CN112596395B - 一种多重信息约束下的多智能体一致性协同控制方法 - Google Patents

一种多重信息约束下的多智能体一致性协同控制方法 Download PDF

Info

Publication number
CN112596395B
CN112596395B CN202011644773.5A CN202011644773A CN112596395B CN 112596395 B CN112596395 B CN 112596395B CN 202011644773 A CN202011644773 A CN 202011644773A CN 112596395 B CN112596395 B CN 112596395B
Authority
CN
China
Prior art keywords
agent
communication
constraint
information
matrix
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.)
Active
Application number
CN202011644773.5A
Other languages
English (en)
Other versions
CN112596395A (zh
Inventor
金龙
罗辛
齐一萌
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.)
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing Institute of Green and Intelligent Technology of CAS
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 Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing Institute of Green and Intelligent Technology of CAS
Priority to CN202011644773.5A priority Critical patent/CN112596395B/zh
Publication of CN112596395A publication Critical patent/CN112596395A/zh
Application granted granted Critical
Publication of CN112596395B publication Critical patent/CN112596395B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明为一种多重信息约束下的多智能体一致性协同控制方法，属于无人驾驶、智能控制领域。该方法包含以下步骤：S1：建立通信拓扑；S2：制定一致性协同方案，获取邻居节点的状态信息；S3：建立多智能体的多重信息约束条件；S4：在多重信息约束条件下，计算期望稳态跟踪误差，设计性能函数指标，进行性能变换，得到误差模型；S5：根据变换后的误差模型，实现多重信息约束下多智能体一致性协同控制。本发明方法降低协同控制的通信成本与运行能耗，提高作业精度，优化系统性能指标，达到期望的稳态性能与一致性目标。

