CN113759711B - 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法 - Google Patents

多欧拉-拉格朗日系统的独立分布式包含控制器设计方法 Download PDF

Info

Publication number
CN113759711B
CN113759711B CN202110778445.2A CN202110778445A CN113759711B CN 113759711 B CN113759711 B CN 113759711B CN 202110778445 A CN202110778445 A CN 202110778445A CN 113759711 B CN113759711 B CN 113759711B
Authority
CN
China
Prior art keywords
controller
distributed
representing
follower
virtual
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
CN202110778445.2A
Other languages
English (en)
Other versions
CN113759711A (zh
Inventor
苏厚胜
张立人
王晓玲
赵金
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.)
Guangdong Intelligent Robotics Institute
Huazhong University of Science and Technology
Guangdong Hust Industrial Technology Research Institute
Original Assignee
Guangdong Intelligent Robotics Institute
Huazhong University of Science and Technology
Guangdong Hust Industrial Technology Research Institute
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 Guangdong Intelligent Robotics Institute, Huazhong University of Science and Technology, Guangdong Hust Industrial Technology Research Institute filed Critical Guangdong Intelligent Robotics Institute
Priority to CN202110778445.2A priority Critical patent/CN113759711B/zh
Publication of CN113759711A publication Critical patent/CN113759711A/zh
Application granted granted Critical
Publication of CN113759711B publication Critical patent/CN113759711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种多欧拉‑拉格朗日系统的独立分布式包含控制器设计方法，包括以下步骤：S1、基于虚拟网络与各领导者之间的分布式信息交互，为虚拟网络设计分布式包含控制器；S2、给出涵盖了包含控制器参数与拓扑信息的充分条件来保证分布式包含控制器的收敛性；S3、利用误差反馈项符号的连续鲁棒积分结合神经网络前馈设计出模型独立自适应跟踪控制器；S4、给出自适应跟踪控制器参数的充分条件来保证自适应跟踪控制器的收敛性。本发明简化了多EL系统的分布式包含控制器设计，考虑外部扰动的同时避免了分布式包含控制的设计对模型参数的依赖，具有更现实的应用性。

