CN111766783A - 一种面向集群系统的有限时间内收敛的编队合围跟踪方法 - Google Patents

一种面向集群系统的有限时间内收敛的编队合围跟踪方法 Download PDF

Info

Publication number
CN111766783A
CN111766783A CN202010608835.0A CN202010608835A CN111766783A CN 111766783 A CN111766783 A CN 111766783A CN 202010608835 A CN202010608835 A CN 202010608835A CN 111766783 A CN111766783 A CN 111766783A
Authority
CN
China
Prior art keywords
state information
observer
robot
state
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
CN202010608835.0A
Other languages
English (en)
Other versions
CN111766783B (zh
Inventor
韩亮
廖睿雯
任章
董希旺
李清东
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010608835.0A priority Critical patent/CN111766783B/zh
Publication of CN111766783A publication Critical patent/CN111766783A/zh
Application granted granted Critical
Publication of CN111766783B publication Critical patent/CN111766783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05D1/0293—Convoy travelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/047—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators the criterion being a time optimal performance criterion
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
    • 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
    • G05D1/12—Target-seeking control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种面向集群系统的有限时间内收敛的编队合围跟踪方法。该方法包括：在未知地形救援物资运送场景中，获取多个智能体；实时获取各智能体的状态信息；构建集群系统通信拓扑关系；实时确定邻居智能体的状态信息；确定期望编队构型；根据智能体的状态信息、邻居智能体的状态信息、通信拓扑关系和期望编队构型，构造状态观测器；根据状态观测器，确定观测器观测的状态信息；根据状态信息、观测的状态信息和通信拓扑关系设计控制器，得到控制器信息；根据控制器信息完成指定的有限时间编队合围跟踪。本发明能够解决需要提前预知虚拟领导者输入上界，集群系统编队队形时不变，以及集群系统无法保证有限时间收敛的问题。

Description

一种面向集群系统的有限时间内收敛的编队合围跟踪方法
技术领域
本发明涉及集群系统协同控制领域，特别是涉及一种面向集群系统的有限时间内收敛的编队合围跟踪方法。
背景技术
集群协同控制是当前集群系统研究的热点问题，在协作过程中，智能体之间需要通过相应的协同控制方法来共同实现指定的全局目标。根据任务的不同，协同控制方法可分为一致性控制、编队控制、合围控制等。其中，编队控制旨在使集群系统在向特定目标或方向运动的过程中，各智能体间保持预设的编队队形。集群系统编队控制在航天、军事、工业等方面均具有广泛应用，可以为协同侦察、探测、围捕等任务创造有利条件。合围控制指领导者形成特定凸包，跟随者进入到领导者形成的凸包内部，该方法有助于完成特定的保护任务。跟踪控制是指跟随者以指定的运动模式跟踪单个或多个领导者，其在打击目标、跟踪探测等任务中具有重要作用。在编队控制、合围控制、跟踪控制问题的基础上，衍生出了更为复杂的集群编队合围跟踪控制问题，可以视为前三类问题的特例，其研究更具一般性和拥有更广泛的应用场景。该问题中，系统中的智能体按照执行任务的不同被分为三类：带领团队向特定方向或目标运动的虚拟领导者，追踪虚拟领导者轨迹运动并围绕虚拟领导者形成指定时变编队队形的真实领导者，以及进入到真实领导者所形成凸包内部跟随团队运动的跟随者。在军事领域中，多无人机编队合围跟踪可以有效执行侦察打击任务，领导者无人机追踪打击目标并以一定编队队形合作获取周围环境，迅速准确地感知群体所在环境信息，而另一部分跟随者无人机则进入领导者无人机形成的安全区内实施打击任务。又以复杂环境的救援任务为例，一部分机器人形成合理的队形以保护内部机器人完成向目标运送救灾物资和救援的任务。
