CN110488845A - 一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 - Google Patents
一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 Download PDFInfo
- Publication number
- CN110488845A CN110488845A CN201910882506.2A CN201910882506A CN110488845A CN 110488845 A CN110488845 A CN 110488845A CN 201910882506 A CN201910882506 A CN 201910882506A CN 110488845 A CN110488845 A CN 110488845A
- Authority
- CN
- China
- Prior art keywords
- agent
- tracking
- formation
- time
- collision avoidance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000004888 barrier function Effects 0.000 title claims abstract description 24
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 146
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 198
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000009471 action Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 31
- 238000013016 damping Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 18
- 238000011217 control strategy Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- XHEFDIBZLJXQHF-UHFFFAOYSA-N fisetin Chemical compound C=1C(O)=CC=C(C(C=2O)=O)C=1OC=2C1=CC=C(O)C(O)=C1 XHEFDIBZLJXQHF-UHFFFAOYSA-N 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000005755 formation reaction Methods 0.000 description 106
- 238000011160 research Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004804 winding 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
- G05D1/02—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
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
本发明公开了一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，该方法基于的多智能体系统由1个运动目标和N‑1个智能体组成，依次编号为1至N；该方法基于的多智能体系统中每一个智能体均具备目标跟踪能力；考虑到系统执行任务的多样性以及编队成员数量的限制，同一时刻只有一个智能体执行目标跟踪任务，称该智能体为跟踪主体，其它智能体执行其它任务；通过相邻智能体之间的局部信息交互，子系统(1‑2)实现对目标状态的跟踪。本发明运用自抗扰控制理论解决扰动抑制问题，基于势场法实现避撞控制，采用切换拓扑的策略保证目标跟踪得持续性。
Description
技术领域
本发明属于多智能体系统编队跟踪控制领域，具体涉及一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法。
背景技术
协同控制在社会生产和国防建设中均有广泛的应用，如多源信息采集、运动目标监视和多维协同打击等。编队控制作为协同控制的重要分支，已逐步成为国内外学者研究的热点。多智能体系统在执行任务时需要形成和保持期望的编队队形，根据任务需求，期望的编队队形可能是随时间变化的。
除了队形控制，绝大多数多智能体协同任务中还要求编队整体跟踪期望的参考轨迹，通常包括两种形式：一是以系统中某智能体为领航者，该领航者智能体具备任务规划和航迹规划等功能，其它智能体跟踪该领航者；二是以系统外部运动目标为领航者，目标的运动不受我方控制，但其运动信息可以被系统中某个或多个智能体获取，多智能体系统通过局部信息交互，以时变编队的方式实现对目标的跟踪。本发明针对第二种编队跟踪问题展开研究。
实际应用中，外部环境中扰动的作用会影响单个智能体的运动控制和系统的编队跟踪控制，妨碍编队任务的执行甚至危及编队安全。因此，在研究编队跟踪控制时需要考虑外部扰动对系统的影响，提升干扰环境中系统的编队跟踪控制性能。常见的抗扰控制包括滑膜控制、反步控制和H∞控制等，这些控制方法要求精确建立系统或扰动的模型，所以在面向实际应用时比较受限。自抗扰控制基于系统的输入输出信息可实现对扰动的直接估计，通过在控制输入中设置扰动补偿项抑制外部扰动对系统影响。自抗扰控制理论由于上述特点逐渐成为研究热点，但基于自抗扰控制的编队跟踪控制技术仍有待研究。
避撞控制是解决实际多智能体系统编队跟踪控制问题时需要考虑的基本问题，包括智能体之间的避撞控制和智能体与障碍物之间的避撞控制。避撞问题本质上属于路径规划问题，编队跟踪控制问题中，智能体的运动路径以及障碍物的分布预先未知，因此需要采用在线路径规划技术。此外，障碍物除了会直接阻碍智能体的运动，还会对进入其一定范围的智能体产生遮挡作用，使得其丢失运动目标的信息，这类问题在实际应用中广泛存在。
