CN114779825B - 基于稀疏采样和信息交互的无人集群编队机动控制方法 - Google Patents

基于稀疏采样和信息交互的无人集群编队机动控制方法 Download PDF

Info

Publication number
CN114779825B
CN114779825B CN202210695826.9A CN202210695826A CN114779825B CN 114779825 B CN114779825 B CN 114779825B CN 202210695826 A CN202210695826 A CN 202210695826A CN 114779825 B CN114779825 B CN 114779825B
Authority
CN
China
Prior art keywords
unmanned
sampling
cluster
formation
communication
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
CN202210695826.9A
Other languages
English (en)
Other versions
CN114779825A (zh
Inventor
李忠奎
常泽泽
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202210695826.9A priority Critical patent/CN114779825B/zh
Publication of CN114779825A publication Critical patent/CN114779825A/zh
Application granted granted Critical
Publication of CN114779825B publication Critical patent/CN114779825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公布了一种基于稀疏采样和信息交互的无人集群编队机动控制方法，通过使用动态稀疏采样触发，只有当仿射编队中的自主个体满足条件时对个体状态进行采样，并更新该个体的控制算法，同时将采样得到的状态信息广播给其邻居个体，其邻居个体在得到广播信息后更新自身的控制算法。本发明方法能够解决在有外界噪声干扰的情况下，编队机动控制场景中通讯和采样频率过于频繁进而导致的系统通讯带宽有限、系统中个体电源能量不足等等问题，同时避免对系统全局信息的使用，在实现仿射编队机动控制的同时，有效减少群体中自主体的采样次数、编队中个体间的通讯次数和控制律的更新次数。

Description

基于稀疏采样和信息交互的无人集群编队机动控制方法
技术领域
本发明涉及无人集群编队机动控制和信息交互技术，具体涉及一种有向通讯拓扑下基于稀疏采样和信息交互，且不依赖全局信息的无人集群仿射编队机动控制方法。
背景技术
无人集群编队机动控制问题由于其在军事、航天和救援等领域的广泛应用，成为了多自主体协同控制领域的一个主要研究方向。而其中仿射编队机动控制方法由于其绝佳的机动性和良好的可移植性成为了编队机动控制领域中的一个主要研究热点。
现有的仿射编队机动控制方法大都依赖连续的信息交互，这在大规模无人集群协同任务时，由于通讯带宽和自主体电源能量的受限往往会造成通讯信道的阻塞，给编队任务的实现带来较大的困难。例如，文献1（Shiyu Zhao, Affine Formation ManeuverControl of Multiagent Systems, IEEE Transactions on Automatic Control, vol.63, no. 12, pp. 4140-4155, 2018.）中的方法需要连续的信息交互，对系统的通讯带宽和电源能量消耗大；且无法应用到有向通讯拓扑上，因而适用性差。文献2（Yang Xu, ShiyuZhao, Delin Luo, and Yancheng You. Affine formation maneuver control of high-order multi-agent systems over directed networks. Automatica, 118:109004,2020）记载的方法也需要连续的信息交互，需要通讯网络拓扑的全局信息，因此也难以应用到大规模无人集群的协同控制任务中。文献3（Junyi Yang, Hao Yu, and TongwenChen.Affine for-mation maneuver control of event-triggered multi-agentsystems. IFAC-PapersOnLine, 53(2):3391–3396, 2020）中的方法不能应用到动力学为一般线性系统的自主体系统中，普适性不好；也无法处理具有外界干扰噪声的情况，难以应用到实际应用场景中；而且也不能处理领导者有控制输入的情况，针对无人集群难以实现更为复杂的连续机动。
针对依赖连续的信息交互这一问题，有学者提出了基于稀疏采样和信息交互的通讯方法，其核心思想在于设计稀疏采样的条件，用于决定采样和通讯的时机，只有当条件触发时采样和通讯才会发生。因此，相比于连续通讯的方法，稀疏采样通信机制可以有效地减轻自主体的通讯负担，进而节省群体系统的通信资源和电源能量。稀疏采样通讯机制的原理在于通过建立采样值和真实值之间的误差，判断误差是否超过了稀疏采样条件设置的阈值，从而保证减少采样和通讯次数的同时，保持系统的应有性能。然而现有的稀疏采样通讯方法绝大多数只能实现无向通讯拓扑下的群体协同控制，而在存在外界干扰信号且网络通讯拓扑为不对称的有向拓扑时，采用稀疏采样通讯的控制算法往往需要用到如网络的规模信息、通讯拓扑矩阵的最小非零特征值等全局信息，这在进行大规模无人集群编队机动控制时是难以实现的。因此，目前的研究和现有技术针对仿射编队机动控制问题，难以实现在有向通讯拓扑下不依赖全局信息，且对外界干扰具有一定鲁棒性的群体系统稀疏采样通讯和控制。
发明内容
本发明提供一种基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，目的是针对无人集群仿射编队机动控制应用场景，提供一种有向通讯拓扑下的稀疏采样信息交互方法，解决在有外界噪声干扰的情况下，编队机动控制场景中通讯和采样频率过于频繁进而导致的系统通讯带宽有限、系统中个体电源能量不足等等问题，同时避免对系统全局信息的使用。
本发明通过设计稀疏采样信息交互机制，在不影响系统整体品质的前提下，避免了编队中自主体之间的连续采样和通讯；通过引入一种全新的自适应控制方法，避免了对系统网络全局信息的使用；通过设计一种基于节点的信息采样和交互机制，实现了群体系统在有向通讯拓扑下的仿射编队机动控制的任务和目标；通过设计采样通讯触发机制函数，避免了有限时间里无限次采样的芝诺现象的出现。
本发明原理的核心在于稀疏采样通信机制以及仿射编队控制算法的设计，稀疏采样通讯机制和控制算法的建立主要依赖于仿射编队中个体的采样状态信息。本发明设计的动态稀疏采样触发函数可以将局部估计误差与网络拓扑解耦。通过使用动态稀疏采样触发函数，仿射编队中的每个个体只有当满足特定条件的时候进行对状态的采样，对自身的控制算法进行更新，同时将采样得到的状态信息广播给其邻居，其邻居个体在得到广播信息后也更新自身控制算法。通过本发明提出的稀疏通讯采样机制，可以在实现仿射编队机动控制的同时，有效减少群体中自主体的采样次数、编队中个体间的通讯次数和控制律的更新次数。
本发明的技术方案如下：
一种基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，包括如下步骤：