在集群编队合围跟踪问题的研究中，通常采用基于一致性的控制方法，各智能体通过智能体之间的通信获取邻居智能体的信息，然后根据这些信息形成自身的控制指令，从而使集群系统形成指定的编队合围跟踪。但在该方法的一般研究中，领导者形成的编队是固定的，不能够根据实际需求进行动态调整，而在实际应用中，为了应对复杂的外部环境及任务变化，集群系统需要能够实时动态调整自身编队队形，因此时变编队具有更一般性和实用性。其次，大多数编队合围跟踪问题的研究中，虚拟领导者的未知输入都要求是有界的。然而真实情况中，虚拟领导者的轨迹具有不确定性且无法预知，因此如何解除未知输入有界的约束限制是一大难题。考虑到实际应用中，往往需要集群系统尽快地达到指定编队合围跟踪状态，而现有研究极少考虑系统的收敛时间问题，因此如何让系统在有限时间内收敛到预设状态也是有待突破的技术难题。
发明内容
本发明的目的是提供一种面向集群系统的有限时间内收敛的编队合围跟踪方法，其解决了现有技术中，需要提前预知虚拟领导者输入上界，集群系统编队队形时不变，以及集群系统无法保证有限时间收敛的问题，提高了编队合围跟踪的实用性。
为实现上述目的，本发明提供了如下方案：
一种面向集群系统的有限时间内收敛的编队合围跟踪方法，包括：
在未知地形救援物资运送场景中，获取多个智能体，所述智能体包括探测机器人、保护机器人和运送物资机器人；
实时获取各所述智能体的状态信息，所述智能体状态信息包括智能体的位置信息和智能体的速度信息；
根据各所述智能体，构建集群系统通信拓扑关系；
根据所述通信拓扑关系，实时确定邻居智能体的状态信息，所述邻居智能体的状态信息包括邻居智能体的位置信息和邻居智能体的速度信息；
确定期望编队构型；
根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器；
根据所述状态观测器，确定观测器观测的智能体状态信息和观测器观测的邻居智能体状态信息；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息和所述通信拓扑关系设计控制器，得到控制器信息；
根据所述控制器信息完成指定的有限时间编队合围跟踪。
可选的，所述在未知地形救援物资运送场景中，获取多个智能体，所述智能体包括探测机器人、保护机器人和运送物资机器人，具体包括：
在未知地形救援物资运送场景中，获取N+M+1个智能体，并将每个智能体作为一个通信节点，所述智能体包括一个探测机器人、N个保护机器人和M个运送物资机器人，其中，所述探测机器人视为虚拟领导者，所述保护机器人视为真实领导者，所述运送物资机器人视为跟随者，将所述虚拟领导者下标记为i＝0，Γ1＝{1，2，...，N}表示真实领导者集合，Γ2＝{N+1，N+2，...，N+M}表示跟随者集合，令Γ＝Γ1∪Γ2。
可选的，所述根据各所述智能体，构建集群系统通信拓扑关系，具体包括：
根据各所述智能体之间的通信关系，构建集群系统通信拓扑关系，所述通信拓扑关系采用权重矩阵A＝(aij)(N+M+1)×(N+M+1)来表示，如果节点i能够收到节点j的信息，则称节点j为节点i的一个邻居，aij＝1，否则，aij＝0，记ai0＝bi。
可选的，所述确定期望编队构型，具体包括：
利用时变向量确定期望的编队构型
Figure BDA0002560156000000031
其中
Figure BDA0002560156000000032
Figure BDA0002560156000000041
为分段可微函数，满足
Figure BDA0002560156000000042
hi为编队状态函数，hix为编队状态的位置量，hiv为编队状态的速度量。
可选的，所述根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，具体包括：
根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，所述状态观测器设计如下：
对于真实领导者：
Figure BDA0002560156000000043
对于跟随者：
Figure BDA0002560156000000044
令
Figure BDA0002560156000000045
其中
Figure BDA0002560156000000046
为观测器观测的邻居智能体状态，0＜α＜1和η＞0为常数，描述智能体间相互吸引的作用。
可选的，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息和所述通信拓扑关系设计控制器，得到控制器信息，具体包括：
获取保护机器人增益常数；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息；
获取运送物资机器人增益常数；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息。
可选的，所述获取保护机器人增益常数，具体包括：
获取保护机器人增益常数，所述保护机器人增益常数包括第一增益常数和第二增益常数：
Figure BDA0002560156000000051
Figure BDA0002560156000000052
其中，k1为第一增益常数，k2为第二增益常数，σ1为正常数，β为虚拟领导者作用于真实领导者的最大权重关系，
Figure BDA0002560156000000053
γ为真实领导者间作用的最大权重，
Figure BDA0002560156000000054
p为智能体间的相互作用强度。
可选的，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息：
Figure BDA0002560156000000061
其中，k1为第一增益常数，k2为第二增益常数，
Figure BDA0002560156000000062