Description

一种多重信息约束下的多智能体一致性协同控制方法
技术领域
本发明涉及一种多重信息约束下的多智能体一致性协同控制方法，属于无人驾驶、智能控制领域，尤其适用于多重信息约束下多智能体一致性协同控制领域。
背景技术
多智能体由于其鲁棒性、可靠性、高效性、可扩展性等特性，在计算机网络、机器人、制造业、交通控制、虛拟现实等方面得到广泛应用，且已成为分布式人工智能研究中的主要研究对象。多智能体的分布式协同控制由于只依赖智能体间的局部信息，大大降低了通讯成本和能耗，具有良好的灵活性和鲁棒性。多智能体的分布式协同能力是发挥多智能体优势的关键，也是整个多智能体系统智能性的体现。
一致性问题作为多智能体分布式协同控制的基础，具有重要的现实意义和理论价值。一致性协议是智能体间相互作用、传递信息的规则，它描述了各智能体和其相邻智能体的信息交互过程。当多智能体要协同完成一项任务时，控制策略的有效性表现在能够应对各种不可预知的形势和突然变化的环境，并与任务预期达成一致。因此，多智能体的一致性是其实现协同控制的一个首要条件。
实际环境中涵盖的干扰、非线性、时延、噪声、通信协议和最优控制等问题均可看作为多智能体的一致性实现所施加的约束；此外，执行器的饱和约束，测量元器件的有界非线性测量域，确保系统安全的饱和限制等信息要求一致性需要在更加复杂的环境下得以稳定且精确的实现。例如：电机的输出转矩受最大功率的限制，飞机的舵面受物理结构限制等。如果考虑饱和环节作为一种典型的非线性环节，将会给多智能体系统一致性的分析造成了实质性的困难。但任何微小的变化，都可能会改变系统的运动模式。因此，考虑多重信息约束下的一致性协同控制具有重大的应用价值。
综上所述，虽然多智能体的一致性研究已取得丰富的成果，但为了拓展多智能体的实际应用场景，在复杂多变的环境中进一步优化系统性能指标，提高协同作业精度，降低通信成本与运行能耗，开发多重信息约束下多智能体一致性协同控制方法是本领域技术人员亟待解决的问题。
发明内容
针对多重信息约束，为弥补现有技术的空白，本发明提供一种多重信息约束下的多智能体一致性协同控制方法，旨在进一步降低协同控制的通信成本与运行能耗，提高作业精度，优化系统性能指标，达到期望的稳态性能与一致性目标。
为达到上述目的，本发明提供如下技术方案：
一种多重信息约束下的多智能体一致性协同控制方法，可以实现针对无人机、无人车、智能机器人等多智能体的控制，包括如下步骤：
S1：将多智能体的各个智能体作为通信节点建立通信拓扑；
S2：针对每个智能体在多智能体通信拓扑中连通关系制定一致性协同方案，各个智能体根据通信拓扑相互通讯，从而获取邻居节点的状态信息；
S3：结合多智能体的具体工作环境和自身约束条件限制，建立多智能体的多重信息约束条件；
S4：在多重信息约束条件下，每个智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差，并根据一致性协同控制的性能得失设计性能函数指标对跟踪误差进行性能变换，得到变换后的误差模型；
S5：根据变换后的误差模型，结合最优化稳定状态以及多智能体内协同控制的指令信号，实现多重信息约束下多智能体一致性协同控制。
进一步，步骤S1所述的通信拓扑可根据多智能体内部信息流通与交换的需求设定为有向型或无向型中的一种，也可根据多智能体的连接关系设置领导-跟随者通信连通、邻居通信连通、指定对象通信连通的连接方式中的一种或多种，还可以根据多智能体的应用规模、最优化控制、功率能量消耗的信息选取固定拓扑结构和切换拓扑结构中的一种。
进一步，步骤S2所述的制定一致性协同方案具体为：
S201：根据多智能体内通信协议设计需求确定通信拓扑图；
S202：根据通信拓扑图确定邻接矩阵A，度矩阵D和拉普拉斯矩阵L；
S203：由矩阵信息确定的通信规则，进一步制定各智能体的状态一致性协同方案。
更进一步，步骤S201所述的通信拓扑图由节点信息V和边信息E构成，其中，各个智能体节点集合V＝{vj|j＝1，…，p}，各个智能体之间连通关系集合E＝{(vj，vk)|vj∈V，vk∈V}，p≥2为多智能体中智能体的个数。
更进一步，步骤S202所述的邻接矩阵
Figure BSA0000229718540000021
其中，当(vj，vk)∈E时，ajk＝1，否则ajk＝0；所述的度矩阵
Figure BSA0000229718540000022
其中，diag(·)为对角化操作；所述的拉普拉斯矩阵
Figure BSA0000229718540000023
