CN113848715A - 一种动态事件驱动的多机器人固定时间饱和控制方法 - Google Patents

一种动态事件驱动的多机器人固定时间饱和控制方法 Download PDF

Info

Publication number
CN113848715A
CN113848715A CN202111135273.3A CN202111135273A CN113848715A CN 113848715 A CN113848715 A CN 113848715A CN 202111135273 A CN202111135273 A CN 202111135273A CN 113848715 A CN113848715 A CN 113848715A
Authority
CN
China
Prior art keywords
robot
time
event
virtual leader
ith
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
CN202111135273.3A
Other languages
English (en)
Other versions
CN113848715B (zh
Inventor
吕强
陶徐栋
傅琳
尹克
仲朝亮
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111135273.3A priority Critical patent/CN113848715B/zh
Publication of CN113848715A publication Critical patent/CN113848715A/zh
Application granted granted Critical
Publication of CN113848715B publication Critical patent/CN113848715B/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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Numerical Control (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种动态事件驱动的多机器人固定时间饱和控制方法。本发明首先给出了动态事件驱动机制，该机制通过引入一个内部动态变量,利用内部动态变量的非负性，来避免多机器人系统形成编队后产生的Zeno行为，同时又使得多机器人系统节省了通信资源，延长了控制器的寿命。然后，设计了固定时间饱和控制器，能够使多机器人系统在满足控制输入饱和约束下，仍然能够给定时间内能快速完成编队任务，且不受机器人初始状态的影响。本发明弥补了传统控制的不足，设计的动态事件驱动的多机器人固定时间饱和控制方法不但节省了多机器人系统通信资源，保证没有Zeno行为发生，在控制输入饱和约束下，控制多机器人在给定时间范围内快速完成编队任务。