需要注意的是，当前对于编队跟踪控制的研究已经较为深入，在此基础上部分研究者对扰动条件下的编队跟踪问题展开了研究。但从国内外研究成果来看，在上述研究基础上尚未见到考虑避撞问题和障碍物对目标跟踪遮挡作用的研究。
发明内容
本发明提供了一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，旨在解决如下技术问题：在外部扰动和障碍物遮挡作用同时存在的情况下如何实现多智能体时变编队跟踪控制，使系统在实现时变编队跟踪的同时具备扰动抑制和在障碍物遮挡环境中实现对运动目标的持续跟踪。本发明运用自抗扰控制理论解决扰动抑制问题，基于势场法实现避撞控制，采用切换拓扑的策略保证目标跟踪得持续性。
本发明采用如下技术方案来实现的：
一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，该方法基于的多智能体系统由1个运动目标和N-1个智能体组成，依次编号为1至N，其中目标的动力学模型表示为：
式中，和分别表示目标的位置和速度，n代表空间维度，αx和αv为阻尼系数；第i个智能体的动力学模型描述如下：
其中，i∈{2,3,…,N}和分别为n维向量，表示智能体i的位置、速度、控制输入和外部扰动，αx和αv为阻尼系数；表示多智能体系统的时变编队向量，其中第i个智能体的期望时变编队向量是分段连续可微分的向量
该方法基于的智能体之间的相互作用关系用一个有向图G描述，其中智能体i由图G中节点vi表示，智能体之间的作用链接用节点之间的边表示，边权重wij表示智能体之间相互作用权重，权重邻接矩阵表示为节点vi的入度表示为图G的入度矩阵表示为D＝diag{degin(vi)}，图G的拉普拉斯矩阵定义为L＝D-A；如果图G中存在一个节点vm，从vm出发存在有向路径能到达其它任意节点，则称图G包含生成树；
假设有一个均匀有界不重叠的时间间隔的无限序列[tk,tk+1)，其中 代表自然数集，t0＝0，0＜τ0≤tk+1-tk，τ0表示驻留时间；图G的拓扑结构在驻留时间内保持不变，在切换时刻序列tk发生变化；切换信号表示为σ(t):[0,+∞)→{1,2,…,p}，其中表示拓扑图的编号，σ(t)表示t时刻系统作用拓扑的标号；在标号为σ(t)的拓扑图Gσ(t)中，令(i,j∈{1,2,…,N})表示由节点vj到节点vi的边对应的权值，令表示节点vi的邻居的集合，令Lσ(t)表示Gσ(t)的Laplacian矩阵；系统(1)是一个领航-跟随结构的系统，其作用拓扑的Laplacian矩阵具有如下形式：
其中，表示跟随者与领航者之间的作用关系，表示跟随者之间的作用关系；
该方法基于的障碍物归纳为两类，包括实体类障碍物和区域类障碍物；
该方法基于的多智能体系统中每一个智能体均具备目标跟踪能力；考虑到系统执行任务的多样性以及编队成员数量的限制，同一时刻只有一个智能体执行目标跟踪任务，称该智能体为跟踪主体，其它智能体执行其它任务；通过相邻智能体之间的局部信息交互，子系统(1-2)实现对目标状态的跟踪；
该方法基于的自抗扰时变编队跟踪与避撞控制协议表示为：
控制协议中编队跟踪控制项的表达形式为：
其中，表示标号为σ(t)的拓扑图中智能体i与智能体j的作用权重，为阻尼矩阵，符号表示Kronecker积，K为增益矩阵，ηk(t)＝[xk(t),vk(t)]T k∈{1,2,…,N}为系统状态向量，zi(t)为干扰补偿项；
控制协议中避撞控制项的表达形式为：
其中，ρ1为避障增益系数，dik(t)表示障碍物k和智能体i之间的距离，表示智能体对实体类障碍物k的感知距离，表示障碍物k的安全距离，nik(t)表示由障碍物k指向智能体i的单位向量；
控制协议中避撞控制项的表达形式为：
其中，ρ2为编队成员之间的避撞增益系数，dij(t)表示智能体i与智能体j之间的距离，表示智能体之间的感知距离，表示智能体j的安全距离，nij(t)为由智能体j指向智能体i的单位向量。
本发明进一步的改进在于，该方法具体包括如下实现步骤：
Step 1：避撞相关参数选取，根据实际选取避障增益系数ρ1和ρ2、智能体对实体类障碍物k的感知距离智能体避障安全距离智能体之间感知距离和智能体相互避撞安全距离
Step 2：系统作用拓扑确定，根据各智能体和障碍物分布情况，采用基于目标跟踪优先级的切换拓扑控制策略，确定跟踪主体和多智能体系统(1)的作用拓扑；
Step 3：阻尼参数选取，根据实际选取系统的阻尼参数αx和αv；
Step 4：系统时变编队向量设计，根据期望的编队运动路径和智能体的最大速度和加速度，基于跟踪微分器解算系统的期望位置和速度，并据此生成系统需要实现的时变编队指令f(t)；
Step 5：编队跟踪可行性判断，检验编队指令是否满足编队跟踪可行条件，如果满足，继续执行Step 6；如果不满足，则编队指令f(t)不符合要求，返回至Step 3和Step 4重新设定系统阻尼参数和时变编队指令以满足时变编队可行条件；
Step 6：时变编队跟踪与避撞控制器构建，根据编队指令和扰动补偿量，基于一致性方法、自抗扰控制理论和人工势场法构建时变编队跟踪与避撞控制器(2)；
Step7：正定矩阵计算，选取参数ε＞0，求解一个满足不等式的正定矩阵P；
Step8：控制增益矩阵确定，选取参数求解控制增益矩阵其中， (i＝1,2,…,N-1)表示的特征值；
Step9：扰动补偿项的确定，设计扩张状态观测器观测系统外部扰动，实时补偿系统受到的外部扰动；
Step10：时变编队跟踪与避撞控制器设计，将求取的控制增益矩阵K、扰动补偿、阻尼参数和避撞相关参数等代入时变编队跟踪与避撞控制器(2)中，完成编队控制器参数设计；
Step11：控制效果验证，设计仿真实验检验在控制器(2)作用下多智能体系统(1)的自抗扰时变编队跟踪和避撞控制效果。
本发明进一步的改进在于，在Step 2中，基于目标跟踪优先级的切换拓扑控制策略具体内容为：
首先为N-1个编队成员划分优先级，初始时刻由优先级最高的智能体作为跟踪主体；若当前跟踪主体受障碍物遮挡作用影响丢失目标，则按优先级从高到低的顺序选择未被遮挡的智能体作为新的跟踪主体；一旦优先级高的智能体离开障碍物遮挡范围，则立即重新成为跟踪主体；一旦有比当前跟踪主体优先级高的智能体脱离障碍物的遮挡作用，则该智能体立刻成为新的跟踪主体。
本发明进一步的改进在于，在Step 4中，基于跟踪微分器解算系统期望的位置和速度并生成时变编队指令如下：
