CN114721273A - 一种固定时间收敛零化神经网络的多智能体编队控制方法 - Google Patents
一种固定时间收敛零化神经网络的多智能体编队控制方法 Download PDFInfo
- Publication number
- CN114721273A CN114721273A CN202210430281.9A CN202210430281A CN114721273A CN 114721273 A CN114721273 A CN 114721273A CN 202210430281 A CN202210430281 A CN 202210430281A CN 114721273 A CN114721273 A CN 114721273A
- Authority
- CN
- China
- Prior art keywords
- agent
- neural network
- time
- convergence
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 81
- 239000013598 vector Substances 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000135164 Timea Species 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
-
- 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
本发明涉及一种收敛零化神经网络的多智能体编队控制方法,特别是一种利用分布式固定时间收敛零化神经网络实现的多智能体编队队形一致性的控制方法技术领域。将每一个智能体的速度状态视为一个向量,并对每一个速度分量进行控制;当所有的智能体速度的每一个分量趋于一致的时候,方向也一致,多智能体编队此时就同时具有了速度一致性和方向一致性,从而达到了编队队形一致性;有益效果在于,1、使用分布式固定时间收敛零化神经网络来设计多智能体控制协议;2、实现固定时间收敛;3、比以弱估强的Polyakov方法更精准;4、实现任意维度下的多智能体编队队形控制。
Description
技术领域
本发明涉及一种收敛零化神经网络的多智能体编队控制方法,特别是一种利用分布式固定时间收敛零化神经网络实现的多智能体编队队形一致性的控制方法技术领域。
背景技术
目前,源于人们对自然界生物群集现象的思考,多智能体系统是由Minsky首先提出的一类复杂动力系统。具体地,它是由大量的个体相互作用、相互影响形成的;如果将每个个体视为一个智能体,则个体的集合就可以被认为是一个多智能体系统。它有三个特点:第一,每个智能体只能和临近的智能体进行的局部通讯;第二,每个智能体是自治的;第三,多智能体是一个分布式的系统。这样一个系统模仿了自然界中的生物集群,同时也与物联网中端与端的的关系非常相似。近年来,在机器人、传感技术和通讯技术的支持下,物联网技术,复杂动态网络理论发展迅速,已成为研究热点。在人工智能领域,人们开始使用图论描述多智能体系统的复杂动态网络;它逐渐在一个非常广泛的领域扮演着至关重要的角色应用,应用包括无人机编队控制,运输系统,建筑自动化,水下勘探,监控系统等。
而多智能体编队队形一致性是目前多智能体一致性研究中最重要的的子问题之一,得到了很多学者的广泛研究。例如,CN201510213361.9提出了一种基于平面的多智能体控制队形算法,CN201910541989.X基于人工势场法提出了一种无人机编队队形形成与保持方法等。但是目前的大部分研究都是基于一种梯度神经网络的模型,并不能完全利用到时间向量中的信息。零化神经网络是一种类霍普菲尔德神经网络,其能完全利用到蕴含在时间变量中的信息,并且有很多优良的特性,因此也被广泛的应用到了控制领域。例如,CN202011525772.9基于零化神经网络提出了一种面向轮式移动机械臂的跟踪控制方法及系统,CN202110461012.4则基于误差的自适应系数零化神经网络求解时变连续代数Riccati 方程的方法。但是从目前的研究来说,尚无人针对多智能体编队一致性控制设计一类的零化神经网络。
在多智能体控制协议研究领域,收敛速度是非常重要的性能指标。此类问题主要集中在网络拓扑研究与设计高效且合适的控制协议协议,目的是使系统收敛尽可能的快。考虑不同的收敛速度,研究可分为渐近一致收敛、有限时间收敛和固定时间收敛。例如CN202110834202.6就设计了一种基于梯度神经网络的用于集群的有限时间自主编队控制方法及控制系统。本专利就设计了一种针对多智能体编队控制的分布式固定时间收敛零化神经网络,解决了上述问题。考虑到现实中的通信拓扑可能是一种切换拓扑,很多发明专利需要考虑这样的问题,例如CN202110780170.6就分析了有向切换拓扑下多AUV编队队形的一种一致性控制方法,本专利还验证了其在切换拓扑下也能良好的工作。
综合上述技术,目前大多数多智能体控制协议都是基于梯度神经网络,是一种显式的微分动力系统,缺乏一种新型的隐式微分动力系统,使其更好的运用到模型中隐含的信息。零化神经网络是一类隐式微分动力系统,并且已经广泛被用于机器人运动规划等领域,但鲜见用于多智能体一致性控制,并且其不能实现固定时间收敛。同时,零化神经网络是一类通用模型设计思想,需要针对具体问题具体分析,上述之前用于机器人控制等的协议也不能直接用来实现多智能体一致性控制。