1）对无人集群仿射编队系统进行建模；无人集群仿射编队系统具有N个自主体（即个体，如无人车、无人机），分为M个领导者自主体和N-M个跟随者自主体；
2）对无人集群仿射编队系统的目标编队队形和系统通讯网络进行表征，包括无人集群仿射编队系统的领导者和跟随者的数量以及彼此之间的通讯拓扑连接情况；
3）对无人集群仿射编队系统中的自主体，设计控制算法和稀疏采样通讯机制；
31）对无人集群仿射编队系统中的跟随者自主体设计控制算法，表示为式4：
Figure 801800DEST_PATH_IMAGE001
式4
其中，
Figure 187782DEST_PATH_IMAGE002
为控制器，是第
Figure 675176DEST_PATH_IMAGE003
个自主体的控制输入；
Figure 70385DEST_PATH_IMAGE004
为第
Figure 353599DEST_PATH_IMAGE005
个自主体的自适应参数且满足
Figure 379324DEST_PATH_IMAGE006
的初始状态条件，
Figure 646357DEST_PATH_IMAGE007
为
Figure 314099DEST_PATH_IMAGE008
对时间的导数；
Figure 186240DEST_PATH_IMAGE009
表示符号函数；
Figure 179604DEST_PATH_IMAGE010
表示算法中一个耦合增益。用
Figure 933933DEST_PATH_IMAGE011
来描述无人集群系统中的第
Figure 874207DEST_PATH_IMAGE012
个个体基于采样估计信息的收敛误差；
Figure 397592DEST_PATH_IMAGE013
表示
Figure 296278DEST_PATH_IMAGE014
的转置；
Figure 239701DEST_PATH_IMAGE015
是一个给定常数；加性算子
Figure 514825DEST_PATH_IMAGE016
，参数矩阵
Figure 627137DEST_PATH_IMAGE017
和
Figure 962304DEST_PATH_IMAGE018
分别为:
Figure 894488DEST_PATH_IMAGE019
,
Figure 973302DEST_PATH_IMAGE020
Figure 940121DEST_PATH_IMAGE021
Figure 711768DEST_PATH_IMAGE022
；其中
Figure 865669DEST_PATH_IMAGE023
矩阵为如下线性矩阵不等式的解矩阵：
Figure 748174DEST_PATH_IMAGE024
Figure 569500DEST_PATH_IMAGE025
Figure 512048DEST_PATH_IMAGE026
，其中
Figure 651780DEST_PATH_IMAGE027
。
Figure 72397DEST_PATH_IMAGE028
Figure 748229DEST_PATH_IMAGE029
Figure 861678DEST_PATH_IMAGE030
,
Figure 255751DEST_PATH_IMAGE031
Figure 480059DEST_PATH_IMAGE032
表示在
Figure 744818DEST_PATH_IMAGE033
这个时间区内对于自主体的状态
Figure 29169DEST_PATH_IMAGE034
的估计值，
Figure 910537DEST_PATH_IMAGE035
表示指数函数，
Figure 938536DEST_PATH_IMAGE036
表示第
Figure 323381DEST_PATH_IMAGE037
个个体的第
Figure 513054DEST_PATH_IMAGE038
次采样时刻，
Figure 380253DEST_PATH_IMAGE039
表示第
Figure 946364DEST_PATH_IMAGE040
个个体的第
Figure 451295DEST_PATH_IMAGE041
次采样时刻，
Figure 811869DEST_PATH_IMAGE042
表示第
Figure 402250DEST_PATH_IMAGE040
个个体的第
Figure 772052DEST_PATH_IMAGE043
次采样时刻所采样得到的状态值，
Figure 131489DEST_PATH_IMAGE044
即
Figure 928543DEST_PATH_IMAGE045
Figure 740642DEST_PATH_IMAGE046
被称作指数保持器，
Figure 914134DEST_PATH_IMAGE047
与
Figure 393657DEST_PATH_IMAGE048
有类似的结构和含义。
32）对无人集群仿射编队系统设计稀疏采样通讯机制，将动态稀疏采样触发函数表示为式5：
Figure 361613DEST_PATH_IMAGE049
Figure 153683DEST_PATH_IMAGE050
Figure 865287DEST_PATH_IMAGE051
Figure 199316DEST_PATH_IMAGE052
Figure 338174DEST_PATH_IMAGE053
式5
其中，
Figure 124864DEST_PATH_IMAGE054
为第
Figure 374580DEST_PATH_IMAGE012
个自主体的第
Figure 828695DEST_PATH_IMAGE055
次采样时刻；
Figure 138454DEST_PATH_IMAGE056
为第
Figure 412440DEST_PATH_IMAGE012
个自主体的第
Figure 465847DEST_PATH_IMAGE057
次采样时刻；
Figure 508889DEST_PATH_IMAGE058
和
Figure 989549DEST_PATH_IMAGE059
均为大于0的常数；
Figure 750832DEST_PATH_IMAGE060
Figure 607929DEST_PATH_IMAGE061
Figure 4013DEST_PATH_IMAGE062
表示估计误差；
Figure 655574DEST_PATH_IMAGE063
表示估 计误差
Figure 700891DEST_PATH_IMAGE064
的转置；
Figure 564942DEST_PATH_IMAGE065
为一个指数衰减项；
Figure 113735DEST_PATH_IMAGE066
表示下确界函数；
Figure 405039DEST_PATH_IMAGE067
为外部动态变 量，且
Figure 672072DEST_PATH_IMAGE068
具有如下动力学：
Figure 339814DEST_PATH_IMAGE069
Figure 743113DEST_PATH_IMAGE070
Figure 205319DEST_PATH_IMAGE071
Figure 959648DEST_PATH_IMAGE072
式6
其中，
Figure 165501DEST_PATH_IMAGE073
和
Figure 688887DEST_PATH_IMAGE074
均为大于0的常数，
Figure 820528DEST_PATH_IMAGE075
表示
Figure 796575DEST_PATH_IMAGE076
对时间的导数。
Figure 540540DEST_PATH_IMAGE077
Figure 184011DEST_PATH_IMAGE078
项是采样条件的阈值，式5成立即表示误差超过稀疏采样条件设置的阈值，即条件满足。仿射编队中的每个个体只有当满足条件的时候对状态进行采样，并通过式4对自身的控制算法进行更新。具体地，当式5中的