其中i∈{1,2,…,N}，和分别表示智能体i在t时刻期望的位置和速度，vmax和amax分别表示智能体i的最大速度和最大加速度，li为智能体i期望运动轨迹的长度，sign(·)为符号函数，通过将限制在闭区间[-vmax,vmax]内，g(·)为分段连续可微函数，通过g(·)将期望位置和速度进一步转换为编队向量。
本发明进一步的改进在于，在Step 5中，采用如下的编队跟踪可行条件判断期望编队指令的可行性：
本发明进一步的改进在于，在Step 9中，采用如下扩张状态观测器实时观测并确定时变编队控制器中的扰动补偿项：
其中i∈{1,2,…,N}，zi0(t)为中间变量，βi1和βi2为观测器带宽参数；结合应用实际，设置足够大的观测器频率θω，且βi1＝2θω和扩张状态观测器估计精度满足要求。
本发明进一步的改进在于，在Step 11中，对于多智能体系统(1)在编队跟踪控制器(2)作用下实现自抗扰时变编队跟踪的定义如下：
对于任意给定的有界初始状态，存在增益矩阵K使得
则称系统(1)在编队跟踪控制器(2)作用下实现自抗扰时变编队跟踪。
本发明进一步的改进在于，在Step 11中，对于多智能体系统(1)在编队跟踪控制器(2)作用下实现避撞控制是指：对于任意给定的有界初始状态，在整个编队运动过程中，所有智能体之间的距离始终大于智能体之间的避撞安全距离，所有智能体与障碍物之间的距离始终大于避障安全距离。
本发明具有如下有益的技术效果：
1、本发明提出基于目标跟踪优先级的切换拓扑控制策略，当优先级高的跟踪主体由于障碍物的遮挡作用丢失目标信息时，会有下一优先级的未被遮挡的智能体接替其跟踪目标，保障编队整体对目标的跟踪。
2、本发明设计基于跟踪微分器的时变编队指令生成模型，该模型生成的编队指令包含加速和减速过程，而且加速度为智能体的最大加速度。一方面，由于包含过渡过程，使系统响应基本无超调；另一方面，该指令描述了一种最速运动过程，使系统以最短时间沿期望轨迹完成编队运动。
3、本发明设计扩张状态观测器实时估计系统的外部扰动，无需测量外部扰动或者获取扰动的作用规律模型，仅需利用系统的输入输出信息，在实际应用中具有良好的适用性。
4、本发明设计势场函数构造智能体之间避撞控制项和编队避障控制项，适用于环境中障碍物分布信息预先未知的情况，具备良好的动态性能。在面向应用时，只要智能体实际具备对障碍物的探测能力且探测精度满足要求，本发明提出的算法可直接移植到硬件当中。
附图说明
图1是障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制算法流程图；
图2是多智能体系统作用拓扑图；其中图2(a)是通信拓扑A，图2(b)是通信拓扑B，图2(c)是通信拓扑C，图2(d)是通信拓扑D；
图3是目标和多智能体运动轨迹的XOY平面视图，其中3(a)、(b)和(c)分别对应有扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略、无扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略和有扰动补偿但不采取基于目标跟踪优先级的切换拓扑控制策略3种情况；
图4为各智能体与各障碍物的距离曲线图；
图5是编队控制误差图，纵轴表示智能体实际编队位置与期望编队位置的距离，其中5(a)、(b)和(c)分别对应有扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略、无扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略和有扰动补偿但不采取基于目标跟踪优先级的切换拓扑控制策略3种情况；
图6是编队跟踪误差图，纵轴表示智能体与目标在高度方向的距离，其中6(a)、(b)和(c)分别对应有扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略、无扰动补偿且采取基于目标跟踪优先级的切换拓扑控制策略和有扰动补偿但不采取基于目标跟踪优先级的切换拓扑控制策略3种情况。
具体实施方式
下面结合附图和仿真实验对本发明做进一步的说明。
本发明提供的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，包括以下内容：
1、系统建模和时变编队跟踪与避撞控制器
对于一个由1个运动目标和N-1个智能体组成的多智能体系统，将系统中的智能体依次编号为1至N，其中目标的动力学模型表示为：
式中，和分别表示目标的位置和速度，n代表空间维度，αx和αv为阻尼系数。第i(i∈{2,3,…,N})个智能体的动力学模型描述如下：
其中和分别为n维向量，表示智能体i的位置、速度、控制输入和外部扰动，αx和αv为阻尼系数。表示多智能体系统的时变编队向量，其中第i个智能体的期望时变编队向量是分段连续可微分的向量
该方法基于的智能体之间的相互作用关系用一个有向图G描述，其中智能体i由图G中节点vi表示，智能体之间的作用链接用节点之间的边表示，边权重wij表示智能体之间相互作用权重，权重邻接矩阵表示为节点vi的入度表示为图G的入度矩阵表示为D＝diag{degin(vi)}(i＝1,2,…,N)，图G的拉普拉斯矩阵定义为L＝D-A。如果图G中存在一个节点vm，从vm出发存在有向路径能到达其它任意节点，则称图G包含生成树。
假设有一个均匀有界不重叠的时间间隔的无限序列其中代表自然数集，t0＝0，0＜τ0≤tk+1-tk，τ0表示驻留时间。图G的拓扑结构在驻留时间内保持不变，在切换时刻序列发生变化。切换信号表示为σ(t):[0,+∞)→{1,2,…,p}，其中表示拓扑图的编号，σ(t)表示t时刻系统作用拓扑的标号。在标号为σ(t)的拓扑图Gσ(t)中，令(i,j∈{1,2,…,N})表示由节点vj到节点vi的边对应的权值，令表示节点vi的邻居的集合，令Lσ(t)表示Gσ(t)的Laplacian矩阵。系统(1)是一个领航-跟随结构的系统，其作用拓扑的Laplacian矩阵具有如下形式：
其中，表示跟随者与领航者之间的作用关系，表示跟随者之间的作用关系。
该方法基于的障碍物可归纳为两类，包括实体类障碍物和区域类障碍物。实体类障碍物指环境中通过自身结构直接阻挡智能体运动的障碍物，可与智能体直接发生碰撞；区域类障碍物指一类特殊的区域，智能体进入该区域时，由于电磁干扰或为了保证自身不被发现，无法有效对目标进行探测。一旦智能体由于障碍物的遮挡和干扰等作用而无法获取目标信息，把这类作用统称为障碍物的遮挡作用。