Description

一种动态事件驱动的多机器人固定时间饱和控制方法
技术领域
本发明属于自动化技术领域，涉及一种动态事件驱动的多机器人固定时间饱和控制方法。
背景技术
多机器人协同控制应用于许多领域，如无人机编队、环境监测、遇险营救等复杂任务。其中：编队任务是多机器人协同控制中最基本任务之一。在传统的多机器人编队控制方法中，固定时间控制方法是一种有效的编队控制方法，该方法能够不依赖于机器人的初始状态而在给定时间范围内，完成多机器人的编队任务。并且，通过使用静态事件驱动机制，节省系统的通信资源。然而，使用静态事件驱动机制的固定时间编队控制方法，在多机器人编队形成后，存在Zeno现象。这就意味着，在多机器人系统按照编队方式稳定运行时，静态事件驱动机制失效，多机器人系统仍然需要连续通信维持系统编队队形，因此，通信资源没有得到有效节省。在另一方面，由于机器人的驱动能力有限，控制输入饱和是多机器人系统普遍存在的一种控制约束，如果处理不当会导致系统性能下降甚至失稳。而传统的编队控制方法没有有效的考虑这一点。因此，在这一背景下，本发明弥补了现有技术的不足。
发明内容
本发明的目标是针对现有技术的不足，提供一种有效的多机器人编队控制方法，使得多机器人系统在受输入饱和的影响下完成编队任务，同时节省系统通信资源，并且在完成编队任务后，事件驱动机制仍然正常工作。首先为了节省系统通信资源，设计了一种动态事件驱动机制，该机制引入了一个动态变量，由于该变量具有非负性，这在解决Zeno行为上发挥重要的作用。接着，将提出的动态事件驱动机制与固定时间控制算法相融合，得到动态事件驱动的固定时间控制方法。最后，引入控制输入饱和，给出动态事件驱动机制的固定时间饱和控制算法。
一种动态事件驱动的多机器人固定时间饱和控制方法，该方法具体如下：能独立运行在机器人群体中每个机器人的控制系统中，对于第i个机器人，i＝1，2，...，n，n是机器人的数量,该方法的具体步骤如下：
第一步：计算多机器人系统的常用参数数据，具体步骤如下：
a)建立多机器人系统的邻接矩阵A＝[aij]；如果第i个机器人能够和第j个机器人通信，则aij＞0，否则，aij＝0，i＝1，2，...，n，j＝1，2，...，n；
b)建立机器人群体的拉普拉斯矩阵
Figure BDA0003282095100000021
其中：
Figure BDA0003282095100000022
c)设定一个虚拟领导者，即虚拟机器人，具有位置x0(t)和速度v0(t)；虚拟领导者的所有计算在任意一个实体机器人上完成；如果虚拟领导者能够和第i个机器人通信，则ai0＞0；否则，ai0＝0，i＝1，2，...，n；
d)建立矩阵
Figure BDA0003282095100000023
其中：diag{a10，...，an0}是对角矩阵；建立矩阵
Figure BDA0003282095100000024
其中：
Figure BDA0003282095100000025
是克罗内克积；Im是m×m的单位矩阵；m是机器人状态向量的维数；
第二步：建立多机器人动力学模型，具体步骤如下：
a)第i个机器人的动力学模型表示为：
Figure BDA0003282095100000026
其中：xi(t)、vi(t)、ui(t)和Li(xi(t)，vi(t)，t)分别表示第i个机器人的位置、速度、控制输入和非线性项；
b)虚拟领导者的动力学模型表示为：
Figure BDA0003282095100000027
其中：x0(t)、v0(t)和L0(x0(t)，v0(t)，t)分别表示虚拟领导者的位置、速度和非线性项；并且公式(2)和(3)中的非线性项满足：
||Li(xi(t)，vi(t)，t)-L0(x0(t)，v0(t)，t)||≤l1||xi(t)-x0(t)||+l2||vi(t)-v0(t)|| (4)
其中：l1和l2是正常数；
第三步：设计动态事件驱动机制；
定义第i个机器人的事件触发时刻为
Figure BDA0003282095100000031
inf是取下限；Ωi(t)是事件驱动的规则；
Figure BDA0003282095100000032
和
Figure BDA0003282095100000033
分别为第i个机器人当前的触发时刻和下一次的触发时刻；动态事件驱动规则为：
Figure BDA0003282095100000034
其中：γ＞0；δ＞0；h1＞0；h2＞0；
Figure BDA0003282095100000035
表示机器人i在t时刻的位置状态误差；
Figure BDA0003282095100000036
是机器人i在触发时刻
Figure BDA0003282095100000037
的位置；xi(t)是机器人i在t时刻的位置；
Figure BDA0003282095100000038
表示机器人i在t时刻的速度状态误差；
Figure BDA0003282095100000039
是机器人i在触发时刻
Figure BDA00032820951000000310
的速度；vi(t)是机器人i在t时刻的速度；
Figure BDA00032820951000000311
表示虚拟领导者在时间t时刻的位置状态误差；
Figure BDA00032820951000000312
是虚拟领导者在触发时刻