发明内容
本发明的目的在于针对上述现有技术的缺失,提出一种基于分布式固定时间收敛零化神经网络的多智能体编队控制方法。
本专利的原理在于,改进了经典的零化神经网络,使其具有固定时间收敛的能力,同时针对多智能体一致性设计了专门的分布式固定时间收敛零化神经网络模型(DFTZNN),将这一技术应用于多智能体控制领域。
本发明的技术方案在于,将每一个智能体的速度状态视为一个向量,并对每一个速度分量进行控制;例如,在二维平面上,速度状态可视为二维矢量v=(vx,vy),单独对其分量vx和vy加以控制;当所有的智能体速度的每一个分量趋于一致的时候,方向也一致,多智能体编队此时就同时具有了速度一致性和方向一致性,从而达到了编队队形一致性;具体地,在固定拓扑情形下,单个分量的控制步骤设计如下:
第一步:获取每一个智能体的初始状态,如初始位置p(0)和初始速度v(0),并根据通信拓扑结构计算邻接矩阵A,度矩阵D和拉普拉斯矩阵L等信息;
第二步:设计误差矩阵e=Lx,其中矩阵L为Laplace矩阵;
根据Olfati-Murray定理,当e趋于0的时候,多智能体状态趋于一致;Olfati-Murray定理出自Reza Olfati-Saber2004年的文章“Consensus Problems in Networks ofAgents With Switching Topology and Time-Delays”;
其中0<m<1,n>1,a>0,sign(x)为符号函数;
设使用Sign-Bi-Power激活函数的模型为SBP-DFTZNN模型;
设使用Sign-Exp-Power激活函数的模型为SEP-DFTZNN模型;
第四步:以一种优于传统Polyakov方法的新型的反常积分沉降时间函数计算方法为基础计算期望收敛时间;Polyakov方法出自Polyakov2012年的论文“Nonlinearfeedback design for fixed-time stabilization of linear control systems.”。收敛时间和激活函数及其参数有关,可以根据不同的需要,对激活函数中的参数加以控制,预定义收敛时间,达到固定时间收敛的目的,其中收敛时间和参数的关系如下:
第五步:在DFTZNN模型的控制下,通过选取恰当的参数,系统在指定时间内收敛;
在固定拓扑情形下,单个分量的控制步骤如下:
相比于固定拓扑情形,切换拓扑其不同之处在于智能体之间的通信网络在随着时间变化。假设Q={g1,g2,...,gn}是所有可能出现的通信拓扑,δ(t)为拓扑切换信号;也就是说,在时间 t的时候,通信拓扑的邻接矩阵为Aδ(t),相应的拉普拉斯矩阵为Lδ(t);此时应该使用作为控制协议,和固定拓扑情形时相同;系统收敛时间上界取所有可能拓扑集中沉降时间最长的拓扑结构。
第一步中邻接矩阵A,度矩阵D和Laplace矩阵L的关系为L=D-A。
根据智能体临近节点设计误差矩阵,其中每一项为eij=aij(vi-vj),其中aij为邻接矩阵中第i行第j列的值。
基于反常积分的沉降时间收敛函数,其计算方法为:
在通信拓扑为且换下时,定义一个拓扑切换信号δ(t),并令Q={g1,g2,...,gn}是所有可能出现的通信拓扑,使用作为控制协议;其中Lδ(t)为时刻t时的拉普拉斯矩阵。切换拓扑情形,此时系统收敛时间上界取所有可能拓扑集中沉降时间最长的拓扑结构。通过单独控制每一个分量的方法来实现多智能体一致性,所以对于不同维度的空间,只需将需控制的速度状态表达为一个向量即可。
本发明的有益效果在于,1、现有的研究多是基于梯度神经网络来设计多智能体控制协议,是一类显式的微分动力系统,不能很好的利用状态误差信息;而在本专利中则是使用分布式固定时间收敛零化神经网络来设计多智能体控制协议,是一类隐式微分动力系统,无需做更多操作将其显式化,能够更好的利用状态误差信息;2、通过控制的参数,实现固定时间收敛;使用者可以根据收敛时间的需要选取不同的而且本专利实现了固定时间收敛,沉降时间函数和初始的误差状态相关性低,仅需要预先指定好合适的参数即可3、通过一种新颖的反常积分方法求得沉降时间函数,求出来的沉降时间函数更精准;而现有的 Polyakov方法则是采用了以弱估强的思想,需要进行放缩,从而损失一定精度;4、实现任意维度下的多智能体编队队形控制。
附图说明
图1为多智能体系统的通信拓扑图;
图2为多智能体编队的初始状态;
图3为多智能体编队的最终状态;
图4为多智能体编队x轴速度分量变化图;
图5为多智能体编队y轴速度分量变化图;
图6为多智能体系统初始速度和状态信息。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明将每一个智能体的速度状态视为一个向量,并对每一个速度分量进行控制;当所有的智能体速度的每一个分量趋于一致的时候,方向也一致,多智能体编队此时就同时具有了速度一致性和方向一致性,从而达到了编队队形一致性;具体地,在固定拓扑情形下,单个分量的控制步骤设计如下:
第一步:获取每一个智能体的初始状态,如初始位置p(0)和初始速度v(0),并根据通信拓扑结构计算邻接矩阵A,度矩阵D和拉普拉斯矩阵L等信息;
第二步:设计误差矩阵e=Lx,其中矩阵L为拉普拉斯矩阵;x为系统状态向量;