该方法基于的多智能体系统中每一个智能体均具备目标跟踪能力。但在面向实际应用时，考虑到系统执行任务的多样性以及编队成员数量的限制，同一时刻只有一个智能体执行目标跟踪任务，称该智能体为跟踪主体，其它智能体执行其它任务；通过相邻智能体之间的局部信息交互，子系统(1-2)实现对目标状态的跟踪。
该方法基于的自抗扰时变编队跟踪与避撞控制协议表示为：
控制协议中编队跟踪控制项的表达形式为：
其中，表示标号为σ(t)的拓扑图中智能体i与智能体j的作用权重，为阻尼矩阵，符号表示Kronecker积，K为增益矩阵，ηk(t)＝[xk(t),vk(t)]Tk∈{1,2,…,N}为系统状态向量，zi(t)为干扰补偿项。
控制协议中避撞控制项的表达形式为：
其中，ρ1为避障增益系数，dik(t)表示障碍物k和智能体i之间的距离，表示智能体对实体类障碍物k的感知距离，表示障碍物k的安全距离，nik(t)表示由障碍物k指向智能体i的单位向量。
控制协议中避撞控制项的表达形式为：
其中，ρ2为编队成员之间的避撞增益系数，dij(t)表示智能体i与智能体j之间的距离，表示智能体之间的感知距离，表示智能体j的安全距离，nij(t)为由智能体j指向智能体i的单位向量。
时变编队跟踪定义：对于任意给定的有界初始状态，存在增益矩阵K使得
则称系统(1)在编队跟踪控制器(2)作用下实现自抗扰时变编队跟踪。
说明1：本发明构造的自抗扰时变编队跟踪与避撞控制器由3项组成，包括自抗扰时变编队跟踪控制项、避障控制项和编队成员避撞控制项。自抗扰时变编队跟踪控制项有两个特点：一是包含扰动补偿项，该补偿项基于扩张状态观测器实时估计系统的外部扰动，有效抑制扰动对系统的影响。二是智能体之间的作用权重可能会发生变化，原因是当系统中执行目标跟踪任务的智能体由于障碍物遮挡丢失目标时，按预先设定的优先级由其它智能体继续执行目标跟踪任务，此时系统作用拓扑会发生变化。避障控制项和编队成员避撞控制项均基于势场理论设计，分别构造斥力场函数，由于智能体对目标的跟踪由编队跟踪控制项完成，因此无需构造目标对智能体的引力场函数。
2、障碍物遮挡下自抗扰时变编队跟踪与避撞控制算法
如图1所示，障碍物遮挡下自抗扰时变编队跟踪与避撞控制算法，包括如下步骤：
Step 1：避撞相关参数选取，根据实际选取避障增益系数ρ1和ρ2、智能体对实体类障碍物k的感知距离智能体避障安全距离智能体之间感知距离和智能体相互避撞安全距离
Step 2：系统作用拓扑确定，根据各智能体和障碍物分布情况，采用基于目标跟踪优先级的切换拓扑控制策略，确定跟踪主体和多智能体系统(1)的作用拓扑。
Step 3：阻尼参数选取，根据实际选取系统的阻尼参数αx和αv；
Step 4：系统时变编队向量设计，基于跟踪微分器解算系统的期望位置和速度，并据此生成系统需要实现的时变编队指令f(t)，编队向量生成模型如下：
其中i∈{1,2,…,N}，和分别表示智能体i在t时刻期望的位置和速度，vmax和amax分别表示智能体i的最大速度和最大加速度，li为智能体i期望运动轨迹的长度，sign(·)为符号函数，通过将限制在闭区间[-vmax,vmax]内，g(·)为分段连续可微函数，通过g(·)将期望位置和速度进一步转换为编队向量。基于跟踪微分器设计的编队指令包含过渡过程，并且描述了一种最速运动过程，使系统实现无超调的响应。
Step 5：编队跟踪可行性判断，检验编队指令是否满足编队跟踪可行条件如果满足，继续执行Step 6；否则编队指令f(t)不符合要求，返回至Step 3和Step 4重新设定系统阻尼参数和时变编队指令以满足时变编队可行条件；采用如下的编队跟踪可行条件判断期望编队指令的可行性：
上述条件表明并非所有期望的编队均可被多智能体系统所实现。
Step 6：时变编队跟踪与避撞控制器构建，根据编队指令和扰动补偿量，基于一致性方法、自抗扰控制理论和人工势场法构建时变编队跟踪与避撞控制器(2)；
Step7：正定矩阵计算，选取参数ε＞0，求解一个满足不等式的正定矩阵P；
Step8：控制增益矩阵确定，选取参数求解控制增益矩阵其中， (i＝1,2,…,N-1)表示的特征值；
Step9：扰动补偿项的确定，设计扩张状态观测器观测系统外部扰动，实时补偿系统受到的外部扰动，扩张状态观测器表示为：
其中i∈{1,2,…,N}，zi0(t)为中间变量，βi1和βi2为观测器带宽参数。结合应用实际，设置足够大的观测器频率θω，且βi1＝2θω和扩张状态观测器估计精度满足要求。
Step10：时变编队跟踪与避撞控制器设计，将求取的控制增益矩阵K、扰动补偿、阻尼参数和避撞相关参数等代入时变编队跟踪与避撞控制器(2)中，完成编队控制器参数设计；
Step11：控制效果验证，设计仿真实验检验在控制器(2)作用下多智能体系统(1)的自抗扰时变编队跟踪和避撞控制效果。其中，对于多智能体系统(1)在编队跟踪控制器(2)作用下实现避撞控制是指：对于任意给定的有界初始状态，在整个编队运动过程中，所有智能体之间的距离始终大于智能体之间的避撞安全距离，所有智能体与障碍物之间的距离始终大于避障安全距离。
说明2：跟踪微分器(8)解算期望位置和速度时实际上描述了一个最速直线运动过程，具体而言：时，智能体i先以amax加速至v≤vmax，再以-amax减速至静止状态；时，智能体i先以amax加速至vmax并保持匀速运动，而后再以-amax减速至静止状态。如果期望的编队运动为直线运动，则由和直接给出编队指令；如果期望的编队运动为曲线运动，则还需要通过坐标转换进一步得到编队指令。
说明3：扩张状态观测器(9)用于估计系统的外部扰动，需要的变量包括智能体的位置和速度以及控制输入，均为可测量和已知量。为了保证估计精度，要求观测器采样频率大于外部扰动频率。且观测器采样频率越大，观测器的传递函数越接近1，估计效果越好。
下面对仿真实验进行介绍。
考虑由3个智能体组成的系统在3维空间内跟踪1个运动目标，智能体与目标构成的系统的作用拓扑可用一个加权有向图描述。将目标和3个智能体依次编号为1至4号，它们初始状态向量依次为 和环境中分布有2实体类障碍物和2个区域类障碍物，依次编号为1至4号，它们的位置向量依次为[0,-4,2]T、[0,4,11]T和
障碍物的遮挡作用可能使系统作用拓扑发生变化，系统所有可能的作用拓扑的集合如图2所示。实验中基于目标跟踪优先级的切换拓扑控制策略具体如下：2号至4号智能体的目标跟踪优先级依次降低。初始状态下2号智能体为跟踪主体，接收目标状态信息。如果2号智能体未被障碍物遮挡，即2号智能体能正常接收目标信息，则2号智能体一直作为跟踪主体。一旦2号智能体被障碍物遮挡，则判断3号智能体是否被遮挡：如果没有，则3号智能体成为新的跟踪主体；否则4号智能体成为新的跟踪主体。一旦优先级高的智能体离开障碍物遮挡范围，则其立刻替代当前优先级低的智能体成为跟踪主体。