Description

多欧拉-拉格朗日系统的独立分布式包含控制器设计方法
技术领域
本发明属于分布式包含控制器领域，具体涉及一种多欧拉-拉格朗日系统的独立分布式包含控制器设计方法。
背景技术
近十年来，多EL系统的分布式协同控制因其广泛的应用以及效率高、通信要求少、鲁棒性强等优点而受到越来越多的关注。欧拉-拉格朗日系统广泛应用于航天器、刚体、机器人、水下航行器等机械系统中。但由于线性多智能体系统固有的非线性，我们不能直接将已有的结果应用于EL系统。
包含控制是分布式协同控制领域的一个重要研究分支，它要求领导者的状态保持一定的队形，且追随者的状态趋近于领导者的状态形成的凸壳。包含控制在机器人避障、受限区域搜索、传感器网络等领域具有广泛的应用前景。例如，一组车辆从一个目标移动到另一个目标，其中只有一部分车辆配备了必要的传感器来检测危险障碍物。这些装有传感器的车辆通常被指定为“领导者”，而其他车辆被指定为“追随者”。领导者通过探测危险障碍物的位置，形成一个(动态的)安全区。这样整个团队就可以安全到达目的地，前提是跟随者始终停留在领导者形成的移动安全区域内。
在多EL系统的包含控制问题中，更现实普遍的情况是外界存在非线性扰动且系统模型中存在未知非线性，大大增加了控制器的设计困难。为了实现考虑非线性扰动及模型参数不确定性的多EL系统的包含控制，通过一个基础包含控制器搭建一个能够收敛至领导者凸包的虚拟网络，并引入NN前馈和RISE反馈控制结构，通过控制跟随者跟踪对应的虚拟节点而间接收敛到领导者凸包。
发明内容
发明目的：本发明提供一种多欧拉-拉格朗日系统的独立分布式包含控制器设计方法，简化了EL系统的分布式包含控制器设计，考虑外部扰动的同时避免了控制器对模型参数的依赖，具有更强的鲁棒性和更好的灵活性。
发明内容：本发明提出一种多欧拉-拉格朗日系统的独立分布式包含控制器设计方法，包括以下步骤：
S1、基于虚拟网络与各领导者之间的分布式信息交互，为虚拟网络设计分布式包含控制器；
S2、给出涵盖了包含控制器参数与拓扑信息的充分条件来保证分布式包含控制器的收敛性；
S3、利用误差反馈项符号的连续鲁棒积分结合神经网络前馈设计出模型独立自适应跟踪控制器；
S4、给出自适应跟踪控制器参数的充分条件来保证自适应跟踪控制器的收敛性。
具体的，所述步骤S1包括以下步骤：
S11、对于一个包含m个领导者和n-m个跟随者的有向图定义其拉普拉斯矩阵为
S12、构造一个虚拟网络，网络中虚拟节点个数为n-m，虚拟节点与中跟随者一一对应，各虚拟节点与/>中各领导者之间的通信关系等同于/>中各跟随者与/>中各领导者之间的通信关系；
S13、对各虚拟节点构造分布式包含控制器如下：
其中，个领导者的位置和速度，/>个虚拟节点的状态，κ是正常数。
具体的，所述步骤S2包括以下步骤：
S21、根据Lyapunov稳定性理论，可推导出中需含一簇联合有向生成树且κ的取值范围为：
其中，表示上界值，下标j表示向量的第j个元素，|·|表示绝对值。
具体的，所述步骤S3实现过程如下：
S31、每个跟随者满足欧拉拉格朗日方程动力学方程：
其中，示惯性矩阵，/>表示向心科里奥利矩阵，/>表示重力矢量，/>示摩擦矢量，/>表示一般的非线性扰动，/>表示控制输入扭矩，/>别表示跟随者的位置、速度、加速度矢量；
S32、对于每个跟随者，误差变量定义为：
其中，表示跟随者集合，/>常数矩阵，是正常βi数，是第i个xi虚拟节点的状态；
S33、基于开环误差系统，设计第i个跟随者的模型独立自适应跟踪控制器：
RISE反馈项ui构造为：
NN前馈项造为：
其中，输入；
NN权值训练采用在线光滑投影算法：
其中，称常数控制增益矩阵，表示激励函数，σ′i(·)表示雅可比矩阵；
S34、结合控制输入扭矩，可知第i个跟随者的闭环误差系统为：
对其关于时间t求导，可进一步求得：
其中，
且
S35、以上中间变量具有如下上界：
具体的，所述步骤S4包括以下步骤：
S41、根据Lyapunov稳定性理论，获取跟踪控制器相关参数的取值范围：
这一系列参数的选取，使得每一个跟随者都能够跟踪至对应的虚拟节点，从而最终实现多EL系统的模型独立包含控制。
与现有技术相比，本发明的有益效果：
1、本发明给出了一种分布式通信的虚拟网络来实现对一个多EL系统的包含控制的设计方法，该方法避免了使用模型参数，从而提升了鲁棒性；
2、本发明通过引入RISE以及NN控制项，更好地解决了参数不确定性及扰动等问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例
如图1所示，本实施例提出一种多欧拉-拉格朗日系统的独立分布式包含控制器设计方法，包括以下步骤：
步骤S1、基于虚拟网络与各领导者之间的分布式信息交互，为虚拟网络设计分布式包含控制器，具体包括以下步骤：
S11、对于一个包含m个领导者和n-m个跟随者的有向图定义其拉普拉斯矩阵为
S12、构造一个虚拟网络，网络中虚拟节点个数为n-m，虚拟节点与中跟随者一一对应，各虚拟节点与/>中各领导者之间的通信关系等同于/>中各跟随者与/>中各领导者之间的通信关系；
S13、对各虚拟节点构造分布式包含控制器如下：
其中，个领导者的位置和速度，个虚拟节点的状态，κ是正常数；