Figure 988019DEST_PATH_IMAGE079
Figure 716940DEST_PATH_IMAGE080
Figure 467859DEST_PATH_IMAGE081
Figure 169098DEST_PATH_IMAGE082
成立时，编队中的第
Figure 675166DEST_PATH_IMAGE083
个个体进行对自身状态的采样，将采样得到的状态信息由指数保持器进行保持并发布给控制器进行更新，同时将采样的信息广播给自己的邻居。接收到广播信息的邻居也对自身的控制算法进行更新。
通过建立李雅普诺夫函数，基于本发明提出的针对无人集群系统的稀疏采样通讯机制和控制方法可以在有向通讯拓扑下让跟随者的收敛误差
Figure 858760DEST_PATH_IMAGE084
收敛到一个有界集合，意味着实现了跟随者收敛到了领导者所确定的目标轨迹，即实现了无人系统集群的仿射编队机动控制。
通过以上步骤，在有向通讯拓扑下，跟随者的收敛误差
Figure 741266DEST_PATH_IMAGE085
收敛到一个有界集合，即由此实现了无人集群仿射编队的机动控制。
本发明的有益效果：
本发明针对无人集群系统提出了一种基于稀疏采样和信息交互的编队控制算法，实现了无人集群在有向通讯网络拓扑下的仿射编队机动控制。本发明适用于有向通讯网络拓扑，使得本发明具有良好的普适性。编队中自主体的动力学被设置为一般线性系统，使得本发明有着广泛的适用对象。通过设计不存在芝诺效应的稀疏采样信息交互方法，使得本发明的通讯协议具有物理可行性，同时避免了自主体间连续通讯的存在，节约了群体系统的通讯带宽，节省了群体系统中自主体的电源能量。通过对编队中的自主体设计完全分布式的控制方法，避免了全局信息的应用，所有的自主体的控制算法仅依赖自身的信息以及邻居的采样信息，从而使得本发明可以应用到全局信息不容易获取的大规模无人集群系统中。
附图说明
图1为本发明提出的群体系统稀疏采样信息交互机制说明图；
图2为本发明方法的流程步骤框图。
图3为本发明具体实施采用optitrack实时定位系统和crazyflies无人机系统在稀疏采样信息交互机制下进行编队控制的方法流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，图1介绍了本发明提出的群体系统稀疏采样信息交互方法的作用过程。首先为编队中的自主体设计各自的触发函数，当触发函数条件满足时，通过系统中的采样器对该自主体进行采样，将采样得到的信息由指数保持器进行保持并发布给控制器进行更新，同时系统中的采样器会将采样得到的信息将广播给自身的邻居，邻居在收到广播信息之后也将同时更新自身的控制算法。
本发明方法具体实施的流程如图2所示，本发明基于稀疏采样信息交互的仿射编队机动算法的具体设计过程如下：
1. 根据不同的应用场景，通过确定
Figure 93750DEST_PATH_IMAGE086
矩阵来确定编队系统中自主体的动力学模型。
2. 根据实际情况，确定群体系统的有向通讯扑应力矩阵，并确保该群体系统的所有跟随者个体均是从领导者集合
Figure 239560DEST_PATH_IMAGE087
可达的。
3. 通过公式
Figure 677495DEST_PATH_IMAGE088
Figure 301374DEST_PATH_IMAGE089
Figure 242785DEST_PATH_IMAGE090
对初始编队构型(initialconfiguration)进行仿射变换来得到目标编队队形，并假设领导者已经得到了适当的控制达到了目标编队队形。
4. 通过解线性矩阵不等式
Figure 90656DEST_PATH_IMAGE091
Figure 219149DEST_PATH_IMAGE092
Figure 443457DEST_PATH_IMAGE093
得到解矩阵
Figure 239374DEST_PATH_IMAGE094
，进而得到参数矩阵
Figure 523725DEST_PATH_IMAGE095
和
Figure 643909DEST_PATH_IMAGE096
分别为:
Figure 406328DEST_PATH_IMAGE097
,
Figure 587911DEST_PATH_IMAGE098
Figure 512005DEST_PATH_IMAGE099
Figure 411828DEST_PATH_IMAGE100
。
5.得到自主体的控制器式4和采样通讯条件式5，并且确保
Figure 181201DEST_PATH_IMAGE101
Figure 217290DEST_PATH_IMAGE102
Figure 312285DEST_PATH_IMAGE103
Figure 699404DEST_PATH_IMAGE104
Figure 6888DEST_PATH_IMAGE105
Figure 163063DEST_PATH_IMAGE106
Figure 163380DEST_PATH_IMAGE107
Figure 772216DEST_PATH_IMAGE108
Figure 414550DEST_PATH_IMAGE109
的条件。
本发明方法具体包括如下步骤：
1） 对无人集群仿射编队系统进行建模：
假设无人集群系统具有N个自主体（如无人车、无人机），分为M个领导者自主体和N-M个跟随者自主体。用
Figure 425231DEST_PATH_IMAGE110
和
Figure 94985DEST_PATH_IMAGE111
分别表示领导者和跟随者的集合，并对系统中的自主体动力学建模如下：
Figure 191117DEST_PATH_IMAGE112
Figure 105983DEST_PATH_IMAGE113
Figure 236750DEST_PATH_IMAGE114
式1
其中，
Figure 578870DEST_PATH_IMAGE115
表示集群中第
Figure 162298DEST_PATH_IMAGE116
个自主体的状态信息,
Figure 880855DEST_PATH_IMAGE117
表示第
Figure 866129DEST_PATH_IMAGE118
个自主体的状态信息对时间的导数，
Figure 379150DEST_PATH_IMAGE119
表示集群中第
Figure 449874DEST_PATH_IMAGE120
个自主体的外界干扰信号，
Figure 972122DEST_PATH_IMAGE121
表示集群中第
Figure 811902DEST_PATH_IMAGE116
个自主体的输入信息,
Figure 994359DEST_PATH_IMAGE122
分别表示与对应变量维数相容的系统矩阵，
Figure 286800DEST_PATH_IMAGE123
，
Figure 347160DEST_PATH_IMAGE124
分别表示维数为
Figure 41447DEST_PATH_IMAGE125
的向量。同时，领导者的控制输入和噪声信号需要满足范数有界的假设条件：
Figure 161850DEST_PATH_IMAGE126
Figure 207166DEST_PATH_IMAGE127
Figure 805638DEST_PATH_IMAGE128
.跟随者的噪声信号也需要满足范数有界的假设条件：
Figure 354431DEST_PATH_IMAGE129
Figure 911314DEST_PATH_IMAGE130
Figure 178347DEST_PATH_IMAGE131
系统中自主体的状态信息
Figure 314930DEST_PATH_IMAGE132