为保护机器人控制器信息，p为智能体间的相互作用强度，
Figure BDA0002560156000000063
为保护机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000064
为邻居机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000065
为探测机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000066
为保护机器人真实状态与观测器状态的速度差，aij和bi均为拓扑权重值。
可选的，所述获取运送物资机器人增益常数，具体包括：
获取运送物资机器人增益常数，所述运送物资机器人增益常数包括第三增益常数和第四增益常数：
Figure BDA0002560156000000071
Figure BDA0002560156000000072
其中，k3为第三增益常数，k4为第四增益常数，σ2为正常数，
Figure BDA0002560156000000073
Figure BDA0002560156000000074
μ为真实领导者作用于跟随者的最大权重关系，ζ为跟随者之间最大权重，
Figure BDA0002560156000000075
可选的，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息：
Figure BDA0002560156000000081
其中，k3为第三增益常数，k4为第四增益常数，
Figure BDA0002560156000000082
为运送物资机器人控制器信息，p为智能体间的相互作用强度，
Figure BDA0002560156000000083
为运送物资机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000084
为邻居机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000085
为运送物资机器人真实状态与观测器状态的速度差，aij为拓扑权重值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)采用一种分布式观测器，来估计邻居智能体的状态，从而精确追踪期望目标运动轨迹；
(2)设计的控制器能实现期望的时变编队合围跟踪的效果，能够同时实现编队、合围、跟踪控制，具有应用广泛的优点；
(3)设计的控制器能实现系统有限时间内收敛的效果，使得集群系统的收敛速度加快，有利于适应快速变换的环境和加强任务完成效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明面向集群系统的有限时间内收敛的编队合围跟踪方法流程图；
图2为本发明编队合围跟踪示意图；
图3为本发明集群系统通信拓扑结构图；
图4为本发明15s内智能体运动轨迹图；
图5为本发明t＝1，2，5，9s时刻集群系统位置图；
图6为本发明t＝1，2，5，9s时刻集群系统速度图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种面向集群系统的有限时间内收敛的编队合围跟踪方法，其解决了现有技术中，需要提前预知虚拟领导者输入上界，集群系统编队队形时不变，以及集群系统无法保证有限时间收敛的问题，提高了编队合围跟踪的实用性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的目的是提供一种面向集群系统的有限时间内收敛的编队合围跟踪方法，其解决了现有技术中，需要提前预知虚拟领导者输入上界，集群系统编队队形时不变，以及集群系统无法保证有限时间收敛的问题，提高了编队合围跟踪的实用性。
为实现上述目的，本发明提供了如下方案：
图1为本发明面向集群系统的有限时间内收敛的编队合围跟踪方法流程图。如图1所示，一种面向集群系统的有限时间内收敛的编队合围跟踪方法包括：
步骤101：在未知地形救援物资运送场景中，获取多个智能体，所述智能体包括探测机器人、保护机器人和运送物资机器人，具体包括：
在未知地形救援物资运送场景中，获取N+M+1个智能体，并将每个智能体作为一个通信节点，所述智能体包括一个探测机器人、N个保护机器人和M个运送物资机器人，其中，所述探测机器人视为虚拟领导者，所述保护机器人视为真实领导者，所述运送物资机器人视为跟随者，将所述虚拟领导者下标记为i＝0，Γ1＝{1，2，...，N}表示真实领导者集合，Γ2＝{N+1，N+2，...，N+M}表示跟随者集合，令Γ＝Γ1∪Γ2。
步骤102：实时获取各所述智能体的状态信息，所述智能体状态信息包括智能体的位置信息和智能体的速度信息；
步骤103：根据各所述智能体，构建集群系统通信拓扑关系，具体包括：
根据各所述智能体之间的通信关系，构建集群系统通信拓扑关系，所述通信拓扑关系采用权重矩阵A＝(aij)(N+M+1)×(M+M+1)来表示，如果节点i能够收到节点j的信息，则称节点j为节点i的一个邻居，aij＝1，否则，aij＝0。
步骤104：根据所述通信拓扑关系，实时确定邻居智能体的状态信息，所述邻居智能体的状态信息包括邻居智能体的位置信息和邻居智能体的速度信息；
步骤105：确定期望编队构型，具体包括：
利用时变向量确定期望的编队构型
Figure BDA0002560156000000101
其中
Figure BDA0002560156000000102
Figure BDA0002560156000000103
为分段可微函数，满足