根据Olfati-Murray定理,当误差矩阵e趋于0的时候,多智能体状态趋于一致;
其中0<m<1,n>1,a>0,sign(x)为符号函数;m为激活函数参数一,n为激活函数参数二,a为激活函数参数三;
设使用Sign-Bi-Power激活函数的模型为SBP-DFTZNN模型;
设使用Sign-Exp-Power激活函数的模型为SEP-DFTZNN模型;
第四步:以反常积分为基础的方法计算期望收敛时间,收敛时间和激活函数及其参数有关,从而达到固定时间收敛的目的,其中收敛时间和参数的关系如下:
第五步:在DFTZNN模型的控制下,通过选取恰当的参数,系统在指定时间内收敛;
在固定拓扑情形下,单个分量的控制步骤如下:
相比于固定拓扑情形,切换拓扑其不同之处在于智能体之间的通信网络在随着时间变化,假设Q={g1,g2,...,gn}是所有可能出现的通信拓扑,δ(t)为拓扑切换信号,gn为第n个通信拓扑;
第一步中邻接矩阵A,度矩阵D和拉普拉斯矩阵L的关系为L=D-A。
根据智能体临近节点设计误差矩阵,其中每一项为eij=aij(vi-vj),其中aij为邻接矩阵中第i行第j列的值。
所述的计算方法为:
其中Q为通信拓扑集合,Lδ(t)为时刻t时的拉普拉斯矩阵,gn为第n个通信拓扑;
此时系统收敛时间上界取所有可能拓扑集中沉降时间最长的拓扑结构。
通过单独控制每一个分量的方法来实现多智能体一致性,所以对于不同维度的空间,只需将需控制的速度状态表达为一个向量即可。
下面结合附图1至6对本发明的一种收敛零化神经网络的多智能体编队控制方法作进一步说明。假设多智能体编队F有10个智能体,其在一个二维平面上运行,其位置和速度信息可以分别表达为二维向量(px,py),(vx,vy),初始位置向量和初始速度向量见可图6。多智能体编队的的通信拓扑可以表示为一个有向图,初始状态可以见图1。
第二步:设计误差矩阵e=Lx,其中矩阵L为Laplace矩阵;
根据Olfati-Murray定理,当e趋于0的时候,多智能体状态趋于一致;
第五步:在DFTZNN模型的控制下,系统在指定时间内收敛;编队的初始状态和最终状态可见图2、3,中间速度分量随时间的变化可以见图4、5。
显然,所描述的实施例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。
Claims (8)
1.一种固定时间收敛零化神经网络的多智能体编队控制方法,其特征在于:将每一个智能体的速度状态视为一个向量,并对每一个速度分量进行控制;当所有的智能体速度的每一个分量趋于一致的时候,方向也一致,多智能体编队此时就同时具有了速度一致性和方向一致性,从而达到了编队队形一致性;具体地,在固定拓扑情形下,单个分量的控制步骤设计如下:
第一步:获取每一个智能体的初始状态,如初始位置p(0)和初始速度v(0),并根据通信拓扑结构计算邻接矩阵A,度矩阵D和拉普拉斯矩阵L等信息;
第二步:设计误差矩阵e=Lx,其中矩阵L为拉普拉斯矩阵;x为系统状态向量;
根据Olfati-Murray定理,当误差矩阵e趋于0的时候,多智能体状态趋于一致;
其中0<m<1,n>1,a>0,sign(x)为符号函数;m为激活函数参数一,n为激活函数参数二,a为激活函数参数三;
设使用Sign-Bi-Power激活函数的模型为SBP-DFTZNN模型;
设使用Sign-Exp-Power激活函数的模型为SEP-DFTZNN模型;
第四步:以反常积分为基础的方法计算期望收敛时间,收敛时间和激活函数及其参数有关,从而达到固定时间收敛的目的,其中收敛时间和参数的关系如下:
第五步:在DFTZNN模型的控制下,通过选取恰当的参数,系统在指定时间内收敛;
在固定拓扑情形下,单个分量的控制步骤如下:
相比于固定拓扑情形,切换拓扑其不同之处在于智能体之间的通信网络在随着时间变化,假设Q={g1,g2,...,gn}是所有可能出现的通信拓扑,δ(t)为拓扑切换信号,gn为第n个通信拓扑;
2.如权利要求1所述的一种固定时间收敛零化神经网络的多智能体编队控制方法,其特征在于:第一步中邻接矩阵A,度矩阵D和拉普拉斯矩阵L的关系为L=D-A。
3.如权利要求1所述的一种固定时间收敛零化神经网络的多智能体编队控制方法,其特征在于:根据智能体临近节点设计误差矩阵,其中每一项为eij=aij(vi-vj),其中aij为邻接矩阵中第i行第j列的值。
7.如权利要求1所述的一种固定时间收敛零化神经网络的多智能体编队控制方法,其特征在于:此时系统收敛时间上界取所有可能拓扑集中沉降时间最长的拓扑结构。
8.如权利要求1所述的一种固定时间收敛零化神经网络的多智能体编队控制方法,其特征在于:通过单独控制每一个分量的方法来实现多智能体一致性,所以对于不同维度的空间,只需将需控制的速度状态表达为一个向量即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430281.9A CN114721273B (zh) | 2022-04-22 | 2022-04-22 | 一种固定时间收敛零化神经网络的多智能体编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430281.9A CN114721273B (zh) | 2022-04-22 | 2022-04-22 | 一种固定时间收敛零化神经网络的多智能体编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114721273A true CN114721273A (zh) | 2022-07-08 |