依赖于对系统的具体建模，如二阶积分器系统的状态包括自主体的位置信息和速度信息，独轮小车系统的状态包括自主体的位置信息和方位信息等。当采样条件式5满足时进行采样，对状态采样的方法也依赖于对系统的具体建模：例如如果是二阶积分器系统，状态信息包括状态信息和速度信息的话，采样就是利用外界设备观测自主体的位置信息和速度信息。图3给出了一个具体实例。
2） 对无人集群的目标编队队形和系统通讯网络进行表征，包括无人集群的领导者和跟随者的数量以及彼此之间的通讯拓扑连接情况；
21）通过对初始编队构型(initial configuration)进行仿射变换来得到目标编队队形，表示为：
Figure 983809DEST_PATH_IMAGE088
Figure 210129DEST_PATH_IMAGE089
Figure 698879DEST_PATH_IMAGE133
, 式2
其中，
Figure 904732DEST_PATH_IMAGE134
为目标编队队形；
Figure 428118DEST_PATH_IMAGE135
和
Figure 795645DEST_PATH_IMAGE136
是对时间
Figure 37271DEST_PATH_IMAGE137
的连续变量，
Figure 46815DEST_PATH_IMAGE138
是初始编 队构型，
Figure 424707DEST_PATH_IMAGE139
为单位矩阵，
Figure 228715DEST_PATH_IMAGE140
表示元素全为
Figure 692057DEST_PATH_IMAGE141
的列向量，
Figure 505292DEST_PATH_IMAGE142
表示克罗内克积。
22）采用应力矩阵作为通讯拓扑连接矩阵。
区别于传统的拉普拉斯矩阵，应力矩阵非对角线元素可以为正值、负值和零值，这 在拓扑通讯结构的物理意义上可以表征为其与邻居之间的吸引力、排斥力和不连接的情 况。本发明采用
Figure 3270DEST_PATH_IMAGE143
来描述无人系统集群中第
Figure 228713DEST_PATH_IMAGE144
个个体和第
Figure 444931DEST_PATH_IMAGE145
个个体间的通讯连接权重，并 用应力矩阵
Figure 796278DEST_PATH_IMAGE146
来描述无人集群系统整体的有向通讯拓扑连接情况，其中
Figure 148761DEST_PATH_IMAGE147
，
Figure 28993DEST_PATH_IMAGE148
Figure 466927DEST_PATH_IMAGE149
。根据无人集群中领导者与跟随者之间的有向通讯拓扑连接情况， 可以将应力矩阵内部结构设置表示为：
Figure 621965DEST_PATH_IMAGE150
Figure 828956DEST_PATH_IMAGE151
式3
其中，
Figure 145667DEST_PATH_IMAGE152
表示无人集群整体的通讯拓扑连接情况；
Figure 70898DEST_PATH_IMAGE153
为领导者内部的通讯连接情况；
Figure 498468DEST_PATH_IMAGE154
为跟随者到领导者的通讯拓扑连接情况；
Figure 825545DEST_PATH_IMAGE155
为领导者到跟随者的通讯拓扑连接情况；
Figure 578737DEST_PATH_IMAGE156
为跟随者内部的通讯拓扑连接情况，且
Figure 725684DEST_PATH_IMAGE157
矩阵是对角占优的。本发明假设
Figure 455481DEST_PATH_IMAGE158
和
Figure 637063DEST_PATH_IMAGE159
均为零矩阵。
23）设置无人集群中领导者和跟随者的数量以及彼此之间的通讯拓扑连接情况：
设定领导者的个数
Figure 561157DEST_PATH_IMAGE160
，其中
Figure 460980DEST_PATH_IMAGE161
是无人系统集群中状态的维度，通讯拓扑连接是有向的，同时
Figure 230353DEST_PATH_IMAGE162
中的所有跟随者个体均是从
Figure 266442DEST_PATH_IMAGE163
集合
Figure 361437DEST_PATH_IMAGE164
可达的。上述场景中跟随者彼此间的内部通讯拓扑矩阵
Figure 482977DEST_PATH_IMAGE165
满足非奇异特性，此时跟随者的目标位置
Figure 852778DEST_PATH_IMAGE166
可以由领导者所唯一确定，可以表述为：
Figure 212215DEST_PATH_IMAGE167
Figure 9270DEST_PATH_IMAGE168
，其中
Figure 86948DEST_PATH_IMAGE169
Figure 994861DEST_PATH_IMAGE170
。用
Figure 707339DEST_PATH_IMAGE171
来描述跟随者整体的跟踪误差：
Figure 675295DEST_PATH_IMAGE172
Figure 974690DEST_PATH_IMAGE173
Figure 686294DEST_PATH_IMAGE174
，其中的
Figure 285902DEST_PATH_IMAGE175
Figure 424760DEST_PATH_IMAGE176
。考虑到
Figure 945871DEST_PATH_IMAGE177
的非奇异特性，用收敛误差向量
Figure 461166DEST_PATH_IMAGE178
Figure 915281DEST_PATH_IMAGE179
Figure 225040DEST_PATH_IMAGE180
Figure 233447DEST_PATH_IMAGE181
来描述跟随者整体的收敛误差，该向量内部元素
Figure 286854DEST_PATH_IMAGE182
Figure 94010DEST_PATH_IMAGE183
Figure 574670DEST_PATH_IMAGE184
。
3） 对无人集群中的自主体设计控制算法和稀疏采样通讯机制：
本发明假设领导者已经得到了控制，因而仅对跟随者设计控制算法。
31）对无人系统集群中的跟随者个体设计控制算法，表示为：
Figure 335953DEST_PATH_IMAGE185
式4
其中，
Figure 927471DEST_PATH_IMAGE186
为第
Figure 90599DEST_PATH_IMAGE187
个自主体的控制输入；
Figure 742160DEST_PATH_IMAGE188
为第
Figure 990739DEST_PATH_IMAGE189
个自主体的自适应参数且满足
Figure 385948DEST_PATH_IMAGE190
的条件，
Figure 403583DEST_PATH_IMAGE191
为
Figure 226045DEST_PATH_IMAGE188
对时间的导数；
Figure 961920DEST_PATH_IMAGE192
表示符号函数；
Figure 160820DEST_PATH_IMAGE193
表示算法中一个耦合增益。用
Figure 537356DEST_PATH_IMAGE194
来描述无人集群系统中的第
Figure 530720DEST_PATH_IMAGE120
个个体基于采样估计信息的收敛误差；
Figure 753891DEST_PATH_IMAGE195
表示
Figure 756482DEST_PATH_IMAGE196
的转置；
Figure 483129DEST_PATH_IMAGE197
是一个给定常数；加性算子
Figure 647395DEST_PATH_IMAGE198
，其中
Figure 357862DEST_PATH_IMAGE199