Figure BDA0002560156000000104
hi为编队状态函数，hix为编队状态的位置量，hiv为编队状态的速度量。
步骤106：根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，具体包括：
根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，所述状态观测器设计如下：
对于真实领导者：
Figure BDA0002560156000000111
对于跟随者：
Figure BDA0002560156000000112
令
Figure BDA0002560156000000113
其中
Figure BDA0002560156000000114
为观测器观测的邻居智能体状态，0＜α＜1和η＞0为常数，描述智能体间相互吸引的作用。
步骤107：根据所述状态观测器，确定观测器观测的智能体状态信息和观测器观测的邻居智能体状态信息；
步骤108：根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息和所述通信拓扑关系设计控制器，得到控制器信息，具体包括：
步骤1081：获取保护机器人增益常数；
步骤1082：根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息；
步骤1083：获取运送物资机器人增益常数；
步骤1084：根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息。
步骤1081，具体包括：
获取保护机器人增益常数，所述保护机器人增益常数包括第一增益常数和第二增益常数：
Figure BDA0002560156000000121
Figure BDA0002560156000000122
其中，k1为第一增益常数，k2为第二增益常数，σ1为正常数，β为虚拟领导者作用于真实领导者的最大权重关系，
Figure BDA0002560156000000123
γ为真实领导者间作用的最大权重，
Figure BDA0002560156000000124
p为智能体间的相互作用强度。
步骤1082，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息：
Figure BDA0002560156000000131
其中，k1为第一增益常数，k2为第二增益常数，
Figure BDA0002560156000000132
为保护机器人控制器信息，p为智能体间的相互作用强度，
Figure BDA0002560156000000133
为保护机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000134
为邻居机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000135
为探测机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000136
为运送物资机器人真实状态与观测器状态的速度差，aij和bi均为拓扑权重值。
步骤1083，具体包括：
获取运送物资机器人增益常数，所述运送物资机器人增益常数包括第三增益常数和第四增益常数：
Figure BDA0002560156000000137
Figure BDA0002560156000000138
其中，k3为第三增益常数，k4为第四增益常数，σ2为正常数，
Figure BDA0002560156000000139
Figure BDA00025601560000001310
μ为真实领导者作用于跟随者的最大权重关系，ζ为跟随者之间最大权重，
Figure BDA00025601560000001311
步骤1084，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息：
Figure BDA0002560156000000141
其中，k3为第三增益常数，k4为第四增益常数，
Figure BDA0002560156000000142
为运送物资机器人控制器信息，p为智能体间的相互作用强度，
Figure BDA0002560156000000143
为运送物资机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000144
为邻居机器人真实状态与观测器状态的位置差，
Figure BDA0002560156000000145
为运送物资机器人真实状态与观测器状态的速度差，aij为拓扑权重值。
步骤109：根据所述控制器信息完成指定的有限时间编队合围跟踪。
在步骤108得到控制器ui作用下，完成指定的有限时间编队合围跟踪，机器人构成预期编队合围将援助物资运送至目的地。
在二维平面X-Y内，考虑由8个智能体组成的系统，其中i＝0表示虚拟领导者，i＝1，2，3，4表示真实领导者，i＝5，6，7表示跟随者。系统的通信拓扑结构如图2所示。第i(i＝0，1，.·.，7)个智能体的状态表示为：
Figure BDA0002560156000000146
Figure BDA0002560156000000147
编队函数为
Figure BDA0002560156000000148
Figure BDA0002560156000000151