CN114721273B CN114721273B (zh) | 2024-04-12 |
Family
ID=82246380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210430281.9A Active CN114721273B (zh) | 2022-04-22 | 2022-04-22 | 一种固定时间收敛零化神经网络的多智能体编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114721273B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047908A (zh) * | 2023-01-16 | 2023-05-02 | 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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865960A (zh) * | 2015-04-29 | 2015-08-26 | 山东师范大学 | 基于平面的一种多智能体队形控制方法 |
CN107957730A (zh) * | 2017-11-01 | 2018-04-24 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
CN113341728A (zh) * | 2021-06-21 | 2021-09-03 | 长春工业大学 | 一种抗噪型归零神经网络的四轮移动机械臂轨迹跟踪控制方法 |
CN113625559A (zh) * | 2021-07-28 | 2021-11-09 | 杭州电子科技大学 | 一种基于指定时间收敛的多智能体系统协同控制方法 |
US20210403159A1 (en) * | 2018-10-18 | 2021-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Formation Flight of Unmanned Aerial Vehicles |
US20220004191A1 (en) * | 2020-07-01 | 2022-01-06 | Wuhan University Of Technology | Usv formation path-following method based on deep reinforcement learning |
-
2022
- 2022-04-22 CN CN202210430281.9A patent/CN114721273B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865960A (zh) * | 2015-04-29 | 2015-08-26 | 山东师范大学 | 基于平面的一种多智能体队形控制方法 |
CN107957730A (zh) * | 2017-11-01 | 2018-04-24 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
US20210403159A1 (en) * | 2018-10-18 | 2021-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Formation Flight of Unmanned Aerial Vehicles |
US20220004191A1 (en) * | 2020-07-01 | 2022-01-06 | Wuhan University Of Technology | Usv formation path-following method based on deep reinforcement learning |
CN113341728A (zh) * | 2021-06-21 | 2021-09-03 | 长春工业大学 | 一种抗噪型归零神经网络的四轮移动机械臂轨迹跟踪控制方法 |
CN113625559A (zh) * | 2021-07-28 | 2021-11-09 | 杭州电子科技大学 | 一种基于指定时间收敛的多智能体系统协同控制方法 |
Non-Patent Citations (3)
Title |
---|
肖林等: "A new class of robust and predefined-time concensus protocol based on noise-tolerant ZNN models", 《APPLIED SOFT COMPUTING>, 30 September 2023 (2023-09-30) * |