矩阵为如下线性矩阵不等式的解矩阵：
Figure 898564DEST_PATH_IMAGE200
Figure 479718DEST_PATH_IMAGE201
Figure 80464DEST_PATH_IMAGE202
，其中
Figure 747069DEST_PATH_IMAGE203
。参数矩阵
Figure 91462DEST_PATH_IMAGE204
和
Figure 792702DEST_PATH_IMAGE205
分别为:
Figure 564349DEST_PATH_IMAGE206
,
Figure 216785DEST_PATH_IMAGE207
Figure 99290DEST_PATH_IMAGE208
Figure 920616DEST_PATH_IMAGE100
。
Figure 863164DEST_PATH_IMAGE209
Figure 504361DEST_PATH_IMAGE210
Figure 190557DEST_PATH_IMAGE211
,
Figure 866389DEST_PATH_IMAGE212
Figure 979839DEST_PATH_IMAGE213
表示在
Figure 905069DEST_PATH_IMAGE214
这个时间区内对于状态
Figure 332640DEST_PATH_IMAGE215
的估计值，
Figure 659716DEST_PATH_IMAGE216
表示指数函数，
Figure 147329DEST_PATH_IMAGE217
表示第
Figure 559856DEST_PATH_IMAGE218
个个体的第
Figure 289652DEST_PATH_IMAGE219
次采样时刻，
Figure 471235DEST_PATH_IMAGE220
表示第
Figure 129749DEST_PATH_IMAGE145
个个体的第
Figure 763993DEST_PATH_IMAGE221
次采样时刻，
Figure 798945DEST_PATH_IMAGE222
表示第
Figure 100613DEST_PATH_IMAGE145
个个体的第
Figure 930029DEST_PATH_IMAGE223
次采样时刻所采样得到的状态值，
Figure 51569DEST_PATH_IMAGE224
与
Figure 890212DEST_PATH_IMAGE225
有类似的结构和含义。
32）对这无人系统集群设计如下的稀疏采样通讯机制：
Figure 249649DEST_PATH_IMAGE226
Figure 46704DEST_PATH_IMAGE227
Figure 622916DEST_PATH_IMAGE228
Figure 530829DEST_PATH_IMAGE229
Figure 541511DEST_PATH_IMAGE230
式5
其中，
Figure 712729DEST_PATH_IMAGE231
为第
Figure 808861DEST_PATH_IMAGE120
个个体的第
Figure 723727DEST_PATH_IMAGE232
次采样时刻；
Figure 57757DEST_PATH_IMAGE233
为第
Figure 196614DEST_PATH_IMAGE234
个个体的第
Figure 983305DEST_PATH_IMAGE235
次采样时 刻；
Figure 498600DEST_PATH_IMAGE236
和
Figure 687135DEST_PATH_IMAGE237
均为大于0的常数；
Figure 996894DEST_PATH_IMAGE238
Figure 763556DEST_PATH_IMAGE239
Figure 816963DEST_PATH_IMAGE240
表示估计误差；
Figure 125585DEST_PATH_IMAGE241
表示估计误差
Figure 606244DEST_PATH_IMAGE242
的转置；
Figure 367527DEST_PATH_IMAGE243
为一个指数衰减项；
Figure 959045DEST_PATH_IMAGE244
表示下确界函数；外部动态变量具有如下动力 学：
Figure 122173DEST_PATH_IMAGE245
Figure 39314DEST_PATH_IMAGE246
Figure 22313DEST_PATH_IMAGE071
Figure 417523DEST_PATH_IMAGE247
式6
其中，
Figure 435157DEST_PATH_IMAGE248
和
Figure 257620DEST_PATH_IMAGE249
均为大于0的常数，
Figure 993495DEST_PATH_IMAGE250
表示外部动态变量
Figure 192395DEST_PATH_IMAGE251
对时间的导数。
当仿射编队中的个体满足阈值条件（式5）时对个体状态进行采样，并对控制算法通过式4进行更新；同时将采样信息广播给邻居；接收到广播信息的邻居通过式4对自身控制算法进行更新；
通过以上步骤，在有向通讯拓扑下，跟随者整体的收敛误差
Figure 563071DEST_PATH_IMAGE252
收敛到一个有界集合，即由此实现了无人集群仿射编队的机动控制。
具体地，通过建立如下的李雅普诺夫函数：
Figure 556435DEST_PATH_IMAGE253
Figure 779606DEST_PATH_IMAGE254
Figure 516618DEST_PATH_IMAGE255
Figure 243265DEST_PATH_IMAGE256
式7
其中，
Figure 673109DEST_PATH_IMAGE257
为建立李雅普诺夫函数；
Figure 383576DEST_PATH_IMAGE258
为大于0的常数；
Figure 658700DEST_PATH_IMAGE259
Figure 505433DEST_PATH_IMAGE260
为虚拟增益；
Figure 840600DEST_PATH_IMAGE261
和
Figure 38363DEST_PATH_IMAGE262
均为大于0的常数；
Figure 117177DEST_PATH_IMAGE263
为外部动态参数且其中的
Figure 316952DEST_PATH_IMAGE264
和
Figure 88599DEST_PATH_IMAGE265
和式6中的相同，分别表示第
Figure 39238DEST_PATH_IMAGE266
个自主体稀疏采样通讯机制中的外部动态变量和大于0的常数。
利用Barbalat引理通过式7证明，基于本发明提出的针对无人集群系统的稀疏采样通讯机制和控制方法，可以在有向通讯拓扑下通过Barbalat引理让跟随者整体的收敛误差
Figure 125005DEST_PATH_IMAGE267
收敛到一个有界集合，即表明实现了跟随者收敛到了领导者所确定的目标轨迹，即实现了无人系统集群的仿射编队机动控制。
图3进一步给出了采用Optitrack和Crazyswarm系统来验证本发明提出的基于完全分布式的群体系统稀疏采样信息交互方法。Optitrack系统是一套实时动作捕捉系统，可以提供高精度的实时位置数据，其包括多个摄像头和一个装有Motive软件的主机，Motive主机主要负责对数据的整合处理；Crazyswarm是一套无人机系统，包含多架无人机和一个负责给无人机发送指令的地面站(GCS，Ground Control Station)。Optitrack对Crazyswarm系统中的无人机进行状态采样并通过Motive主机将采样数据广播给Crazyswarm系统中的地面站，再由地面站将采样的状态信息广播给对应的无人机以及它的邻居。在具体实施过程中，无人集群中的自主体采用本发明设计的控制算法和稀疏采样通讯机制，当每架无人机触发条件满足时，无人机将向地面站提出请求，此时Optitrack对Crazyswarm系统中的无人机进行状态采样并将采样得到的信息广播给该架无人机和它的邻居无人机，该架无人机和它的邻居无人机同时更新自身的仿射编队机动控制，直到仿射编队达到稳态。