更进一步，步骤S203所述的通信规则为连通关系；所述的各智能体采用一阶微分模型进行状态描述；所述的第j个智能体的一致性协同方案为
Figure BSA0000229718540000024
其中，
Figure BSA0000229718540000025
为m维的第j个智能体的状态信息，Nj为与第j个智能体相邻的智能体节点集合；所述的第j个智能体的一致性协同方案可进一步写成紧凑形式为
Figure BSA0000229718540000026
所述的智能体的一致性协同方案可进一步写成紧凑形式为
Figure BSA0000229718540000027
其中，
Figure BSA0000229718540000028
Figure BSA0000229718540000029
为张量积，Im为m维单位矩阵。
进一步，步骤S3所述的多重信息约束条为线性约束条件和饱和约束条件两类，具体地：结合实际场景的通信过程与信道模型，在节点vj的状态信息经过通信通道传递到节点vk的过程中，线性约束条件为信号因散射、环境恶化、时滞或其他对通信链路的影响引发的衰减
Figure BSA0000229718540000031
饱和约束条件为第j个智能体的信号失真、驱动功率限制以及测量量程限制Γj(·)；所述的多智能体的多重信息约束条件形式为：
Figure BSA0000229718540000032
特别地，对于系统内任意两个智能体(j≠k)，Γk(·)和Γj(·)可以是同构或者异构的；衰减系数hkj可以通过针对多智能体本身进行大量的测量数据，然后采用神经网络、最小二乘法等工具求得。
进一步，所述的步骤S4具体为：
S401：多智能体根据自身及邻居节点的状态信息计算期望
Figure BSA0000229718540000033
其中，Z为满足
Figure BSA0000229718540000034
的解，*为卷积，H＝(hjk)1≤j≤mp，1≤k≤mp为通信的信道矩阵；
S402：多智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差e＝Z-Y；
S403：设计用于评估多智能体一致性精度的性能函数指标：
Figure BSA00002297185400000314
其中，
Figure BSA0000229718540000035
为正定权重矩阵；
S404：将多智能体的性能函数指标与多重信息约束条件下的通信规则相结合进行性能变换，得到一个二次规划问题；
S405：针对二次规划问题设计求解器，得到误差模型。
更进一步，步骤S404所述的二次规划问题的一般形式为：最小化F，约束条件为
Figure BSA0000229718540000036
和Z∈Γ；进一步，变换等价形式为：最小化(t-y)TS(t-y)/2，约束条件为Ls＝0、s＝H*t以及t＝Γ(z)；进一步，变换紧凑形式为：最小化(Γ(z)-y)TS(Γ(z)-y)/2+β·(H*Γ(z))T·L·(H*Γ(z))/2，约束条件为L·(H*Γ(z))＝0；其中，
Figure BSA0000229718540000037
分别为矩阵Z、Y的向量化，
Figure BSA0000229718540000038
β＞0为放缩系数，Γ(·)为对应的饱和约束的向量化表示，Ip为p维单位矩阵。
更进一步，步骤S405所述的求解器设计为：
Figure BSA0000229718540000039
其中，
Figure BSA00002297185400000310
为求解器的放缩参数，
Figure BSA00002297185400000311
Figure BSA00002297185400000312
为Γ(z)对z向量的导数，<·>表示将mp维的列向量复制扩展成mp×mp为的矩阵，
Figure BSA00002297185400000315
为哈达玛积，
Figure BSA00002297185400000313
Figure BSA0000229718540000041
δ为mp维的列向量的约束条件所对应的拉格朗日乘子。
特别地，放缩参数β、
Figure BSA0000229718540000042
可以考虑计算效率，采用深度学习等方式求得。
针对求解器，采用离散的差分，求得误差模型，进一步计算出控制协议，可以实现多智能体系统通过局部通信实时准确地得到对涉及全局信息变量的估计结果，推动系统的分布式一致性协同实现。