其中xi1和xi2分别为X和Y方向上的位置，vi1和vi2分别为X和Y方向上的速度，hi1和hi2分别为X和Y方向上的编队信息。虚拟领导者的运动轨迹设为：x01＝t,x02＝0.01t2,v01＝1,v02＝0.02t。智能体初始状态设定如下：xij(0)＝5Θ(i＝1，2，3，4，5，6，7；j＝1，2)，其中Θ是(-1，1)上均匀分布的随机数，vij(0)＝0(i＝1，2，3，4，5，6，7；j＝1，2)。控制器的增益常数选取为k1＝15，k2＝2.7，k3＝15，k4＝2.7，p＝9/7。令α＝0.5andη＝1。集群系统编队设计如下：
Figure BDA0002560156000000152
通过仿真得到集群系统15s内的运动过程，图3为集群系统在15s内的运动轨迹；图4和图5分别表示集群系统在t＝1,2,5,9s时刻集群系统位置和速度图，可以看出系统最后已经实现了设计的编队合围跟踪。
本发明一种基于有限时间的集群编队合围跟踪控制算法的优点在于：
(1)采用一种分布式观测器，来估计邻居智能体的状态，从而精确追踪期望目标运动轨迹；
(2)设计的控制器能实现期望的时变编队合围跟踪的效果，能够同时实现编队、合围、跟踪控制，具有应用广泛的优点；
(3)设计的控制器能实现系统有限时间内收敛的效果，使得集群系统的收敛速度加快，有利于适应快速变换的环境和加强任务完成效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，包括：
在未知地形救援物资运送场景中，获取多个智能体，所述智能体包括探测机器人、保护机器人和运送物资机器人；
实时获取各所述智能体的状态信息，所述智能体状态信息包括智能体的位置信息和智能体的速度信息；
根据各所述智能体，构建集群系统通信拓扑关系；
根据所述通信拓扑关系，实时确定邻居智能体的状态信息，所述邻居智能体的状态信息包括邻居智能体的位置信息和邻居智能体的速度信息；
确定期望编队构型；
根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器；
根据所述状态观测器，确定观测器观测的智能体状态信息和观测器观测的邻居智能体状态信息；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息和所述通信拓扑关系设计控制器，得到控制器信息；
根据所述控制器信息完成指定的有限时间编队合围跟踪。
2.根据权利要求1所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述在未知地形救援物资运送场景中，获取多个智能体，所述智能体包括探测机器人、保护机器人和运送物资机器人，具体包括：
在未知地形救援物资运送场景中，获取N+M+1个智能体，并将每个智能体作为一个通信节点，所述智能体包括一个探测机器人、N个保护机器人和M个运送物资机器人，其中，所述探测机器人视为虚拟领导者，所述保护机器人视为真实领导者，所述运送物资机器人视为跟随者，将所述虚拟领导者下标记为i＝0，Γ1＝{1，2，...，N}表示真实领导者集合，Γ2＝{N+1，N+2，...，N+M}表示跟随者集合，令Γ＝Γ1∪Γ2。
3.根据权利要求2所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述根据各所述智能体，构建集群系统通信拓扑关系，具体包括：
根据各所述智能体之间的通信关系，构建集群系统通信拓扑关系，所述通信拓扑关系采用权重矩阵A＝(aij)(N+M+1)×(N+M+1)来表示，如果节点i能够收到节点j的信息，则称节点j为节点i的一个邻居，aij＝1，否则，aij＝0，记ai0＝bi。
4.根据权利要求1所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述确定期望编队构型，具体包括：
利用时变向量确定期望的编队构型
Figure FDA0002560155990000021
其中
Figure FDA0002560155990000022
Figure FDA0002560155990000023
为分段可微函数，满足
Figure FDA0002560155990000024
hi为编队状态函数，hix为编队状态的位置量，hiv为编队状态的速度量。
5.根据权利要求2所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，具体包括：
根据所述智能体的状态信息、所述邻居智能体的状态信息、所述通信拓扑关系和所述期望编队构型，构造状态观测器，所述状态观测器设计如下：
对于真实领导者：
Figure FDA0002560155990000031
对于跟随者：
Figure FDA0002560155990000032
令
Figure FDA0002560155990000033
其中
Figure FDA0002560155990000034
为观测器观测的邻居智能体状态，0＜α＜1和η＞0为常数，描述智能体间相互吸引的作用。
6.根据权利要求2所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息和所述通信拓扑关系设计控制器，得到控制器信息，具体包括：
获取保护机器人增益常数；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息；
获取运送物资机器人增益常数；
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息。
7.根据权利要求6所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述获取保护机器人增益常数，具体包括：