肖林等: "Design and Analysis of a Novel distributed gradient neural network for solving cinsensus problems in a predefined time", 《IEEE TRANSACTONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, 29 July 2022 (2022-07-29) * |
郑军;颜文俊;: "一类分布式队形控制及其稳定性分析", 自动化学报, no. 09, 15 September 2008 (2008-09-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047908A (zh) * | 2023-01-16 | 2023-05-02 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN114721273B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Do et al. | Formation control algorithms for multiple-uavs: a comprehensive survey | |
Dutta et al. | A decentralized formation and network connectivity tracking controller for multiple unmanned systems | |
CN110658821B (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
CN110162035B (zh) | 一种集群机器人在有障碍物场景中的协同运动方法 | |
Rigatos et al. | Mobile robot motion control in partially unknown environments using a sliding-mode fuzzy-logic controller | |
CN110442134B (zh) | 一种基于双层网络的多智能体群集控制方法 | |
CN114527661B (zh) | 一种用于集群智能系统的协同编队方法 | |
Wang et al. | A novel obstacle avoidance consensus control for multi-AUV formation system | |
CN110658811B (zh) | 基于神经网络的受限移动机器人协同路径跟踪控制方法 | |
CN114721273A (zh) | 一种固定时间收敛零化神经网络的多智能体编队控制方法 | |
CN118131621A (zh) | 一种基于多智能体系统的分布式固定时间优化方法 | |
Lan et al. | Trajectory tracking system of wheeled robot based on immune algorithm and sliding mode variable structure | |
CN111007848B (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
Yang et al. | Complete coverage path planning based on bioinspired neural network and pedestrian location prediction | |
Kato et al. | Image-based fuzzy trajectory tracking control for four-wheel steered mobile robots | |
Azouaoui et al. | Soft‐computing based navigation approach for a bi‐steerable mobile robot | |
CN113821028B (zh) | 基于分布式模型预测控制的欠驱动auv编队轨迹跟踪控制方法 | |
CN114637301B (zh) | 基于最优仿射队形变换的多机器人动态避障装置及方法 | |
CN107807534B (zh) | 一种多轮式机器人自适应协同控制算法及控制系统 | |
Miah et al. | Linear time-varying feedback law for vehicles with ackermann steering | |
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 | |
CN113959446A (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
CN114545773A (zh) | 一种异构多智能机器人系统建模与分布式一致性控制方法 | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
Bae et al. | A fuzzy compensated PID controller for formation control of mobile robots |
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 |