本发明的有益效果在于：本发明提供了一种多重信息约束下的多智能体一致性协同控制方法，考虑了多重信息约束，并在此基础上根据应用需求构建性能函数指标，实现了复杂环境中的一致性协同控制；同时，进一步优化了分布式控制中的能源损耗与通信负荷，提高了一致性协同的精确性与稳定性；其状态信息的获取仅依赖于与其在通信拓扑图中连通的智能体的状态，且充分考虑了通信信道的各类影响，有效减少了控制器的执行次数，在复杂的现实环境中确保多智能体一致性协同实现的高效性。
附图说明
为了使本发明的目的、技术方案，本发明提供如下附图进行说明：
图1为一种多重信息约束下的多智能体一致性协同控制方法流程图；
图2为本发明实施例1的通信拓扑图；其中，1、2、3、4分别为无人机；
图3为本发明实施例1的仿真结果，横坐标为时间(单位：秒)，纵坐标为状态信息值。
具体实施方式
为使本发明的目的和技术方案更加清晰明白，下面结合附图及实施例对本发明进行详细的描述。
实施例：假设一个多智能体的控制场景为由4架无人机组成的无人机群，其中，无人机1与无人机2、无人机3、无人机4之间有双向通信，无人机2与无人机3之间有双向通信，无人机3与无人机4之间有双向通信。考虑无人机之间通信延迟的存在，且对应的频域表示为：H(s)＝exp(-θ·s)，其中θ为时延量矩阵，在此取θ＝0·05·I4；考虑多智能体的信号失真、驱动功率限制以及测量量程限制，采用同构的饱和函数，饱和函数上限为
Figure BSA0000229718540000043
其中，
Figure BSA0000229718540000044
为输入信息的均值，本实施例中取C为常数1；通信数据为一维数据，即m＝1。本实施例提供“一种多重信息约束下的多智能体一致性协同控制方法”，结合图1，该方法包含以下步骤：
步骤一：将无人机群构成的多智能体，按照各个无人机的智能体作为通信节点，p＝4为多智能体中智能体的个数，如图2所示，建立有向型、指定对象通信连通的连接方式、固定拓扑结构的通信拓扑关系。
步骤二：针对每个智能体在多智能体通信拓扑中连通关系制定一致性协同方案，各个智能体根据通信拓扑相互通讯，从而获取邻居节点的状态信息；
所述的制定一致性协同方案具体为：
S201：根据通信拓扑图确定邻接矩阵A，度矩阵D和拉普拉斯矩阵L；
其中，
Figure BSA0000229718540000051
D＝diag(3，2，3，2)，
Figure BSA0000229718540000052
S202：由矩阵信息确定的通信规则，进一步制定各智能体的状态一致性协同方案。
进一步，步骤S202所述的通信规则为连通关系；所述的各智能体采用一阶微分模型进行状态描述；所述的第j个智能体的一致性协同方案为
Figure BSA0000229718540000053
其中，
Figure BSA0000229718540000054
为m维的第j个智能体的状态信息，Nj为与第j个智能体相邻的智能体节点集合；所述的智能体的一致性协同方案可进一步写成紧凑形式为
Figure BSA0000229718540000055
其中，
Figure BSA0000229718540000056
Figure BSA0000229718540000057
为张量积，Im为m维单位矩阵。
步骤三：结合多智能体的具体工作环境和自身约束条件限制，建立多智能体的多重信息约束条件；
进一步，步骤S3所述的多重信息约束条为线性约束条件和饱和约束条件两类，所述的多智能体的多重信息约束条件形式为：
Figure BSA0000229718540000058
步骤四：在多重信息约束条件下，每个智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差，并根据一致性协同控制的性能得失设计性能函数指标对跟踪误差进行性能变换，得到变换后的误差模型；
进一步，所述的步骤S4具体为：
S401：多智能体根据自身及邻居节点的状态信息计算期望
Figure BSA0000229718540000059
其中，Z为满足
Figure BSA00002297185400000510
的解，*为卷积，H＝(hjk)1≤j≤mp，1≤k≤mp为通信的信道矩阵；
S402：多智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差e＝Z-Y；
S403：设计用于评估多智能体一致性精度的性能函数指标：
Figure BSA00002297185400000515
其中，
Figure BSA00002297185400000511