获取保护机器人增益常数，所述保护机器人增益常数包括第一增益常数和第二增益常数：
Figure FDA0002560155990000041
Figure FDA0002560155990000042
其中，k1为第一增益常数，k2为第二增益常数，σ1为正常数，β为虚拟领导者作用于真实领导者的最大权重关系，
Figure FDA0002560155990000043
γ为真实领导者间作用的最大权重，
Figure FDA0002560155990000044
p为智能体间的相互作用强度。
8.根据权利要求6所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述保护机器人增益常数设计控制器，得到保护机器人控制器信息：
Figure FDA0002560155990000051
其中，k1为第一增益常数，k2为第二增益常数，
Figure FDA0002560155990000052
为保护机器人控制器信息，p为智能体间的相互作用强度，
Figure FDA0002560155990000053
为保护机器人真实状态与观测器状态的位置差，
Figure FDA0002560155990000054
为邻居机器人真实状态与观测器状态的位置差，
Figure FDA0002560155990000055
为探测机器人真实状态与观测器状态的位置差，
Figure FDA0002560155990000056
为保护机器人真实状态与观测器状态的速度差，aij和bi均为拓扑权重值。
9.根据权利要求6所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述获取运送物资机器人增益常数，具体包括：
获取运送物资机器人增益常数，所述运送物资机器人增益常数包括第三增益常数和第四增益常数：
Figure FDA0002560155990000061
Figure FDA0002560155990000062
其中，k3为第三增益常数，k4为第四增益常数，σ2为正常数，
Figure FDA0002560155990000063
Figure FDA0002560155990000064
μ为真实领导者作用于跟随者的最大权重关系，ζ为跟随者之间最大权重，
Figure FDA0002560155990000065
10.根据权利要求6所述的面向集群系统的有限时间内收敛的编队合围跟踪方法，其特征在于，所述根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息，具体包括：
根据所述智能体的状态信息、所述观测器观测的智能体状态信息、所述邻居智能体的状态信息、所述观测器观测的邻居智能体状态信息、所述通信拓扑关系和所述运送物资机器人增益常数设计控制器，得到运送物资机器人控制器信息：
Figure FDA0002560155990000071
其中，k3为第三增益常数，k4为第四增益常数，
Figure FDA0002560155990000072
为运送物资机器人控制器信息，p为智能体间的相互作用强度，
Figure FDA0002560155990000073
为运送物资机器人真实状态与观测器状态的位置差，
Figure FDA0002560155990000074
为邻居机器人真实状态与观测器状态的位置差，
Figure FDA0002560155990000075
为运送物资机器人真实状态与观测器状态的速度差，aij为拓扑权重值。
CN202010608835.0A 2020-06-29 2020-06-29 一种面向集群系统的有限时间内收敛的编队合围跟踪方法 Active CN111766783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010608835.0A CN111766783B (zh) 2020-06-29 2020-06-29 一种面向集群系统的有限时间内收敛的编队合围跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608835.0A CN111766783B (zh) 2020-06-29 2020-06-29 一种面向集群系统的有限时间内收敛的编队合围跟踪方法

Publications (2)

Publication Number Publication Date
CN111766783A true CN111766783A (zh) 2020-10-13
CN111766783B CN111766783B (zh) 2021-08-24

Family

ID=72724116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608835.0A Active CN111766783B (zh) 2020-06-29 2020-06-29 一种面向集群系统的有限时间内收敛的编队合围跟踪方法

Country Status (1)

Country Link
CN (1) CN111766783B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306020A (zh) * 2020-10-29 2021-02-02 西北工业大学 一种多智能体集群对指定目标位置的均匀球面分散控制方法
CN113655808A (zh) * 2021-07-21 2021-11-16 中国电子科技集团公司电子科学研究院 用于集群的有限时间自主编队控制方法及控制系统