综上描述的具体实施方法，即可实现了在有向通讯拓扑下基于稀疏采样信息交互，且不依赖于全局信息的仿射编队机动控制算法。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，通过使用动态稀疏采样触发，即只有当仿射编队中的自主个体满足条件时对个体状态进行采样，并更新该个体的控制算法，同时将采样得到的状态信息广播给其邻居个体，其邻居个体在得到广播信息后更新自身的控制算法；包括如下步骤：
1）对无人集群仿射编队系统进行建模；无人集群仿射编队系统具有N个自主体，包括M个领导者自主体和N-M个跟随者自主体；
2）对无人集群仿射编队系统的目标编队队形和系统通讯网络进行表征，包括无人集群仿射编队系统的领导者和跟随者的数量以及通讯拓扑连接情况；采用收敛误差向量
Figure 701064DEST_PATH_IMAGE002
表示跟随者整体的收敛误差；
3）对无人集群仿射编队系统中的自主体，分别设计控制算法和稀疏采样通讯机制；
31）对无人集群仿射编队系统中的跟随者自主体设计控制算法，表示为式4：
Figure DEST_PATH_IMAGE003
式4
其中，
Figure 270585DEST_PATH_IMAGE004
为控制器，是第
Figure 388452DEST_PATH_IMAGE006
个自主体的控制输入；
Figure DEST_PATH_IMAGE007
为第
Figure DEST_PATH_IMAGE009
个自主体的自适应参数且满足
Figure 172868DEST_PATH_IMAGE010
的初始状态条件，
Figure 344918DEST_PATH_IMAGE011
为
Figure DEST_PATH_IMAGE012
对时间的导数；
Figure 401736DEST_PATH_IMAGE013
表示符号函数；
Figure DEST_PATH_IMAGE014
表示耦合增益；
Figure 683812DEST_PATH_IMAGE015
表示第
Figure 791577DEST_PATH_IMAGE006
个个体基于采样估计信息的收敛误差；
Figure 32065DEST_PATH_IMAGE016
表示无人系统集群中第
Figure DEST_PATH_IMAGE017
个个体和第
Figure 887764DEST_PATH_IMAGE018
个个体间的通讯连接权重；
Figure DEST_PATH_IMAGE019
表示
Figure 973531DEST_PATH_IMAGE020
的转置；
Figure DEST_PATH_IMAGE021
是常数；加性算子
Figure 653911DEST_PATH_IMAGE022
，参数矩阵
Figure DEST_PATH_IMAGE023
和
Figure 675088DEST_PATH_IMAGE025
分别为:
Figure DEST_PATH_IMAGE026
,
Figure 909760DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
Figure 907541DEST_PATH_IMAGE029
；其中
Figure DEST_PATH_IMAGE030
矩阵为线性矩阵不等式
Figure 708007DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE032
Figure 24719DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
的解矩阵；
Figure 28578DEST_PATH_IMAGE035
分别表示与对应变量维数相容的系统矩阵；
Figure DEST_PATH_IMAGE036
Figure 580782DEST_PATH_IMAGE037
Figure DEST_PATH_IMAGE038
,
Figure 219443DEST_PATH_IMAGE039
Figure DEST_PATH_IMAGE040
，表示在时间区
Figure 707056DEST_PATH_IMAGE041
对于状态
Figure DEST_PATH_IMAGE042
的估计值；
Figure 447479DEST_PATH_IMAGE043
表示指数函数；
Figure DEST_PATH_IMAGE044
表示第
Figure 554106DEST_PATH_IMAGE045
个个体的第
Figure DEST_PATH_IMAGE046
次采样时刻，
Figure 63585DEST_PATH_IMAGE047
表示第
Figure 987678DEST_PATH_IMAGE049
个个体的第
Figure DEST_PATH_IMAGE050
次采样时刻；
Figure 204945DEST_PATH_IMAGE051
表示第
Figure 505476DEST_PATH_IMAGE049
个个体的第
Figure DEST_PATH_IMAGE052
次采样时刻所采样得到的状态值，
Figure 135041DEST_PATH_IMAGE053
、
Figure DEST_PATH_IMAGE054
为指数保持器；
32）设计稀疏采样通讯机制，动态稀疏采样触发函数表示为式5：
Figure 574244DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE056
Figure 23680DEST_PATH_IMAGE057
Figure DEST_PATH_IMAGE058
Figure 596743DEST_PATH_IMAGE059
式5
其中，
Figure 595661DEST_PATH_IMAGE061
为第
Figure 861557DEST_PATH_IMAGE063
个自主体的第
Figure 204814DEST_PATH_IMAGE050
次采样时刻；
Figure DEST_PATH_IMAGE064
为第
Figure 440623DEST_PATH_IMAGE063
个自主体的第
Figure 61092DEST_PATH_IMAGE046
次采样时刻；
Figure 497889DEST_PATH_IMAGE065
和
Figure DEST_PATH_IMAGE066
均为大于0的常数；
Figure 187496DEST_PATH_IMAGE067
Figure DEST_PATH_IMAGE068
Figure 102363DEST_PATH_IMAGE069
表示估计误差；
Figure DEST_PATH_IMAGE070
表示估计误差
Figure 544714DEST_PATH_IMAGE071
的转置；
Figure DEST_PATH_IMAGE072
为指数衰减项；
Figure 11468DEST_PATH_IMAGE073
表示下确界函数；
Figure DEST_PATH_IMAGE074
为外部动态变量；
Figure DEST_PATH_IMAGE076
Figure 142366DEST_PATH_IMAGE077
为采样条件的阈值；
Figure 985557DEST_PATH_IMAGE078
表示集群中第
Figure 705251DEST_PATH_IMAGE080
个自主体的状态信息；