步骤S2、给出涵盖了包含控制器参数与拓扑信息的充分条件来保证分布式包含控制器的收敛性，具体包括以下步骤：
S21、根据Lyapunov稳定性理论，可推导出中需含一簇联合有向生成树且κ的取值范围为：
其中，表示上界值，下标j表示向量的第j个元素，|·|表示绝对值；此处的选取，使得每一κ个虚拟节点的状态均能收敛到多EL系统的各领导者构成的凸包中。
步骤S3、利用误差反馈项符号的连续鲁棒积分(RISE)结合神经网络前馈(NN)设计出模型独立自适应跟踪控制器，具体实现过程如下：
S31、每个跟随者满足欧拉拉格朗日方程动力学方程：
其中，示惯性矩阵，/>表示向心科里奥利矩阵，/>表示重力矢量，/>示摩擦矢量，/>示一般的非线性扰动，表示控制输入扭矩，/>别表示跟随者的位置、速度、加速度矢量；
S32、对于每个跟随者，误差变量定义为：
其中，表示跟随者集合，/>常数矩阵，是正常βi数，是第i个xi虚拟节点的状态；
S33、基于开环误差系统，设计第i个跟随者的模型独立自适应跟踪控制器：
RISE反馈项ui构造为：
NN前馈项造为：
其中，入；
NN权值训练采用在线光滑投影算法：
其中，称常数控制增益矩阵，表示激励函数，σ′i(·)表示雅可比矩阵；
S34、结合控制输入扭矩，可知第i个跟随者的闭环误差系统为：
对其关于时间t求导，可进一步求得：
其中，
且
S35、以上中间变量具有如下上界：
步骤S4、在步骤S3的基础上，给出自适应跟踪控制器参数的充分条件来保证自适应跟踪控制器的收敛性，具体包括以下步骤：
S41、根据Lyapunov稳定性理论，获取跟踪控制器相关参数的取值范围：
这一系列参数的选取，使得每一个跟随者都能够跟踪至对应的虚拟节点，从而最终实现多EL系统的模型独立包含控制。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种多欧拉-拉格朗日系统的独立分布式包含控制器设计方法，其特征在于，包括以下步骤：
S1、基于虚拟网络与各领导者之间的分布式信息交互，为虚拟网络设计分布式包含控制器；
步骤S1包括以下步骤：
S11、对于一个包含m个领导者和n-m个跟随者的有向图定义其拉普拉斯矩阵为/>
S12、构造一个虚拟网络，网络中虚拟节点个数为n-m，虚拟节点与中跟随者一一对应，各虚拟节点与/>中各领导者之间的通信关系等同于/>中各跟随者与/>中各领导者之间的通信关系；
S13、对各虚拟节点构造分布式包含控制器如下：
其中，是m个领导者的位置和速度，/>是n-m个虚拟节点的状态，κ是正常数；
S2、给出涵盖了包含控制器参数与拓扑信息的充分条件来保证分布式包含控制器的收敛性；
步骤S2包括以下步骤：
S21、根据Lyapunov稳定性理论，可推导出中需含一簇联合有向生成树且κ的取值范围为：
其中，是领导者的速度，sup表示上界值，下标j表示向量的第j个元素，|·|表示绝对值；
S3、利用误差反馈项符号的连续鲁棒积分结合神经网络前馈设计出模型独立自适应跟踪控制器；
步骤S3实现过程如下：
S31、每个跟随者满足欧拉拉格朗日方程动力学方程：
其中，表示惯性矩阵，/>表示向心科里奥利矩阵，/>表示重力矢量，/>表示摩擦矢量，/>表示一般的非线性扰动，/>表示控制输入扭矩，qi(t)，/> 分别表示跟随者的位置、速度、加速度矢量；
S32、对于每个跟随者，误差变量定义为：
其中，表示跟随者集合，/>是正定常数矩阵，βi是正常数，xi是第i个虚拟节点的状态；
S33、基于开环误差系统，设计第i个跟随者的模型独立自适应跟踪控制器：
RISE反馈项ui构造为：
NN前馈项构造为：
其中，表示NN的输入；
NN权值训练采用在线光滑投影算法：
其中，是正定对称常数控制增益矩阵，/>表示激励函数，σ′i(·)表示雅可比矩阵；
S34、结合控制输入扭矩，可知第i个跟随者的闭环误差系统为：
对其关于时间t求导，可进一步求得：
其中，
且
S35、以上中间变量Ti、Tdi、Tbi、Tbli、Tb2i具有如下上界：
S4、给出自适应跟踪控制器参数的充分条件来保证自适应跟踪控制器的收敛性；
步骤S4包括以下步骤：
S41、根据Lyapunov稳定性理论，获取跟踪控制器相关参数的取值范围：
这一系列参数的选取，使得每一个跟随者都能够跟踪至对应的虚拟节点，从而最终实现多EL系统的模型独立包含控制。
CN202110778445.2A 2021-07-09 2021-07-09 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法 Active CN113759711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110778445.2A CN113759711B (zh) 2021-07-09 2021-07-09 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110778445.2A CN113759711B (zh) 2021-07-09 2021-07-09 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法