使用编队向量生成模型(8)生成半径为3的绕圆编队指令，编队队形为与圆内切的正三角形，3个智能体位于三角形的顶点，智能体最大速度和最大加速度设置为vmax＝2和amax＝8。系统的阻尼参数取为αx＝0.01，αv＝-0.1，避障控制参数选取如下：ρ1＝5，dsafe1＝0.35，dsco1＝5，智能体之间避撞参数设置如下：ρ2＝1，dsafe2＝0.45，dsco2＝5。实体类障碍物遮挡半径为0.6，区域类障碍物遮挡半径为4。扩张状态观测器参数βi1＝40，βi2＝400。3维空间中智能体i的外部扰动设置为：
Claims (8)
1.一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，该方法基于的多智能体系统由1个运动目标和N-1个智能体组成，依次编号为1至N，其中目标的动力学模型表示为：
式中，和分别表示目标的位置和速度，n代表空间维度，αx和αv为阻尼系数；第i个智能体的动力学模型描述如下：
其中，i∈{2,3,…,N}，和分别为n维向量，表示智能体i的位置、速度、控制输入和外部扰动，αx和αv为阻尼系数；表示多智能体系统的时变编队向量，其中第i个智能体的期望时变编队向量是分段连续可微分的向量
该方法基于的智能体之间的相互作用关系用一个有向图G描述，其中智能体i由图G中节点vi表示，智能体之间的作用链接用节点之间的边表示，边权重wij表示智能体之间相互作用权重，权重邻接矩阵表示为节点vi的入度表示为图G的入度矩阵表示为D＝diag{degin(vi)}，图G的拉普拉斯矩阵定义为L＝D-A；如果图G中存在一个节点vm，从vm出发存在有向路径能到达其它任意节点，则称图G包含生成树；
假设有一个均匀有界不重叠的时间间隔的无限序列[tk,tk+1)，其中 代表自然数集，t0＝0，0＜τ0≤tk+1-tk，τ0表示驻留时间；图G的拓扑结构在驻留时间内保持不变，在切换时刻序列tk发生变化；切换信号表示为σ(t):[0,+∞)→{1,2,…,p}，其中表示拓扑图的编号，σ(t)表示t时刻系统作用拓扑的标号；在标号为σ(t)的拓扑图Gσ(t)中，令表示由节点vj到节点vi的边对应的权值，令表示节点vi的邻居的集合，令Lσ(t)表示Gσ(t)的Laplacian矩阵；系统(1)是一个领航-跟随结构的系统，其作用拓扑的Laplacian矩阵具有如下形式：
其中，表示跟随者与领航者之间的作用关系，表示跟随者之间的作用关系；
该方法基于的障碍物归纳为两类，包括实体类障碍物和区域类障碍物；
该方法基于的多智能体系统中每一个智能体均具备目标跟踪能力；考虑到系统执行任务的多样性以及编队成员数量的限制，同一时刻只有一个智能体执行目标跟踪任务，称该智能体为跟踪主体，其它智能体执行其它任务；通过相邻智能体之间的局部信息交互，子系统(1-2)实现对目标状态的跟踪；
该方法基于的自抗扰时变编队跟踪与避撞控制协议表示为：
控制协议中编队跟踪控制项的表达形式为：
其中，表示标号为σ(t)的拓扑图中智能体i与智能体j的作用权重，为阻尼矩阵，符号表示Kronecker积，K为增益矩阵，ηk(t)＝[xk(t),vk(t)]T k∈{1,2,…,N}为系统状态向量，zi(t)为干扰补偿项；
控制协议中避撞控制项的表达形式为：
其中，ρ1为避障增益系数，dik(t)表示障碍物k和智能体i之间的距离，表示智能体对实体类障碍物k的感知距离，表示障碍物k的安全距离，nik(t)表示由障碍物k指向智能体i的单位向量；
控制协议中避撞控制项的表达形式为：
其中，ρ2为编队成员之间的避撞增益系数，dij(t)表示智能体i与智能体j之间的距离，表示智能体之间的感知距离，表示智能体j的安全距离，nij(t)为由智能体j指向智能体i的单位向量。
2.根据权利要求1所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，该方法具体包括如下实现步骤：
Step 1：避撞相关参数选取，根据实际选取避障增益系数ρ1和ρ2、智能体对实体类障碍物k的感知距离智能体避障安全距离智能体之间感知距离和智能体相互避撞安全距离
Step 2：系统作用拓扑确定，根据各智能体和障碍物分布情况，采用基于目标跟踪优先级的切换拓扑控制策略，确定跟踪主体和多智能体系统(1)的作用拓扑；
Step 3：阻尼参数选取，根据实际选取系统的阻尼参数αx和αv；
Step 4：系统时变编队向量设计，根据期望的编队运动路径和智能体的最大速度和加速度，基于跟踪微分器解算系统的期望位置和速度，并据此生成系统需要实现的时变编队指令f(t)；
Step 5：编队跟踪可行性判断，检验编队指令是否满足编队跟踪可行条件，如果满足，继续执行Step 6；如果不满足，则编队指令f(t)不符合要求，返回至Step 3和Step 4重新设定系统阻尼参数和时变编队指令以满足时变编队可行条件；
Step 6：时变编队跟踪与避撞控制器构建，根据编队指令和扰动补偿量，基于一致性方法、自抗扰控制理论和人工势场法构建时变编队跟踪与避撞控制器(2)；
Step7：正定矩阵计算，选取参数ε＞0，求解一个满足不等式的正定矩阵P；
Step8：控制增益矩阵确定，选取参数求解控制增益矩阵其中， 表示的特征值；
Step9：扰动补偿项的确定，设计扩张状态观测器观测系统外部扰动，实时补偿系统受到的外部扰动；
Step10：时变编队跟踪与避撞控制器设计，将求取的控制增益矩阵K、扰动补偿、阻尼参数和避撞相关参数等代入时变编队跟踪与避撞控制器(2)中，完成编队控制器参数设计；
Step11：控制效果验证，设计仿真实验检验在控制器(2)作用下多智能体系统(1)的自抗扰时变编队跟踪和避撞控制效果。
3.根据权利要求2所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 2中，基于目标跟踪优先级的切换拓扑控制策略具体内容为：
首先为N-1个编队成员划分优先级，初始时刻由优先级最高的智能体作为跟踪主体；若当前跟踪主体受障碍物遮挡作用影响丢失目标，则按优先级从高到低的顺序选择未被遮挡的智能体作为新的跟踪主体；一旦优先级高的智能体离开障碍物遮挡范围，则立即重新成为跟踪主体；一旦有比当前跟踪主体优先级高的智能体脱离障碍物的遮挡作用，则该智能体立刻成为新的跟踪主体。