为正定权重矩阵，在此选为单位矩阵；
S404：将多智能体的性能函数指标与多重信息约束条件下的通信规则相结合进行性能变换，得到一个二次规划问题；
S405：针对二次规划问题设计求解器，得到误差模型。
更进一步，步骤S404所述的二次规划问题的一般形式为：最小化F，约束条件为
Figure BSA00002297185400000512
和Z∈Γ；进一步，变换等价形式为：最小化(t-y)TS(t-y)/2，约束条件为Ls＝0、s＝H*t以及t＝Γ(z)；进一步，变换紧凑形式为：最小化(Γ(z)-y)TS(Γ(z)-y)/2+β·(H*Γ(z))T·L·(H*Γ(z))/2，约束条件为L·(H*Γ(z))＝0；其中，
Figure BSA00002297185400000513
分别为矩阵Z、Y的向量化，
Figure BSA00002297185400000514
β＝0.5为放缩系数，Γ(·)为对应的饱和约束的向量化表示，Ip为p维单位矩阵。
更进一步，步骤S405所述的求解器设计为：
Figure BSA0000229718540000061
其中，
Figure BSA0000229718540000062
为求解器的放缩参数，
Figure BSA0000229718540000063
Figure BSA0000229718540000064
为Γ(z)对z向量的导数，<·>表示将mp维的列向量复制扩展成mp×mp为的矩阵，
Figure BSA0000229718540000067
为哈达玛积，
Figure BSA0000229718540000065
Figure BSA0000229718540000066
δ为约束条件所对应的拉格朗日乘子。
步骤五：根据变换后的误差模型，结合最优化稳定状态以及多智能体内协同控制的指令信号，实现多重信息约束下多智能体一致性协同控制。
本实施例中，随机生成一个初始期望状态信息向量y＝[-0.5515；-1.0589；5.3844；9.6148]，随机生成一个初始一致性状态信息向量z＝[0.7409；3.9388；0.0339；2.2068]以及拉格朗日乘子δ＝[0.0130；1.8918；1.4248；2.6808]，经过20秒的仿真，实验结果如图3所示。在延迟和饱和约束的多重条件约束下，约3秒，无人机群多智能体快速、稳定的实现了状态一致性。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种多重信息约束下的多智能体一致性协同控制方法，其特征在于，该方法包含以下步骤：
S1：将多智能体的各个智能体作为通信节点建立通信拓扑；
S2：针对每个智能体在多智能体通信拓扑中连通关系制定一致性协同方案，各个智能体根据通信拓扑相互通讯，从而获取邻居节点的状态信息；
S3：结合多智能体的具体工作环境和自身约束条件限制，建立多智能体的多重信息约束条件；
S4：在多重信息约束条件下，每个智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差，并根据一致性协同控制的性能得失设计性能函数指标对跟踪误差进行性能变换，得到变换后的误差模型；
S5：根据变换后的误差模型，结合最优化稳定状态以及多智能体内协同控制的指令信号，实现多重信息约束下多智能体一致性协同控制；
其中，步骤S2所述的制定一致性协同方案具体为：
S201：根据多智能体内通信协议设计需求确定通信拓扑图；
S202：根据通信拓扑图确定邻接矩阵A，度矩阵D和拉普拉斯矩阵L；
S203：由矩阵信息确定的通信规则，进一步制定各智能体的状态一致性协同方案；
进一步，步骤S201所述的通信拓扑图由节点信息V和边信息E构成，其中，各个智能体节点集合V＝{vj|j＝1，…，p}，各个智能体之间连通关系集合E＝{(vj，vk)|vj∈V，vk∈V}，p≥2为多智能体中智能体的个数；
进一步，步骤S202所述的邻接矩阵
Figure FSB0000198671450000011
其中，当(vj，vk)∈E时，ajk＝1，否则ajk＝0；所述的度矩阵
Figure FSB0000198671450000012
其中，diag(·)为对角化操作；所述的拉普拉斯矩阵
Figure FSB0000198671450000013
进一步，步骤S203所述的通信规则为连通关系；所述的各智能体采用一阶微分模型进行状态描述；所述的第j个智能体的一致性协同方案为
Figure FSB0000198671450000014
