CN113848715B - 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 PDFInfo
- Publication number
- CN113848715B CN113848715B CN202111135273.3A CN202111135273A CN113848715B CN 113848715 B CN113848715 B CN 113848715B CN 202111135273 A CN202111135273 A CN 202111135273A CN 113848715 B CN113848715 B CN 113848715B
- Authority
- CN
- China
- Prior art keywords
- robot
- time
- event
- virtual leader
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 abstract 2
- 230000003068 static effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
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
其中:
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)建立矩阵其中:diag{a10,...,an0}是对角矩阵;建立矩阵/>其中:/>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:
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:
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inf是取下限;Ωi(t)是事件驱动的规则;/>和/>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:
其中:γ>0;δ>0;h1>0;h2>0;表示机器人i在t时刻的位置状态误差;/>是机器人i在触发时刻/>的位置;xi(t)是机器人i在t时刻的位置;/>表示机器人i在t时刻的速度状态误差;/>是机器人i在触发时刻/>的速度;vi(t)是机器人i在t时刻的速度;/>表示虚拟领导者在时间t时刻的位置状态误差;/>是虚拟领导者在触发时刻/>的位置;x0(t)是虚拟领导者在t时刻的位置;/>表示虚拟领导者在t时刻的速度状态误差;/>是虚拟领导者在触发时刻/>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和/> 和/>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;/>是第j个机器人在事件触发时刻/>的位置信息;/>是第j个机器人在事件触发时刻/>的速度信息;θi(t)是引入的内部动态变量,其定义如下:
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满足时,s=1,2,…,/>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/>并且将控制输入ui(t)中的时刻/>替换为/>那么一个新的时间区间将被设定,即/>控制输入ui(t)重新计算;ui(t)如(7)式所示;
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(·):是一个向量饱和函数;/>表示一个m维的实数向量集合;让/>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:
其中:umax>0表示控制输入的最大值;此外,其它参数满足:μmin是Δ+ΔT的最小特征值;
其中: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;/>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
其中:λmax为矩阵的最大特征值;
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]:
b)建立多机器人系统的拉普拉斯矩阵
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)建立矩阵其中:diag{a10,...,a40}是对角矩阵。建立矩阵/>其中:/>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:
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:
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:
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,和/>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;/>表示机器人i在t时刻的位置状态误差;/>是机器人i在触发时刻/>的位置;xi(t)是机器人i在t时刻的位置;/>表示机器人i在t时刻的速度状态误差;/>是机器人i在触发时刻/>的速度;vi(t)是机器人i在t时刻的速度;表示虚拟领导者在时间t时刻的位置状态误差;/>是虚拟领导者在触发时刻/>的位置;x0(t)是虚拟领导者在t时刻的位置;/>表示虚拟领导者在t时刻的速度状态误差;/>是虚拟领导者在触发时刻/>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/>和/> 和/>(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;/>是第j个机器人在事件触发时刻/>的位置信息;/>是第j个机器人在事件触发时刻/>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满足时,,s=1,2,…,/>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/>并且将控制输入ui(t)中的时刻/>替换为/>那么一个新的时间区间将被设定,即/>控制输入ui(t)重新计算。ui(t)如(4)式所示。
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(·):是一个向量饱和函数;/>表示一个m维的实数向量集合。让/>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:
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其中:
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)建立矩阵其中:diag{a10,...,an0}是对角矩阵;
建立矩阵其中:/>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:
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:
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inf是取下限;Ωi(t)是事件驱动的规则;/>和/>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:
其中:γ>0;δ>0;h1>0;h2>0;表示机器人i在t时刻的位置状态误差;/>是机器人i在触发时刻/>的位置;xi(t)是机器人i在t时刻的位置;/>表示机器人i在t时刻的速度状态误差;/>是机器人i在触发时刻/>的速度;vi(t)是机器人i在t时刻的速度;/>表示虚拟领导者在时间t时刻的位置状态误差;/>是虚拟领导者在触发时刻/>的位置;x0(t)是虚拟领导者在t时刻的位置;/>表示虚拟领导者在t时刻的速度状态误差;/>是虚拟领导者在触发时刻/>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和/> 和/>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;/>是第j个机器人在事件触发时刻/>的位置信息;/>是第j个机器人在事件触发时刻/>的速度信息;θi(t)是引入的内部动态变量,其定义如下:
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满足时,s=1,2,…,/>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/>并且将控制输入ui(t)中的时刻替换为/>那么一个新的时间区间将被设定,即/>控制输入ui(t)重新计算;ui(t)如(7)式所示;
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(·):是一个向量饱和函数;/>表示一个m维的实数向量集合;让/>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:
其中:umax>0表示控制输入的最大值;此外,其它参数满足:μmin是Δ+ΔT的最小特征值;
其中:bt是两个事件触发间隔的最大值;κ和c是两个正常数;/>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
其中:λmax为矩阵的最大特征值;
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。
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 CN113848715A (zh) | 2021-12-28 |
CN113848715B true 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)
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 |
-
2021
- 2021-09-27 CN CN202111135273.3A patent/CN113848715B/zh active Active
Patent Citations (7)
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)
Title |
---|
事件驱动的卫星编队姿态分布式协同控制;王智鹏;郭凤至;孙兆伟;张世杰;;哈尔滨工业大学学报;20181015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113848715A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803349B (zh) | 非线性多智能体系统的最优一致性控制方法及系统 | |
CN112465151A (zh) | 一种基于深度强化学习的多智能体联邦协作方法 | |
CN111665853B (zh) | 一种面向规划控制联合优化的无人车辆运动规划方法 | |
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 | |
Hu et al. | A reinforcement learning neural network for robotic manipulator control | |
Hu et al. | Robust formation coordination of robot swarms with nonlinear dynamics and unknown disturbances: Design and experiments | |
CN110658821A (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
Cong et al. | Formation control for multiquadrotor aircraft: Connectivity preserving and collision avoidance | |
Yan et al. | Adaptive practical leader‐following formation control of multiple nonholonomic wheeled mobile robots | |
Villarreal-Cervantes et al. | Stabilization of a (3, 0) mobile robot by means of an event-triggered control | |
CN112925347A (zh) | 一种基于数据驱动的多无人机滑模编队控制方法 | |
Ngo et al. | Event-based communication and control for task-space consensus of networked Euler–Lagrange systems | |
Zhao et al. | Quantized model-free adaptive iterative learning bipartite consensus tracking for unknown nonlinear multi-agent systems | |
CN110865655B (zh) | 无人机系统中无人机的编队和避障控制方法 | |
CN115657482A (zh) | 具有时变输入时滞的多单连杆机械臂协同控制方法及系统 | |
CN113759724B (zh) | 基于数据驱动的机器人控制方法、装置和计算机设备 | |
CN113848715B (zh) | 一种动态事件驱动的多机器人固定时间饱和控制方法 | |
Wei et al. | Adaptive finite‐time neural backstepping control for multi‐input and multi‐output state‐constrained nonlinear systems using tangent‐type nonlinear mapping | |
CN117226849A (zh) | 多机械臂自适应滑模控制方法及系统 | |
CN116736722A (zh) | 基于数据驱动的多机器人系统最优比例协同控制方法 | |
Bansal et al. | Control and safety of autonomous vehicles with learning-enabled components | |
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 | |
Zhang et al. | Formation Control for Multiple Quadrotor Aircraft via Fixed‐time Consensus Algorithm | |
CN115469548A (zh) | 具有输入饱和的未知非线性多智能体有限时间分群一致性控制方法 | |
Rong et al. | Robust fault‐tolerant motion/force control of a fully‐actuated hexarotor using adaptive sliding mode impedance control |
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 |