4.根据权利要求3所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 4中，基于跟踪微分器解算系统期望的位置和速度并生成时变编队指令如下：
其中i∈{1,2,…,N}，和分别表示智能体i在t时刻期望的位置和速度，vmax和amax分别表示智能体i的最大速度和最大加速度，li为智能体i期望运动轨迹的长度，sign(·)为符号函数，通过将限制在闭区间[-vmax,vmax]内，g(·)为分段连续可微函数，通过g(·)将期望位置和速度进一步转换为编队向量。
5.根据权利要求4所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 5中，采用如下的编队跟踪可行条件判断期望编队指令的可行性：
6.根据权利要求5所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 9中，采用如下扩张状态观测器实时观测并确定时变编队控制器中的扰动补偿项：
其中i∈{1,2,…,N}，zi0(t)为中间变量，βi1和βi2为观测器带宽参数；结合应用实际，设置足够大的观测器频率θω，且βi1＝2θω和扩张状态观测器估计精度满足要求。
7.根据权利要求6所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 11中，对于多智能体系统(1)在编队跟踪控制器(2)作用下实现自抗扰时变编队跟踪的定义如下：
对于任意给定的有界初始状态，存在增益矩阵K使得
则称系统(1)在编队跟踪控制器(2)作用下实现自抗扰时变编队跟踪。
8.根据权利要求7所述的一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法，其特征在于，在Step 11中，对于多智能体系统(1)在编队跟踪控制器(2)作用下实现避撞控制是指：对于任意给定的有界初始状态，在整个编队运动过程中，所有智能体之间的距离始终大于智能体之间的避撞安全距离，所有智能体与障碍物之间的距离始终大于避障安全距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882506.2A CN110488845A (zh) | 2019-09-18 | 2019-09-18 | 一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882506.2A CN110488845A (zh) | 2019-09-18 | 2019-09-18 | 一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110488845A true CN110488845A (zh) | 2019-11-22 |
Family
ID=68558518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910882506.2A Pending CN110488845A (zh) | 2019-09-18 | 2019-09-18 | 一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110488845A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077887A (zh) * | 2019-12-12 | 2020-04-28 | 南京理工大学 | 一种采用领航跟随法的多机器人综合避障方法 |
| CN111103881A (zh) * | 2019-12-25 | 2020-05-05 | 北方工业大学 | 一种多智能体编队防碰撞控制方法及系统 |
| CN111240365A (zh) * | 2020-03-12 | 2020-06-05 | 北京航空航天大学 | 带有指定性能的无人机编队自适应执行器故障补偿方法 |
| CN111259546A (zh) * | 2020-01-15 | 2020-06-09 | 中国科学技术大学 | 一种自驱动交通工具圆周编队控制方法、系统及存储介质 |
| CN111367285A (zh) * | 2020-03-18 | 2020-07-03 | 华东理工大学 | 一种轮式移动小车协同编队与路径规划方法 |
| CN112560241A (zh) * | 2020-12-04 | 2021-03-26 | 北京航空航天大学 | 通讯不确定下的多智能体控制器和安全半径分离设计方法 |
| CN113110429A (zh) * | 2021-04-02 | 2021-07-13 | 北京理工大学 | 视野约束下多机器人系统的最小持久编队生成与控制方法 |
| CN113359822A (zh) * | 2021-05-28 | 2021-09-07 | 济南大学 | 具有领航者无人机编队的自抗扰控制方法及系统 |
| CN113625758A (zh) * | 2021-08-20 | 2021-11-09 | 中国人民解放军火箭军工程大学 | 一种四旋翼无人机群位姿双环抗干扰编队控制方法 |
| CN113985915A (zh) * | 2021-10-22 | 2022-01-28 | 中国人民解放军火箭军工程大学 | 一种高阶群系统多领导者分簇编队跟踪控制方法 |
| CN114115347A (zh) * | 2021-11-25 | 2022-03-01 | 中北大学 | 多条闭合路径引导下空中多智能体分布式相位调控与目标跟踪方法 |
| CN114429721A (zh) * | 2022-01-19 | 2022-05-03 | 北京航空航天大学 | 一种自主运行航路的航空器安全间隔调控方法 |
| CN116700012A (zh) * | 2023-07-19 | 2023-09-05 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
| CN117193305A (zh) * | 2023-09-21 | 2023-12-08 | 中兵智能创新研究院有限公司 | 一种复杂海况水陆航行器自主跟随感知追踪方法及设备 |