Publications (2)

Publication Number Publication Date
CN113759711A CN113759711A (zh) 2021-12-07
CN113759711B true CN113759711B (zh) 2024-03-29

Family

ID=78787588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110778445.2A Active CN113759711B (zh) 2021-07-09 2021-07-09 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法

Country Status (1)

Country Link
CN (1) CN113759711B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115179295B (zh) * 2022-08-04 2024-05-24 电子科技大学 一种多欧拉-拉格朗日系统鲁棒二分一致性跟踪控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439975A (zh) * 2013-09-09 2013-12-11 北京理工大学 一种分布式指数时变滑模姿态协同跟踪控制方法
CN104865829A (zh) * 2015-03-26 2015-08-26 哈尔滨工业大学 多机器人系统分布式自适应神经网络连续跟踪控制方法
CN108445766A (zh) * 2018-05-15 2018-08-24 山东大学 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
CN109032137A (zh) * 2018-07-24 2018-12-18 西北工业大学 多Euler-Lagrange系统分布式跟踪控制方法
WO2019235995A1 (en) * 2018-06-04 2019-12-12 Robotikum Ab Method, system and computer program for controlling dynamic manipulations by a robot

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439975A (zh) * 2013-09-09 2013-12-11 北京理工大学 一种分布式指数时变滑模姿态协同跟踪控制方法
CN104865829A (zh) * 2015-03-26 2015-08-26 哈尔滨工业大学 多机器人系统分布式自适应神经网络连续跟踪控制方法
CN108445766A (zh) * 2018-05-15 2018-08-24 山东大学 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
WO2019235995A1 (en) * 2018-06-04 2019-12-12 Robotikum Ab Method, system and computer program for controlling dynamic manipulations by a robot
CN109032137A (zh) * 2018-07-24 2018-12-18 西北工业大学 多Euler-Lagrange系统分布式跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Housheng Su.etc.Model-Independent Containment Control for Dynamic Multiple Euler-Lagrange Systems With Disturbances and Uncertainties.《IEEE TRANSACTIONS ON NETWORK SCIENCE AND ENGINEERING》.2021,第8卷(第4期),第3443-3452页. *

Also Published As

Publication number Publication date
CN113759711A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Gu et al. Distributed containment maneuvering of uncertain under-actuated unmanned surface vehicles guided by multiple virtual leaders with a formation
Xiang et al. Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties
Peng et al. Adaptive dynamic surface control for formations of autonomous surface vehicles with uncertain dynamics
Du et al. Distributed 3-D time-varying formation control of underactuated AUVs with communication delays based on data-driven state predictor
Yan et al. Barrier function-based adaptive neural network sliding mode control of autonomous surface vehicles
Chemachema Output feedback direct adaptive neural network control for uncertain SISO nonlinear systems using a fuzzy estimator of the control error
Jin et al. Distributed competition of multi-robot coordination under variable and switching topologies
Yang et al. Adaptive H∞ tracking control for a class of uncertain nonlinear systems using radial-basis-function neural networks
CN110497415B (zh) 一种基于干扰观测器的多机械臂系统的一致控制方法
Mazare et al. Distributed finite-time neural network observer-based consensus tracking control of heterogeneous underwater vehicles
CN107942671A (zh) 一种改进的水下机器人作业机械臂广义预测控制方法
CN113759711B (zh) 多欧拉-拉格朗日系统的独立分布式包含控制器设计方法
Tan et al. Decentralized adaptive controller design of large-scale uncertain robotic systems
Elhaki et al. Output-feedback robust saturated actor–critic multi-layer neural network controller for multi-body electrically driven tractors with n-trailer guaranteeing prescribed output constraints
Fierro et al. Robust practical point stabilization of a nonholonomic mobile robot using neural networks
Kowalczyk et al. Trajectory tracking and collision avoidance for the formation of two-wheeled mobile robots
Safaei Cooperative adaptive model-free control with model-free estimation and online gain tuning
Khoygani et al. Robust observer-based control of nonlinear multi-omnidirectional wheeled robot systems via high order sliding-mode consensus protocol
Guo et al. Robust near-optimal coordination in uncertain multiagent networks with motion constraints
Cheng et al. Robust tracking control of a unicycle-type wheeled mobile manipulator using a hybrid sliding mode fuzzy neural network
Wu et al. Adaptive nonsingular terminal sliding-mode formation control using ORFWNN for uncertain networked heterogeneous mecanum-wheeled omnidirectional robots
Tan Event‐triggered distributed H∞ control of physically interconnected mobile Euler–Lagrange systems with slipping, skidding and dead zone
Mon et al. Double inverted pendulum decoupling control by adaptive terminal sliding-mode recurrent fuzzy neural network
Ghasemi Designing observer based variable structure controller for large scale nonlinear systems
Su et al. Structure-free containment control for uncertain underactuated multiple Euler-Lagrange 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