Figure BDA00032820951000000313
的位置；x0(t)是虚拟领导者在t时刻的位置；
Figure BDA00032820951000000314
表示虚拟领导者在t时刻的速度状态误差；
Figure BDA00032820951000000315
是虚拟领导者在触发时刻
Figure BDA00032820951000000316
的速度；v0(t)是虚拟领导者在t时刻的速度；多机器人系统的位置状态总误差和速度状态总误差分别为
Figure BDA00032820951000000317
和
Figure BDA00032820951000000318
Figure BDA00032820951000000319
和
Figure BDA00032820951000000320
分别为机器人j和机器人i的事件触发时刻，s＝1，2，…，s为事件触发的序列；
Figure BDA00032820951000000321
是第j个机器人在事件触发时刻
Figure BDA00032820951000000322
的位置信息；
Figure BDA00032820951000000323
是第j个机器人在事件触发时刻
Figure BDA00032820951000000324
的速度信息；θi(t)是引入的内部动态变量，其定义如下：
Figure BDA0003282095100000041
其中：参数β＞0；初始值θi(0)＞0；
第四步：计算第i个机器人的控制输入；
当事件驱动规则Ωi(t)＜0，即时间t满足
Figure BDA0003282095100000042
时，s＝1,2,…，
Figure BDA0003282095100000043
是初始时刻，第i个机器人的控制输入ui(t)将不会更新，从而达到了节省系统通信资源的目的；当事件驱动规则Ωi(t)≥0时，将当前时刻t标记为事件触发时刻
Figure BDA0003282095100000044
并且将控制输入ui(t)中的时刻
Figure BDA0003282095100000045
替换为
Figure BDA0003282095100000046
那么一个新的时间区间将被设定，即
Figure BDA0003282095100000047
控制输入ui(t)重新计算；ui(t)如(7)式所示；
Figure BDA0003282095100000048
其中：a是正偶数，b是正奇数，且a＜b；dj是第j个机器人的编队距离向量；di是第i个机器人的编队距离向量；sat(·)：
Figure BDA0003282095100000049
是一个向量饱和函数；
Figure BDA00032820951000000410
表示一个m维的实数向量集合；让
Figure BDA00032820951000000411
qz是向量q的第z个元素，z＝1，...，m，sat(q)表示向量q中的每一个元素qz满足下式：
Figure BDA00032820951000000412
其中：umax＞0表示控制输入的最大值；此外，其它参数满足：
Figure BDA00032820951000000413
μmin是Δ+ΔT的最小特征值；
Figure BDA0003282095100000051
其中：
Figure BDA0003282095100000052
k＞0，bt是两个事件触发间隔的最大值；κ和c是两个正常数；
Figure BDA0003282095100000053
l1和l2满足公式(4)；σmin(ΔTΔ)是矩阵ΔTΔ的最小特征值；多机器人系统能够在时间T内达到一致，T满足
Figure BDA0003282095100000054
其中：λmax为矩阵
Figure BDA0003282095100000055
的最大特征值；
第五步：如果终止条件满足，则机器人停止运行；如果终止条件没有满足，则返回第三步继续执行。
作为优选，所述的终止条件为给定的最大搜索时间已经达到。
本发明提出的一种动态事件驱动的多机器人固定时间饱和控制方法，该方法通过动态事件驱动机制与固定时间控制方法相融合，在完成编队任务的同时还能有效节省通信资源，该机制通过引入一个内部动态变量,利用内部动态变量的非负性，来避免多机器人系统形成编队后产生的Zeno行为，同时将输入饱和因素考虑在内，令所提出的控制方法更具有通用性。
具体实施方式
以多机器人编队为例，设定范围为100m×100m,以此范围建立坐标系，可以进一步表示成[-50，50]×[-50，50]。采用4个机器人进行编队。对于第i个机器人，i＝1，...，n，n＝4是机器人的数量，该方法的具体步骤如下：
第一步：计算多机器人系统的常用参数数据。初始化机器人的位置信息x1(0)＝[-5，-5]T，x2(0)＝[-15，-10]T，x3(0)＝[-20，-25]T，x4(0)＝[-15，-15]T，机器人的初始速度设为0。
a)建立多机器人系统的邻接矩阵A＝[aij]：
Figure BDA0003282095100000061
b)建立多机器人系统的拉普拉斯矩阵
Figure BDA0003282095100000062
Figure BDA0003282095100000063
c)定义一个虚拟领导者，初始化位置x0(0)＝[-5，-5]T，速度为0，并且虚拟领导者仅和第1个机器人通信，即a10＝0.5，aj0＝0，j＝2，3，4。