其中，
Figure FSB0000198671450000015
为m维的第j个智能体的状态信息，Nj为与第j个智能体相邻的智能体节点集合；所述的智能体的一致性协同方案可进一步写成紧凑形式为
Figure FSB0000198671450000016
其中，
Figure FSB0000198671450000017
为张量积，Im为m维单位矩阵；
步骤S3所述的多重信息约束条为线性约束条件和饱和约束条件两类，具体地：结合实际场景的通信过程与信道模型，在节点vj的状态信息经过通信通道传递到节点vk的过程中，线性约束条件为信号因散射、环境恶化、时滞或其他对通信链路的影响引发的衰减
Figure FSB0000198671450000018
饱和约束条件为第j个智能体的信号失真、驱动功率限制以及测量量程限制Γj(·)；所述的多智能体的多重信息约束条件形式为：
Figure FSB0000198671450000019
所述的步骤S4具体为：
S401：多智能体根据自身及邻居节点的状态信息计算期望
Figure FSB0000198671450000021
其中，Z为满足
Figure FSB0000198671450000022
的解，*为卷积，H＝(hjk)1<j≤mp，1<k<mp为通信的信道矩阵；
S402：多智能体根据自身及邻居节点的状态信息计算期望稳态跟踪误差e＝Z-Y；
S403：设计用于评估多智能体一致性精度的性能函数指标：F＝(Z-Y)TS°(Z-Y)/2；其中，
Figure FSB0000198671450000023
为正定权重矩阵；
S404：将多智能体的性能函数指标与多重信息约束条件下的通信规则相结合进行性能变换，得到一个二次规划问题；
S405：针对二次规划问题设计求解器，得到误差模型；
进一步，步骤S404所述的二次规划问题的一般形式为：最小化F，约束条件为
Figure FSB0000198671450000024
和Z∈Γ；进一步，变换等价形式为：最小化(t-y)TS(t-y)/2，约束条件为Ls＝0、s＝H*t以及t＝Γ(z)；进一步，变换紧凑形式为：最小化(Γ(z)-y)TS(Γ(z)-y)/2+β·(H*Γ(z))T·L·(H*Γ(z))/2，约束条件为L·(H*Γ(z))＝0；其中，
Figure FSB0000198671450000025
分别为矩阵Z、Y的向量化，
Figure FSB0000198671450000026
β＞0为放缩系数，Γ(·)为对应的饱和约束的向量化表示，Ip为p维单位矩阵；
进一步，步骤S405所述的求解器设计为：
Figure FSB0000198671450000027
其中，
Figure FSB0000198671450000028
为求解器的放缩参数，
Figure FSB0000198671450000029
为Γ(z)对z向量的导数，<·>表示将mp维的列向量复制扩展成mp×mp为的矩阵，
Figure FSB00001986714500000210
为哈达玛积，
Figure FSB00001986714500000211
Figure FSB00001986714500000212
δ为约束条件所对应的拉格朗日乘子。
2.根据权利要求1所述的一种多重信息约束下的多智能体一致性协同控制方法，其特征在于，步骤S1所述的通信拓扑根据多智能体内部信息流通与交换的需求设定为有向型或无向型中的一种，或者根据多智能体的连接关系设置领导-跟随者通信连通、邻居通信连通、指定对象通信连通的连接方式中的一种或多种，又或者根据多智能体的应用规模、最优化控制、功率能量消耗的信息选取固定拓扑结构和切换拓扑结构中的一种。
CN202011644773.5A 2020-12-24 2020-12-24 一种多重信息约束下的多智能体一致性协同控制方法 Active CN112596395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011644773.5A CN112596395B (zh) 2020-12-24 2020-12-24 一种多重信息约束下的多智能体一致性协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011644773.5A CN112596395B (zh) 2020-12-24 2020-12-24 一种多重信息约束下的多智能体一致性协同控制方法