| CN117193335A (zh) * | 2023-11-08 | 2023-12-08 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
| CN118101486A (zh) * | 2024-04-26 | 2024-05-28 | 中国人民解放军火箭军工程大学 | 基于特征根分析的线性多智能体系统双向一致性控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
| CN109445447A (zh) * | 2019-01-14 | 2019-03-08 | 北京航空航天大学 | 一种多智能体编队跟踪控制方法及系统 |
-
2019
- 2019-09-18 CN CN201910882506.2A patent/CN110488845A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
| CN109445447A (zh) * | 2019-01-14 | 2019-03-08 | 北京航空航天大学 | 一种多智能体编队跟踪控制方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姚辉，席建祥，王成，胡来红: "二阶多智能体系统自抗扰编队跟踪与避撞控制", 《北京航空航天大学学报》 * |
| 徐扬等: "基于增益矩阵的二阶集群系统鲁棒分布式立体编队控制", 《中国科学:技术科学》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077887B (zh) * | 2019-12-12 | 2022-06-28 | 南京理工大学 | 一种采用领航跟随法的多机器人综合避障方法 |
| CN111077887A (zh) * | 2019-12-12 | 2020-04-28 | 南京理工大学 | 一种采用领航跟随法的多机器人综合避障方法 |
| CN111103881A (zh) * | 2019-12-25 | 2020-05-05 | 北方工业大学 | 一种多智能体编队防碰撞控制方法及系统 |
| CN111103881B (zh) * | 2019-12-25 | 2023-04-07 | 北方工业大学 | 一种多智能体编队防碰撞控制方法及系统 |
| CN111259546A (zh) * | 2020-01-15 | 2020-06-09 | 中国科学技术大学 | 一种自驱动交通工具圆周编队控制方法、系统及存储介质 |
| CN111240365A (zh) * | 2020-03-12 | 2020-06-05 | 北京航空航天大学 | 带有指定性能的无人机编队自适应执行器故障补偿方法 |
| CN111367285A (zh) * | 2020-03-18 | 2020-07-03 | 华东理工大学 | 一种轮式移动小车协同编队与路径规划方法 |
| CN112560241A (zh) * | 2020-12-04 | 2021-03-26 | 北京航空航天大学 | 通讯不确定下的多智能体控制器和安全半径分离设计方法 |
| CN112560241B (zh) * | 2020-12-04 | 2022-08-16 | 北京航空航天大学 | 通讯不确定下的多智能体控制器和安全半径分离设计方法 |
| CN113110429A (zh) * | 2021-04-02 | 2021-07-13 | 北京理工大学 | 视野约束下多机器人系统的最小持久编队生成与控制方法 |
| CN113110429B (zh) * | 2021-04-02 | 2022-07-05 | 北京理工大学 | 视野约束下多机器人系统的最小持久编队生成与控制方法 |
| CN113359822A (zh) * | 2021-05-28 | 2021-09-07 | 济南大学 | 具有领航者无人机编队的自抗扰控制方法及系统 |
| CN113625758A (zh) * | 2021-08-20 | 2021-11-09 | 中国人民解放军火箭军工程大学 | 一种四旋翼无人机群位姿双环抗干扰编队控制方法 |
| CN113625758B (zh) * | 2021-08-20 | 2024-04-26 | 中国人民解放军火箭军工程大学 | 一种四旋翼无人机群位姿双环抗干扰编队控制方法 |
| CN113985915B (zh) * | 2021-10-22 | 2023-09-12 | 中国人民解放军火箭军工程大学 | 一种高阶群系统多领导者分簇编队跟踪控制方法 |
| CN113985915A (zh) * | 2021-10-22 | 2022-01-28 | 中国人民解放军火箭军工程大学 | 一种高阶群系统多领导者分簇编队跟踪控制方法 |
| CN114115347A (zh) * | 2021-11-25 | 2022-03-01 | 中北大学 | 多条闭合路径引导下空中多智能体分布式相位调控与目标跟踪方法 |
| CN114429721B (zh) * | 2022-01-19 | 2022-12-09 | 北京航空航天大学 | 一种自主运行航路的航空器安全间隔调控方法 |
| CN114429721A (zh) * | 2022-01-19 | 2022-05-03 | 北京航空航天大学 | 一种自主运行航路的航空器安全间隔调控方法 |
| CN116700012A (zh) * | 2023-07-19 | 2023-09-05 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
| CN116700012B (zh) * | 2023-07-19 | 2024-03-01 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
| CN117193305A (zh) * | 2023-09-21 | 2023-12-08 | 中兵智能创新研究院有限公司 | 一种复杂海况水陆航行器自主跟随感知追踪方法及设备 |
| CN117193305B (zh) * | 2023-09-21 | 2024-06-07 | 中兵智能创新研究院有限公司 | 一种复杂海况水陆航行器自主跟随感知追踪方法及设备 |