Figure DEST_PATH_IMAGE081
表示维度为n的向量；
当仿射编队中的个体满足阈值条件时对个体状态进行采样，并对控制算法通过式4进行更新；
同时将采样信息广播给邻居；接收到广播信息的邻居通过式4对自身控制算法进行更新；
通过上述步骤，在有向通讯拓扑下，跟随者整体的收敛误差收敛到一个有界集合，即实现了无人集群仿射编队的机动控制。
2.如权利要求1所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，无人集群仿射编队系统中的自主体为无人车和/或无人机，包括领导者自主体和跟随者自主体。
3.如权利要求2所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，步骤1）中，无人集群系统包括M个领导者自主体和N-M个跟随者自主体；用
Figure 592174DEST_PATH_IMAGE082
和
Figure 397319DEST_PATH_IMAGE083
分别表示领导者和跟随者的集合，并对系统建模为式1：
Figure 919567DEST_PATH_IMAGE085
Figure 618401DEST_PATH_IMAGE087
Figure 302324DEST_PATH_IMAGE088
式1
其中，
Figure DEST_PATH_IMAGE089
表示集群中第
Figure 673393DEST_PATH_IMAGE017
个自主体的状态信息,
Figure 264912DEST_PATH_IMAGE090
表示第
Figure 552674DEST_PATH_IMAGE009
个自主体的状态信息对时间的导数，
Figure DEST_PATH_IMAGE091
表示集群中第
Figure 798977DEST_PATH_IMAGE017
个自主体的外界干扰信号，
Figure 578714DEST_PATH_IMAGE092
表示集群中第
Figure 442765DEST_PATH_IMAGE017
个自主体的输入信息,
Figure 850612DEST_PATH_IMAGE035
分别表示与对应变量维数相容的系统矩阵，
Figure 407495DEST_PATH_IMAGE081
，
Figure DEST_PATH_IMAGE093
分别表示维度为
Figure 753157DEST_PATH_IMAGE094
的向量；领导者的控制输入和噪声信号满足范数有界的假设条件：
Figure DEST_PATH_IMAGE095
Figure 279953DEST_PATH_IMAGE096
Figure DEST_PATH_IMAGE097
；跟随者的噪声信号满足范数有界的假设条件：
Figure 886515DEST_PATH_IMAGE098
当
Figure DEST_PATH_IMAGE099
Figure 457043DEST_PATH_IMAGE100
。
4.如权利要求3所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，步骤2）进一步包括：
21）通过对初始编队构型进行仿射变换，得到目标编队队形，表示为式2：
Figure DEST_PATH_IMAGE101
Figure DEST_PATH_IMAGE103
Figure 273689DEST_PATH_IMAGE104
,式2
其中，
Figure 354909DEST_PATH_IMAGE105
为目标编队队形；
Figure DEST_PATH_IMAGE106
和
Figure 48933DEST_PATH_IMAGE107
是对时间
Figure DEST_PATH_IMAGE108
的连续变量，
Figure 557406DEST_PATH_IMAGE109
是初始编队构型，
Figure DEST_PATH_IMAGE110
为单位矩阵，
Figure DEST_PATH_IMAGE112
表示元素全为
Figure 330190DEST_PATH_IMAGE113
的列向量，
Figure 713635DEST_PATH_IMAGE115
表示克罗内克积；
22）采用应力矩阵作为通讯拓扑连接矩阵；
采用
Figure DEST_PATH_IMAGE116
表示无人系统集群中第
Figure 560369DEST_PATH_IMAGE117
个个体和第
Figure DEST_PATH_IMAGE118
个个体间的通讯连接权重，并用应力矩阵
Figure 223431DEST_PATH_IMAGE119
表示无人集群系统的有向通讯拓扑连接情况，其中
Figure DEST_PATH_IMAGE120
,
Figure 30981DEST_PATH_IMAGE121
Figure DEST_PATH_IMAGE122
；将应力矩阵内部结构设置表示为式3：
Figure 437692DEST_PATH_IMAGE123
Figure DEST_PATH_IMAGE124
式3
其中，
Figure 138932DEST_PATH_IMAGE125
表示无人集群整体的通讯拓扑连接情况；
Figure DEST_PATH_IMAGE126
为领导者内部的通讯连接情况；
Figure 962443DEST_PATH_IMAGE127
为跟随者到领导者的通讯拓扑连接情况；
Figure DEST_PATH_IMAGE128
为领导者到跟随者的通讯拓扑连接情况；
Figure 506557DEST_PATH_IMAGE129
为跟随者内部的通讯拓扑连接情况，且
Figure DEST_PATH_IMAGE130
矩阵是对角占优的；
Figure 467691DEST_PATH_IMAGE126
和
Figure 289016DEST_PATH_IMAGE127
均设为零矩阵；
23）设置无人集群中领导者和跟随者的数量以及彼此之间的通讯拓扑连接情况：
设定领导者的个数
Figure 825040DEST_PATH_IMAGE131
，其中
Figure DEST_PATH_IMAGE132
是无人系统集群中状态的维度，通讯拓扑连接是有向的，同时
Figure 840138DEST_PATH_IMAGE133
中的所有跟随者个体均是从
Figure 729597DEST_PATH_IMAGE134
集合
Figure DEST_PATH_IMAGE135
可达的；跟随者彼此间的内部通讯拓扑矩阵
Figure 530063DEST_PATH_IMAGE136
满足非奇异特性；
跟随者的目标位置
Figure DEST_PATH_IMAGE137
表示为：
Figure 456561DEST_PATH_IMAGE138
Figure DEST_PATH_IMAGE139
，其中
Figure 444109DEST_PATH_IMAGE140
Figure DEST_PATH_IMAGE141
；
跟随者整体的跟踪误差
Figure 871679DEST_PATH_IMAGE142
表示为：
Figure 41498DEST_PATH_IMAGE144
Figure DEST_PATH_IMAGE145
Figure 653745DEST_PATH_IMAGE146
，其中的
Figure 800693DEST_PATH_IMAGE147
Figure DEST_PATH_IMAGE148
；
用收敛误差向量
Figure 641741DEST_PATH_IMAGE149
Figure DEST_PATH_IMAGE150
Figure 26586DEST_PATH_IMAGE151
Figure DEST_PATH_IMAGE152
表示跟随者整体的收敛误差。