d)建立矩阵
Figure BDA0003282095100000064
其中：diag{a10，...，a40}是对角矩阵。建立矩阵
Figure BDA0003282095100000065
其中：
Figure BDA0003282095100000066
是克罗内克积；I2是2×2的单位矩阵。
第二步：建立多机器人动力学模型，具体步骤如下：
a)第i个机器人的动力学模型可以表示为：
Figure BDA0003282095100000067
其中：xi(t)、vi(t)、ui(t)分别表示第i个机器人的位置、速度、控制输入。
b)虚拟领导者的动力学模型表示为：
Figure BDA0003282095100000068
其中：x0(t)和v0(t)分别表示虚拟领导者的位置和速度。
第三步：设计动态事件驱动机制，具体为：
Figure BDA0003282095100000071
其中：h1＝0.02，h2＝0.1，β＝0.05，γ＝10，δ＝12.6，θi＝1,…,4(0)＝70；inf是取下限，Ωi(t)是事件驱动的规则，
Figure BDA0003282095100000072
和
Figure BDA0003282095100000073
分别为第i个机器人当前的触发时刻和下一次的触发时刻；
Figure BDA0003282095100000074
表示机器人i在t时刻的位置状态误差；
Figure BDA0003282095100000075
是机器人i在触发时刻
Figure BDA0003282095100000076
的位置；xi(t)是机器人i在t时刻的位置；
Figure BDA0003282095100000077
表示机器人i在t时刻的速度状态误差；
Figure BDA0003282095100000078
是机器人i在触发时刻
Figure BDA0003282095100000079
的速度；vi(t)是机器人i在t时刻的速度；
Figure BDA00032820951000000710
表示虚拟领导者在时间t时刻的位置状态误差；
Figure BDA00032820951000000711
是虚拟领导者在触发时刻
Figure BDA00032820951000000712
的位置；x0(t)是虚拟领导者在t时刻的位置；
Figure BDA00032820951000000713
表示虚拟领导者在t时刻的速度状态误差；
Figure BDA00032820951000000714
是虚拟领导者在触发时刻
Figure BDA00032820951000000715
的速度；v0(t)是虚拟领导者在t时刻的速度；多机器人系统的位置状态总误差和速度状态总误差分别为
Figure BDA00032820951000000716
和
Figure BDA00032820951000000717
Figure BDA00032820951000000718
和
Figure BDA00032820951000000719
(s＝1,2,…，s为事件触发的序列)分别为机器人j和机器人i的事件触发时刻；
Figure BDA00032820951000000720
是第j个机器人在事件触发时刻
Figure BDA00032820951000000721
的位置信息；
Figure BDA00032820951000000722
是第j个机器人在事件触发时刻
Figure BDA00032820951000000723
的速度信息。
第四步：计算第i个机器人的控制输入。当事件驱动规则Ωi(t)＜0即时间t满足
Figure BDA00032820951000000724
时，，s＝1,2,…，
Figure BDA00032820951000000725
是初始时刻。第i个机器人的控制输入ui(t)将不会更新，从而达到了节省系统通信资源的目的；当事件驱动规则Ωi(t)≥0时，将当前时刻t标记为事件触发时刻
Figure BDA00032820951000000726
并且将控制输入ui(t)中的时刻
Figure BDA00032820951000000727
替换为
Figure BDA00032820951000000728
那么一个新的时间区间将被设定，即
Figure BDA0003282095100000081
控制输入ui(t)重新计算。ui(t)如(4)式所示。
Figure BDA0003282095100000082
其中：a＝2，b＝5；d1＝[0，0]T，d2＝[0.4，0]T，d3＝[0，0.4]T，d4＝[0.4，0.4]T，d0＝[0，0]T(T表示转置)；sat(·)：
Figure BDA0003282095100000083
是一个向量饱和函数；
Figure BDA0003282095100000084
表示一个m维的实数向量集合。让
Figure BDA0003282095100000085
qz是向量q的第z个元素，z＝1，...，m，sat(q)表示向量q中的每一个元素qz满足下式：
Figure BDA0003282095100000086
第五步：如果给定终止时间满足，则机器人停止运行；如果终止时间没有满足，则返回第三步继续执行。