| CN117193335A (zh) * | 2023-11-08 | 2023-12-08 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
| CN117193335B (zh) * | 2023-11-08 | 2024-04-12 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
| CN118101486A (zh) * | 2024-04-26 | 2024-05-28 | 中国人民解放军火箭军工程大学 | 基于特征根分析的线性多智能体系统双向一致性控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110488845A (zh) | 一种障碍物遮挡下多智能体自抗扰时变编队跟踪与避撞控制方法 | |
| CN110597061B (zh) | 一种多智能体完全分布式自抗扰时变编队控制方法 | |
| Fu et al. | Distributed formation navigation of constrained second-order multiagent systems with collision avoidance and connectivity maintenance | |
| CN109551479B (zh) | 基于参数优化可重构模块化柔性机械臂轨迹跟踪控制方法 | |
| CN104407619B (zh) | 不确定环境下的多无人机同时到达多个目标方法 | |
| Qiang et al. | Resilience optimization for multi-UAV formation reconfiguration via enhanced pigeon-inspired optimization | |
| Precup et al. | Grey wolf optimizer-based approaches to path planning and fuzzy logic-based tracking control for mobile robots | |
| Wu et al. | Observer-based leader-following formation control for multi-robot with obstacle avoidance | |
| Li et al. | Leader-follower formation of light-weight UAVs with novel active disturbance rejection control | |
| Hafez et al. | Cooperative task assignment and trajectory planning of unmanned systems via HFLC and PSO | |
| Semnani et al. | Force-based algorithm for motion planning of large agent | |
| CN112051734B (zh) | 一种基于确定学习的轮式移动机器人事件触发跟踪控制方法 | |
| CN110442129A (zh) | 一种多智能体编队的控制方法和系统 | |
| CN113485323B (zh) | 一种级联多移动机器人灵活编队方法 | |
| Zhao et al. | Four-dimensional trajectory generation for UAVs based on multi-agent Q learning | |
| Wei et al. | Distributed guidance law design for multi-UAV multi-direction attack based on reducing surrounding area | |
| Dutta et al. | Multi-agent formation control with maintaining and controlling network connectivity | |
| Chen et al. | Fixed-time cooperative tracking control for double-integrator multiagent systems: A time-based generator approach | |
| CN113359439B (zh) | 多智能体系统有限时间多目标协同追踪方法和存储介质 | |
| Song et al. | Artificial Potential Field‐Based Multi‐UAV Formation Control and Target Tracking | |
| Jinyong et al. | Distributed formation control of multiple aerial vehicles based on guidance route | |
| Zhang et al. | Clique-based cooperative multiagent reinforcement learning using factor graphs | |
| Yu et al. | Relation-invariable persistent formation control with collision avoidance and connectivity preservation | |
| Gao et al. | Affine formation control for multi-agent systems within an appointed settling time | |
| He et al. | Consensus for hybrid multi-agent systems with pulse-modulated protocols |
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: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |