小数据传输，减少控制能量。
本发明提出的一种多智能体事件驱动编队控制系统为非线性多智能体编队控制系统，与现有的针对线性多智能体编队控制系统相比，拓展了应用范围，使得该系统更有利于实际应用。本发明提出的一种多智能体事件驱动编队控制方法能够解决系统未知、动态不满足匹配条件的非线性多智能体系统的编队控制问题，放宽了编队控制对系统模型的限制，且控制算法对外界环境具有鲁棒性，对自身模型的不确定性具有自适应能力，且在满足期望控制性能的同时，有效的减少了调整编队的队形次数，降低了通信资源和计算资源。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种多智能体事件驱动编队控制系统，其特征在于，包括：领导者、多个跟随者；其中，
所述领导者与至少一个所述跟随者之间通信，用于根据第一动作信息生成第一跟随指令；
多个所述跟随者之间相互通信，所述跟随者用于根据第二动作信息和所述第一跟随指令生成第二跟随指令，或根据第三跟随指令和所述第二动作信息生成所述第二跟随指令，并根据所述第二跟随指令实现预设队形。
2.根据权利要求1所述的事件驱动编队控制系统，其特征在于，所述第一动作信息包括所述领导者的位置信息和速度信息；
所述第二动作信息包括所述跟随者的位置信息和速度信息。
3.根据权利要求1所述的事件驱动编队控制系统，其特征在于，所述跟随者包括：传感器模块、触发机制模块、触发开关模块、控制器、执行器；其中，
所述传感器用于获取所述第二动作信息、所述第一跟随指令和第三跟随指令；
所述触发机制模块用于根据所述第一跟随指令或第三跟随指令生成所述第二跟随指令，并通过所述第二动作信息计算驱动偏差；
所述触发开关模块用于通过所述驱动偏差与设定阈值生成控制指令；
所述控制器用于根据所述控制指令和所述第二跟随指令控制所述执行器实现所述预设队形。
4.根据权利要求3所述的事件驱动编队控制系统，其特征在于，所述触发机制模块包括零阶保持器；其中，所述零阶保持器用于存储原始第二动作信息；所述零阶保持器还用于根据所述控制指令更新所述原始第二动作信息。
5.一种多智能体事件驱动编队控制方法，其特征在于，包括：
获取第一跟随指令、第三跟随指令和第二动作信息；
根据所述第一跟随指令、所述第三跟随指令和第二动作信息获取第二跟随指令；
根据所述第二动作信息计算驱动偏差；
通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形。
6.根据权利要求5所述的事件驱动编队控制方法，其特征在于，获取第一跟随指令、第三跟随指令和第二动作信息，包括：
通过领导者的第一动作信息获取所述第一跟随指令；
通过相邻跟随者的第二跟随指令获取所述第三跟随指令；
通过跟随者的当前位置信息、原始位置信息、当前速度信息和原始速度信息获取所述第二动作信息。
7.根据权利要求6所述的事件驱动编队控制方法，其特征在于，根据所述第二动作信息计算驱动偏差，包括：
通过所述当前速度信息与所述原始速度信息计算速度偏差；
通过所述当前位置信息与所述原始位置信息计算位置偏差；
根据所述速度偏差和位置偏差计算所述驱动偏差。
8.根据权利要求7所述的事件驱动编队控制方法，其特征在于，所述速度偏差与所述位置偏差的计算公式为：
其中，ei1(t)为所述位置偏差，pi(t)为所述当前位置信息，pi(tik)为所述原始位置信息，ei2(t)为所述速度偏差，vi(t)为所述当前速度信息，vi(tik)为所述原始速度信息。
9.根据权利要求8所述的事件驱动编队控制方法，其特征在于，通过所述第二跟随指令和所述驱动偏差实现当前跟随者的预设队形，包括：
通过第二跟随指令计算误差信号；
根据所述误差信号计算所述设定阈值；
根据所述设定阈值和所述驱动偏差实现当前跟随者的预设队形。
CN201811625038.2A 2018-12-28 2018-12-28 一种多智能体事件驱动编队控制系统及方法 Active CN109491396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811625038.2A CN109491396B (zh) 2018-12-28 2018-12-28 一种多智能体事件驱动编队控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811625038.2A CN109491396B (zh) 2018-12-28 2018-12-28 一种多智能体事件驱动编队控制系统及方法

Publications (2)

Publication Number Publication Date
CN109491396A true CN109491396A (zh) 2019-03-19
CN109491396B CN109491396B (zh) 2021-11-09

Family

ID=65712991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811625038.2A Active CN109491396B (zh) 2018-12-28 2018-12-28 一种多智能体事件驱动编队控制系统及方法

Country Status (1)

Country Link
CN (1) CN109491396B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162065A (zh) * 2019-06-18 2019-08-23 东北大学 一种基于有向跟随的自适应多智能体编队控制方法
CN110782650A (zh) * 2019-11-06 2020-02-11 同济人工智能研究院(苏州)有限公司 基于自适应事件触发的车流分布式协同编队控制方法
CN112558471A (zh) * 2020-11-24 2021-03-26 西北工业大学 一种基于动态事件触发的航天器编队离散分布式非合作博弈方法
CN113504727A (zh) * 2021-07-14 2021-10-15 桂林理工大学 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105847438A (zh) * 2016-05-26 2016-08-10 重庆大学 基于事件触发的多智能体一致性控制方法
CN108181926A (zh) * 2017-12-28 2018-06-19 南京邮电大学 基于快速有限时间一致性协议的多智能体系统的编队方法
CN108829065A (zh) * 2018-07-16 2018-11-16 东北大学 基于事件触发的分布式发电系统时滞输出协同控制方法
CN108897229A (zh) * 2018-09-25 2018-11-27 华东交通大学 一种二阶多智能体系统的领导-跟随比例一致性控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105847438A (zh) * 2016-05-26 2016-08-10 重庆大学 基于事件触发的多智能体一致性控制方法
CN108181926A (zh) * 2017-12-28 2018-06-19 南京邮电大学 基于快速有限时间一致性协议的多智能体系统的编队方法
CN108829065A (zh) * 2018-07-16 2018-11-16 东北大学 基于事件触发的分布式发电系统时滞输出协同控制方法
CN108897229A (zh) * 2018-09-25 2018-11-27 华东交通大学 一种二阶多智能体系统的领导-跟随比例一致性控制方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
LEI DING, QING-LONG HAN, XIAOHUA GE,XIAN-MING ZHANG: "An Overview of Recent Advances in Event-Triggered Consensus of Multiagent Systems", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
MALI XING；FEIQI DENG: "Distributed event-triggered observer-based tracking control of leader–follower multi-agent systems", 《NEUROCOMPUTING》 *
MIN ZHAO, CHEN PENG， WANGLI HE: "Event-Triggered Communication for Leader-Following Consensus of Second-Order Multiagent Systems", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
NANKUN MU, XIAOFENG LIAO, TINGWEN HUANG: "Leader-Following Consensus in Second-Order Multiagent Systems via Event-Triggered Control With Nonperiodic Sampled Data", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS—II: EXPRESS BRIEFS》 *
Y.-X. LI AND G.-H. YANG: "Event-based adaptive NN tracking control of nonlinear discrete-time systems", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
ZENG-GUANG HOU，LONG CHENG，MIN TAN: "Decentralized Robust Adaptive Control for the Multiagent System Consensus Problem Using Neural Networks", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS》 *
王巍: "不确定非线性多智能体系统的协调控制", 《中国博士学位论文全文数据库·信息科技辑》 *
黄红伟; 黄天民; 吴胜; 周坤: "基于事件触发的二阶多智能体领导跟随一致性", 《控制与决策》 *
齐斌: "多智能体系统的协同控制一致性问题研究", 《中国博士学位论文全文数据库·信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162065A (zh) * 2019-06-18 2019-08-23 东北大学 一种基于有向跟随的自适应多智能体编队控制方法
CN110782650A (zh) * 2019-11-06 2020-02-11 同济人工智能研究院(苏州)有限公司 基于自适应事件触发的车流分布式协同编队控制方法
CN112558471A (zh) * 2020-11-24 2021-03-26 西北工业大学 一种基于动态事件触发的航天器编队离散分布式非合作博弈方法
CN112558471B (zh) * 2020-11-24 2022-05-24 西北工业大学 一种基于动态事件触发的航天器编队离散分布式非合作博弈方法
CN113504727A (zh) * 2021-07-14 2021-10-15 桂林理工大学 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法
CN113504727B (zh) * 2021-07-14 2022-06-17 桂林理工大学 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法

Also Published As

Publication number Publication date
CN109491396B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN109491396A (zh) 一种多智能体事件驱动编队控制系统及方法
Liu et al. Adaptive fuzzy prescribed performance controller design for a class of uncertain fractional-order nonlinear systems with external disturbances
Popov et al. Data-efficient deep reinforcement learning for dexterous manipulation
Qiang et al. Reinforcement learning model, algorithms and its application
CN108803316A (zh) 针对多智能体系统执行器故障的主动容错控制方法
Liu et al. Antisaturation finite-time attitude tracking control based observer for a quadrotor
Qin et al. Formation control of mobile robot systems incorporating primal-dual neural network and distributed predictive approach
Song et al. Online optimal event-triggered H∞ control for nonlinear systems with constrained state and input
Zhang et al. Event-triggered fuzzy flight control of a two-degree-of-freedom helicopter system
Abdollahi et al. Stable identification of nonlinear systems using neural networks: Theory and experiments
Xu et al. Deep recurrent neural networks based obstacle avoidance control for redundant manipulators
Li et al. Leader-follower formation of light-weight UAVs with novel active disturbance rejection control
Cai et al. A combined hierarchical reinforcement learning based approach for multi-robot cooperative target searching in complex unknown environments
WO2022167657A2 (en) Attention neural networks with short-term memory units
Hou et al. Indirect adaptive fuzzy wavelet neural network with self-recurrent consequent part for AC servo system
Wang et al. Global event-triggered inner–outer loop stabilization of under-actuated surface vessels
Yang et al. Control of space flexible manipulator using soft actor-critic and random network distillation
Wang et al. Event-triggered near-optimal tracking control based on adaptive dynamic programming for discrete-time systems
Huang et al. Cooperative collision avoidance method for multi-uav based on kalman filter and model predictive control
Zhang et al. A collaboration scheme for controlling multimanipulator system: A game-theoretic perspective
CN110456790A (zh) 基于自适应权重的智能网联电动汽车队列优化控制方法
Wang et al. Course tracking control for smart ships based on a deep deterministic policy gradient-based algorithm
Fu et al. A review of formation control methods for MAUV systems
Huang et al. Mission planning and synchronous coupling formation control algorithm design for multiple UAVs
Lin et al. Improved duelling deep Q-networks based path planning for intelligent agents

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
GR01 Patent grant
GR01 Patent grant