Claims (2)

1.一种动态事件驱动的多机器人固定时间饱和控制方法，其特征在于：能独立运行在机器人群体中每个机器人的控制系统中，对于第i个机器人，i＝1.2，...，n，n是机器人的数量，该方法的具体步骤如下：
第一步：计算多机器人系统的常用参数数据，具体步骤如下：
a)建立多机器人系统的邻接矩阵A＝[aij]；如果第i个机器人能够和第j个机器人通信，则aij＞0，否则，aij＝0，i＝1，2，...，n，j＝1，2，...，n；
b)建立机器人群体的拉普拉斯矩阵
Figure FDA0003282095090000011
其中：
Figure FDA0003282095090000012
c)设定一个虚拟领导者，即虚拟机器人，具有位置x0(t)和速度v0(t)；虚拟领导者的所有计算在任意一个实体机器人上完成；如果虚拟领导者能够和第i个机器人通信，则ai0＞0；否则，ai0＝0，i＝1，2，...，n；
d)建立矩阵
Figure FDA0003282095090000013
其中：diag{a10，...，an0}是对角矩阵；
建立矩阵
Figure FDA0003282095090000014
其中：
Figure FDA0003282095090000015
是克罗内克积；Im是m×m的单位矩阵；m是机器人状态向量的维数；
第二步：建立多机器人动力学模型，具体步骤如下：
a)第i个机器人的动力学模型表示为：
Figure FDA0003282095090000016
其中：xi(t)、vi(t)、ui(t)和Li(xi(t)，vi(t)，t)分别表示第i个机器人的位置、速度、控制输入和非线性项；
b)虚拟领导者的动力学模型表示为：
Figure FDA0003282095090000021
其中：x0(t)、v0(t)和L0(x0(t)，v0(t)，t)分别表示虚拟领导者的位置、速度和非线性项；并且公式(2)和(3)中的非线性项满足：
||Li(xi(t)，vi(t)，t)-L0(x0(t)，v0(t)，t)||≤l1||xi(t)-x0(t)||+l2||vi(t)-v0(t)||(4)
其中：l1和l2是正常数；
第三步：设计动态事件驱动机制；
定义第i个机器人的事件触发时刻为
Figure FDA0003282095090000022
inf是取下限；Ωi(t)是事件驱动的规则；
Figure FDA0003282095090000023
和
Figure FDA0003282095090000024
分别为第i个机器人当前的触发时刻和下一次的触发时刻；动态事件驱动规则为：
Figure FDA0003282095090000025
其中：γ＞0；δ＞0；h1＞0；h2＞0；
Figure FDA0003282095090000026
表示机器人i在t时刻的位置状态误差；
Figure FDA0003282095090000027
是机器人i在触发时刻
Figure FDA0003282095090000028
的位置；xi(t)是机器人i在t时刻的位置；
Figure FDA0003282095090000029
表示机器人i在t时刻的速度状态误差；
Figure FDA00032820950900000210
是机器人i在触发时刻
Figure FDA00032820950900000211
的速度；vi(t)是机器人i在t时刻的速度；
Figure FDA00032820950900000212
表示虚拟领导者在时间t时刻的位置状态误差；
Figure FDA00032820950900000213
是虚拟领导者在触发时刻
Figure FDA00032820950900000214
的位置；x0(t)是虚拟领导者在t时刻的位置；
Figure FDA00032820950900000215
表示虚拟领导者在t时刻的速度状态误差；
Figure FDA00032820950900000216
是虚拟领导者在触发时刻
Figure FDA00032820950900000217
的速度；v0(t)是虚拟领导者在t时刻的速度；多机器人系统的位置状态总误差和速度状态总误差分别为
Figure FDA00032820950900000218
和
Figure FDA00032820950900000219