CN114442487A (zh) * 2022-01-18 2022-05-06 北京理工大学 多智能体系统仿射编队中的领导者选取方法
CN114637279A (zh) * 2022-03-11 2022-06-17 厦门大学 一种基于局部方位信息的多智能体编队控制方法
CN115437261A (zh) * 2022-11-10 2022-12-06 广东工业大学 一种基于距离定位的未知目标围剿方法
CN117331317A (zh) * 2023-12-01 2024-01-02 东海实验室 一种基于宽度学习的欠驱动水下直升机合围控制方法
CN118151544A (zh) * 2024-05-11 2024-06-07 北京理工大学长三角研究院(嘉兴) 一种多智能体系统在合围控制中的自适应容错控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687571B1 (en) * 2001-04-24 2004-02-03 Sandia Corporation Cooperating mobile robots
CN105138044A (zh) * 2015-07-10 2015-12-09 北京印刷学院 一种基于信息物理网的车队编队控制装置及编队控制方法
CN105589333A (zh) * 2016-02-03 2016-05-18 电子科技大学 多智能体系统分组包围控制方法
CN107065877A (zh) * 2017-05-03 2017-08-18 东南大学 基于相对位置的分布式编队球形包围追踪未知目标的方法
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN107844127A (zh) * 2017-09-20 2018-03-27 北京飞小鹰科技有限责任公司 面向有限时间的编队飞行器协同控制方法及控制系统
CN109407671A (zh) * 2018-12-11 2019-03-01 大连海事大学 一种欠驱动无人船目标包围控制器结构及设计方法
CN110084295A (zh) * 2019-04-19 2019-08-02 广东石油化工学院 一种多智能体系统分组包围控制方法及控制系统
CN110658821A (zh) * 2019-10-10 2020-01-07 中国科学技术大学 一种多机器人抗干扰分组时变编队控制方法及系统
CN110780668A (zh) * 2019-04-09 2020-02-11 北京航空航天大学 一种多无人艇的分布式编队合围跟踪控制方法及系统
CN111176327A (zh) * 2020-01-16 2020-05-19 北京航空航天大学 一种多智能体系统合围控制方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687571B1 (en) * 2001-04-24 2004-02-03 Sandia Corporation Cooperating mobile robots
CN105138044A (zh) * 2015-07-10 2015-12-09 北京印刷学院 一种基于信息物理网的车队编队控制装置及编队控制方法
CN105589333A (zh) * 2016-02-03 2016-05-18 电子科技大学 多智能体系统分组包围控制方法
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN107065877A (zh) * 2017-05-03 2017-08-18 东南大学 基于相对位置的分布式编队球形包围追踪未知目标的方法
CN107844127A (zh) * 2017-09-20 2018-03-27 北京飞小鹰科技有限责任公司 面向有限时间的编队飞行器协同控制方法及控制系统
CN109407671A (zh) * 2018-12-11 2019-03-01 大连海事大学 一种欠驱动无人船目标包围控制器结构及设计方法
CN110780668A (zh) * 2019-04-09 2020-02-11 北京航空航天大学 一种多无人艇的分布式编队合围跟踪控制方法及系统
CN110084295A (zh) * 2019-04-19 2019-08-02 广东石油化工学院 一种多智能体系统分组包围控制方法及控制系统
CN110658821A (zh) * 2019-10-10 2020-01-07 中国科学技术大学 一种多机器人抗干扰分组时变编队控制方法及系统
CN111176327A (zh) * 2020-01-16 2020-05-19 北京航空航天大学 一种多智能体系统合围控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUIWEN LIAO,ET AL.: "Finite-time formation-containment tracking for second-order multi-agent systems with a virtual leader of fully unknown input.", 《NEUROCOMPUTING》 *
杨振威: "基于多智能体系统一致性的跟踪控制研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王玉娟: "多智能体系统（给定）有限时间控制问题研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306020A (zh) * 2020-10-29 2021-02-02 西北工业大学 一种多智能体集群对指定目标位置的均匀球面分散控制方法