Publications (2)

Publication Number Publication Date
CN112596395A CN112596395A (zh) 2021-04-02
CN112596395B true CN112596395B (zh) 2022-05-24

Family

ID=75206800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011644773.5A Active CN112596395B (zh) 2020-12-24 2020-12-24 一种多重信息约束下的多智能体一致性协同控制方法

Country Status (1)

Country Link
CN (1) CN112596395B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093555B (zh) * 2021-04-14 2022-07-15 江南大学 一种多智能体全局一致性控制方法及系统
CN113050697A (zh) * 2021-04-17 2021-06-29 中国科学院重庆绿色智能技术研究院 基于时间Petri网的无人机群一致性协同控制方法
CN113110582B (zh) * 2021-04-22 2023-06-02 中国科学院重庆绿色智能技术研究院 无人机集群智能系统控制方法
CN113359474B (zh) * 2021-07-06 2022-09-16 杭州电子科技大学 基于梯度反馈的可扩展分布式多智能体一致性控制方法
CN113848712B (zh) * 2021-09-22 2023-10-31 南京邮电大学 一种基于云的多移动机器人输出一致性控制系统
CN116047908B (zh) * 2023-01-16 2023-10-13 齐齐哈尔大学 混合阶异构多智能体系统协同最优编队控制方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536171A (zh) * 2018-03-21 2018-09-14 电子科技大学 一种多约束下多无人机协同跟踪的路径规划方法
CN108803349A (zh) * 2018-08-13 2018-11-13 中国地质大学（武汉） 非线性多智能体系统的最优一致性控制方法及系统
CN108897339A (zh) * 2018-07-24 2018-11-27 西北工业大学 一种基于速度规划的受约束多智能体编队方法
CN109510655A (zh) * 2017-09-15 2019-03-22 中国科学院光电研究院 临近空间平台面向任务编队组网分布式协同飞行控制方法
CN110109351A (zh) * 2019-04-08 2019-08-09 广东工业大学 一种基于指定性能的多智能体一致性控制方法
CN110488606A (zh) * 2019-07-25 2019-11-22 中北大学 一种多四旋翼主从式保性能神经自适应协同编队控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109510655A (zh) * 2017-09-15 2019-03-22 中国科学院光电研究院 临近空间平台面向任务编队组网分布式协同飞行控制方法
CN108536171A (zh) * 2018-03-21 2018-09-14 电子科技大学 一种多约束下多无人机协同跟踪的路径规划方法
CN108897339A (zh) * 2018-07-24 2018-11-27 西北工业大学 一种基于速度规划的受约束多智能体编队方法
CN108803349A (zh) * 2018-08-13 2018-11-13 中国地质大学（武汉） 非线性多智能体系统的最优一致性控制方法及系统
CN110109351A (zh) * 2019-04-08 2019-08-09 广东工业大学 一种基于指定性能的多智能体一致性控制方法
CN110488606A (zh) * 2019-07-25 2019-11-22 中北大学 一种多四旋翼主从式保性能神经自适应协同编队控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
输入约束下高阶智能体均方一致性研究;林伯先 等;《电子科技大学学报》;20201130;第49卷(第6期);第818-825页 *

Also Published As

Publication number Publication date
CN112596395A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN112596395B (zh) 一种多重信息约束下的多智能体一致性协同控制方法
CN110376889B (zh) 具有时变时滞的异构网络化多智能体系统分组一致的方法
CN108803349B (zh) 非线性多智能体系统的最优一致性控制方法及系统
Fu et al. Distributed formation navigation of constrained second-order multiagent systems with collision avoidance and connectivity maintenance
CN109407520B (zh) 基于滑模控制的二阶多智能体系统的容错一致性控制算法
CN112327633A (zh) 具有时滞和干扰的领导跟随多智能体系统一致性的方法
Chu et al. Robust fixed‐time consensus tracking with application to formation control of unicycles
CN113900380B (zh) 一种异构集群系统鲁棒输出编队跟踪控制方法及系统
CN114117926B (zh) 一种基于联邦学习的机器人协同控制算法
CN113110039B (zh) 一种多智能体系统的有限时间分布式聚合优化方法
You et al. Distributed adaptive event‐triggered control for leader‐following consensus of multi‐agent systems
Hu et al. Dynamic event‐triggered control for leader‐following consensus of multiagent systems with the estimator
Zhang et al. Global iterative learning control based on fuzzy systems for nonlinear multi-agent systems with unknown dynamics
CN108037659A (zh) 基于事件驱动的时变耦合复杂动态网络同步方法
Tan et al. Leader–following consensus problem of networked multi‐agent systems under switching topologies and communication constraints
CN112632876B (zh) 一种基于dmhe和dmpc的无人船协同目标跟踪控制方法
CN113867150A (zh) 一种具有饱和输入的多智能体的事件驱动控制方法
CN113110182A (zh) 领导跟随多智能体系统的容错控制器设计方法
CN110516198B (zh) 一种分布式非线性卡尔曼滤波方法
Su et al. Iterative learning control for network data dropout in nonlinear system
CN111216146B (zh) 一种适用于网络化机器人系统的二部一致性量化控制方法
CN114609910B (zh) 一种具有乘性噪声的线性多智能体系统及其一致控制方法
Yu et al. A data-driven distributed adaptive control approach for nonlinear multi-agent systems
CN113050697A (zh) 基于时间Petri网的无人机群一致性协同控制方法
Liu et al. Adaptive containment control of heterogeneous high‐order fully actuated multi‐agent 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