Figure FDA00032820950900000220
和
Figure FDA00032820950900000221
分别为机器人j和机器人i的事件触发时刻，s＝1，2，…，s为事件触发的序列；
Figure FDA00032820950900000222
是第j个机器人在事件触发时刻
Figure FDA0003282095090000031
的位置信息；
Figure FDA0003282095090000032
是第j个机器人在事件触发时刻
Figure FDA0003282095090000033
的速度信息；θi(t)是引入的内部动态变量，其定义如下：
Figure FDA0003282095090000034
其中：参数β＞0；初始值θi(0)＞0；
第四步：计算第i个机器人的控制输入；
当事件驱动规则Ωi(t)＜0，即时间t满足
Figure FDA0003282095090000035
时，s＝1，2，…，
Figure FDA0003282095090000036
是初始时刻，第i个机器人的控制输入ui(t)将不会更新，从而达到了节省系统通信资源的目的；当事件驱动规则Ωi(t)≥0时，将当前时刻t标记为事件触发时刻
Figure FDA0003282095090000037
并且将控制输入ui(t)中的时刻
Figure FDA0003282095090000038
替换为
Figure FDA0003282095090000039
那么一个新的时间区间将被设定，即
Figure FDA00032820950900000310
控制输入ui(t)重新计算；ui(t)如(7)式所示；
Figure FDA00032820950900000311
其中：a是正偶数，b是正奇数，且α＜b；dj是第j个机器人的编队距离向量；di是第i个机器人的编队距离向量；sat(·)：
Figure FDA00032820950900000312
是一个向量饱和函数；
Figure FDA00032820950900000313
表示一个m维的实数向量集合；让
Figure FDA00032820950900000314
qz是向量q的第z个元素，z＝1，...，m，sat(q)表示向量q中的每一个元素qz满足下式：
Figure FDA00032820950900000315
其中：umax＞0表示控制输入的最大值；此外，其它参数满足：
Figure FDA0003282095090000041
μmin是Δ+ΔT的最小特征值；
Figure FDA0003282095090000042
Figure FDA0003282095090000043
Figure FDA0003282095090000044
其中：
Figure FDA0003282095090000045
bt是两个事件触发间隔的最大值；κ和c是两个正常数；
Figure FDA0003282095090000046
l1和l2满足公式(4)；σmin(ΔTΔ)是矩阵ΔTΔ的最小特征值；多机器人系统能够在时间T内达到一致，T满足
Figure FDA0003282095090000047
其中：λmax为矩阵
Figure FDA0003282095090000048
的最大特征值；
第五步：如果终止条件满足，则机器人停止运行；如果终止条件没有满足，则返回第三步继续执行。
2.根据权利要求1所述的一种动态事件驱动的多机器人固定时间饱和控制方法，其特征在于：所述的终止条件为给定的最大搜索时间已经达到。
CN202111135273.3A 2021-09-27 2021-09-27 一种动态事件驱动的多机器人固定时间饱和控制方法 Active CN113848715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111135273.3A CN113848715B (zh) 2021-09-27 2021-09-27 一种动态事件驱动的多机器人固定时间饱和控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111135273.3A CN113848715B (zh) 2021-09-27 2021-09-27 一种动态事件驱动的多机器人固定时间饱和控制方法