CN112306020B (zh) * 2020-10-29 2021-10-26 西北工业大学 一种多智能体集群对指定目标位置的均匀球面分散控制方法
CN113655808A (zh) * 2021-07-21 2021-11-16 中国电子科技集团公司电子科学研究院 用于集群的有限时间自主编队控制方法及控制系统
CN114442487A (zh) * 2022-01-18 2022-05-06 北京理工大学 多智能体系统仿射编队中的领导者选取方法
CN114637279A (zh) * 2022-03-11 2022-06-17 厦门大学 一种基于局部方位信息的多智能体编队控制方法
CN114637279B (zh) * 2022-03-11 2024-06-07 厦门大学 一种基于局部方位信息的多智能体编队控制方法
CN115437261A (zh) * 2022-11-10 2022-12-06 广东工业大学 一种基于距离定位的未知目标围剿方法
CN117331317A (zh) * 2023-12-01 2024-01-02 东海实验室 一种基于宽度学习的欠驱动水下直升机合围控制方法
CN117331317B (zh) * 2023-12-01 2024-02-20 东海实验室 一种基于宽度学习的欠驱动水下直升机合围控制方法
CN118151544A (zh) * 2024-05-11 2024-06-07 北京理工大学长三角研究院(嘉兴) 一种多智能体系统在合围控制中的自适应容错控制方法

Also Published As

Publication number Publication date
CN111766783B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN111766783B (zh) 一种面向集群系统的有限时间内收敛的编队合围跟踪方法
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
Tisdale et al. Autonomous UAV path planning and estimation
CN110658821B (zh) 一种多机器人抗干扰分组时变编队控制方法及系统
CN108705532A (zh) 一种机械臂避障路径规划方法、设备及存储设备
CN106647771B (zh) 多移动机器人的最小步编队方法
CN106125760A (zh) 无人机编队路径自动规划方法及装置
CN109885080A (zh) 自主控制系统及自主控制方法
CN109765919B (zh) 基于等碰撞概率线法的航天器近距离安全操作控制方法
Xu et al. Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems
CN112650306A (zh) 一种基于动力学rrt*的无人机运动规划方法
Dewan et al. Heterogeneous UGV-MAV exploration using integer programming
Natalizio et al. Two families of algorithms to film sport events with flying robots
Kim Control laws to avoid collision with three dimensional obstacles using sensors
Shen et al. Multi-robot cooperative hunting
CN109491381B (zh) 基于观测器的多移动机器人自适应编队跟踪控制方法
Ghommam et al. Distance‐Based Formation Control for Quadrotors with Collision Avoidance via Lyapunov Barrier Functions
Ismael et al. Nonlinear model predictive control-based collision avoidance for mobile robot
Fathian et al. Vision-based distributed formation control of unmanned aerial vehicles
CN108733076B (zh) 一种无人机抓取目标物体的方法、装置及电子设备
Lan et al. Adaptive 3D Distance‐Based Formation Control of Multiagent Systems with Unknown Leader Velocity and Coplanar Initial Positions
CN114115341B (zh) 一种智能体集群协同运动方法及系统
CN114995501A (zh) 一种面向无人集群的分布式动态路径规划方法
Sabattini et al. Potential based control strategy for arbitrary shape formations of mobile robots
Chua et al. Moving particle semi-implicit method for control of swarm robotic systems

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