Publications (2)

Publication Number Publication Date
CN113848715A true CN113848715A (zh) 2021-12-28
CN113848715B CN113848715B (zh) 2024-03-19

Family

ID=78979913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111135273.3A Active CN113848715B (zh) 2021-09-27 2021-09-27 一种动态事件驱动的多机器人固定时间饱和控制方法

Country Status (1)

Country Link
CN (1) CN113848715B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150068742A (ko) * 2013-12-12 2015-06-22 레드원테크놀러지 주식회사 다중 이동 로봇의 대형 제어 방법 및 시스템
CN108872972A (zh) * 2018-05-30 2018-11-23 杭州电子科技大学 一种基于事件触发通信的信号源定位方法
CN109541961A (zh) * 2018-10-23 2019-03-29 清华大学 针对电力电子混杂系统仿真的离散状态事件驱动仿真方法
CN109870905A (zh) * 2019-02-20 2019-06-11 杭州电子科技大学 一种多机器人事件驱动通信的分布式优化方法
CN110146845A (zh) * 2019-04-17 2019-08-20 杭州电子科技大学 一种事件驱动的固定时间电磁源定位方法
CN110347173A (zh) * 2019-08-21 2019-10-18 哈尔滨工业大学 一种基于非连续自适应控制的航天器姿态跟踪控制方法
CN113268083A (zh) * 2021-06-07 2021-08-17 山东大学 基于动态事件触发的多无人机系统编队跟踪控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150068742A (ko) * 2013-12-12 2015-06-22 레드원테크놀러지 주식회사 다중 이동 로봇의 대형 제어 방법 및 시스템
CN108872972A (zh) * 2018-05-30 2018-11-23 杭州电子科技大学 一种基于事件触发通信的信号源定位方法
CN109541961A (zh) * 2018-10-23 2019-03-29 清华大学 针对电力电子混杂系统仿真的离散状态事件驱动仿真方法
CN109870905A (zh) * 2019-02-20 2019-06-11 杭州电子科技大学 一种多机器人事件驱动通信的分布式优化方法
CN110146845A (zh) * 2019-04-17 2019-08-20 杭州电子科技大学 一种事件驱动的固定时间电磁源定位方法
CN110347173A (zh) * 2019-08-21 2019-10-18 哈尔滨工业大学 一种基于非连续自适应控制的航天器姿态跟踪控制方法
CN113268083A (zh) * 2021-06-07 2021-08-17 山东大学 基于动态事件触发的多无人机系统编队跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王智鹏;郭凤至;孙兆伟;张世杰;: "事件驱动的卫星编队姿态分布式协同控制", 哈尔滨工业大学学报, no. 10, 15 October 2018 (2018-10-15) *

Also Published As

Publication number Publication date
CN113848715B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
Cao et al. Distributed event triggering control for six-rotor UAV systems with asymmetric time-varying output constraints
CN109986562B (zh) 一种平面机械臂系统及其分散式容错控制方法
CN113342037B (zh) 具有输入饱和的多旋翼无人机时变编队控制方法及系统
Wu et al. Quantized fixed-time fault-tolerant attitude control for hypersonic reentry vehicles
CN110488781B (zh) 一种基于迁移强化学习的生产系统调度方法
Villarreal-Cervantes et al. Stabilization of a (3, 0) mobile robot by means of an event-triggered control
CN111103897A (zh) 一种障碍环境下多机器人的编队控制方法和系统
CN110209167B (zh) 一种实时的完全分布式的多机器人系统编队的方法
CN114935943A (zh) 一种无人机与无人车集群编队跟踪控制方法及系统
CN113848715A (zh) 一种动态事件驱动的多机器人固定时间饱和控制方法
CN117226849A (zh) 多机械臂自适应滑模控制方法及系统
CN111805537A (zh) 多机械手协同控制方法、系统、设备及存储介质
CN111844026A (zh) 一种事件触发的多机器人分布式协同控制方法
CN106168760A (zh) 基于凸多面体故障模型的不确定时滞系统稳定性判定方法
CN116107339A (zh) 一种推力损失故障下的蜂群无人机容错协同控制方法
CN110561433B (zh) 一种提高机械臂运动规划控制精度的方法
CN116848485A (zh) 无人飞行器控制方法、无人飞行器和存储介质
CN114265315A (zh) 异构线性集群系统时变输出编队跟踪控制方法及系统
Di et al. Tracking Control of the Six-rotor UAV with Input Dead-zone and Saturation
WO2021042389A1 (zh) 用于工业机器人的轨迹简化方法及设备、计算机存储介质以及工业机器人操作平台
CN114179115A (zh) 一种多单臂机械手自适应前向输出一致安全控制器
CN112428247A (zh) 一种针对多主-多从遥操作系统的增强透明性能控制方法
CN113075930B (zh) 基于事件触发的无人车自动转向控制方法及系统
Guan et al. Adaptive Output Feedback Control for Uncertain Nonlinear Systems Subject to Deferred State Constraints
CN114020038B (zh) 一种多四旋翼无人机自适应滑模姿态跟踪控制方法及系统

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