5.如权利要求4所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，步骤2）中，收敛误差向量
Figure 809734DEST_PATH_IMAGE153
内部元素
Figure DEST_PATH_IMAGE154
Figure 21142DEST_PATH_IMAGE155
Figure DEST_PATH_IMAGE156
。
6.如权利要求4所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，步骤32）中，外部动态变量表示为式6：
Figure 915148DEST_PATH_IMAGE157
Figure DEST_PATH_IMAGE158
Figure DEST_PATH_IMAGE160
Figure 498707DEST_PATH_IMAGE161
式6
其中，
Figure DEST_PATH_IMAGE162
和
Figure 452757DEST_PATH_IMAGE163
均为大于0的常数，
Figure 308718DEST_PATH_IMAGE165
表示外部动态变量
Figure DEST_PATH_IMAGE166
对时间的导数。
7.如权利要求4所述基于稀疏采样和信息交互的无人集群仿射编队机动控制方法，其特征是，建立李雅普诺夫函数如式7：
Figure 984244DEST_PATH_IMAGE167
Figure DEST_PATH_IMAGE168
Figure 468315DEST_PATH_IMAGE169
Figure DEST_PATH_IMAGE170
式7
其中，
Figure 343998DEST_PATH_IMAGE171
为李雅普诺夫函数；
Figure DEST_PATH_IMAGE172
为大于0的常数；
Figure 15151DEST_PATH_IMAGE173
Figure DEST_PATH_IMAGE174
为虚拟增益，其中
Figure 391906DEST_PATH_IMAGE176
Figure DEST_PATH_IMAGE177
Figure 979751DEST_PATH_IMAGE178
为收敛误差向量
Figure 541182DEST_PATH_IMAGE179
内部的元素；
Figure DEST_PATH_IMAGE180
和
Figure 840576DEST_PATH_IMAGE181
均为大于0的常数；参数
Figure DEST_PATH_IMAGE182
，其中
Figure 693126DEST_PATH_IMAGE183
表示第
Figure DEST_PATH_IMAGE184
个自主体稀疏采样通讯机制中的外部动态变量；
Figure 401057DEST_PATH_IMAGE185
为大于0的常数；
通过式7验证在有向通讯拓扑下，跟随者的收敛误差可收敛到一个有界集合，即跟随者收敛到领导者所确定的目标轨迹，由此实现无人系统集群的仿射编队机动控制。
CN202210695826.9A 2022-06-20 2022-06-20 基于稀疏采样和信息交互的无人集群编队机动控制方法 Active CN114779825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210695826.9A CN114779825B (zh) 2022-06-20 2022-06-20 基于稀疏采样和信息交互的无人集群编队机动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210695826.9A CN114779825B (zh) 2022-06-20 2022-06-20 基于稀疏采样和信息交互的无人集群编队机动控制方法

Publications (2)

Publication Number Publication Date
CN114779825A CN114779825A (zh) 2022-07-22
CN114779825B true CN114779825B (zh) 2022-08-26

Family

ID=82420496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210695826.9A Active CN114779825B (zh) 2022-06-20 2022-06-20 基于稀疏采样和信息交互的无人集群编队机动控制方法

Country Status (1)

Country Link
CN (1) CN114779825B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115774455B (zh) * 2023-02-13 2023-04-21 北京大学 复杂障碍环境下避免死锁的分布式无人集群轨迹规划方法
CN115993842B (zh) * 2023-03-23 2023-05-30 西北工业大学深圳研究院 一种用于群体智能系统的编队协同控制方法
CN117631674B (zh) * 2024-01-23 2024-05-14 齐鲁工业大学(山东省科学院) 基于采样信息的移动机器人分布式平均控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663938A (zh) * 2018-05-25 2018-10-16 哈尔滨工程大学 一种考虑通讯拓扑变换的uuv集群协调控制方法
CN113253764A (zh) * 2021-07-14 2021-08-13 北京大学 一种基于降维观测器的无人集群仿射编队控制方法
CN113433955A (zh) * 2021-07-09 2021-09-24 哈尔滨工程大学 有向切换拓扑下多auv编队队形一致性控制方法
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200065553A1 (en) * 2018-08-26 2020-02-27 Bujin Guo Remote sensing architecture utilizing multiple UAVs to construct a sparse sampling measurement matrix for a compressed sensing system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663938A (zh) * 2018-05-25 2018-10-16 哈尔滨工程大学 一种考虑通讯拓扑变换的uuv集群协调控制方法
CN113433955A (zh) * 2021-07-09 2021-09-24 哈尔滨工程大学 有向切换拓扑下多auv编队队形一致性控制方法
CN113253764A (zh) * 2021-07-14 2021-08-13 北京大学 一种基于降维观测器的无人集群仿射编队控制方法
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于强化学习的冲压发动机飞行器爬升段轨迹优化控制;周国峰等;《中国惯性技术学报》;20220215;第135-140页 *

Also Published As

Publication number Publication date
CN114779825A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114779825B (zh) 基于稀疏采样和信息交互的无人集群编队机动控制方法
CN111176327B (zh) 一种多智能体系统合围控制方法及系统
CN110456807B (zh) 一种多航天器一致性动态增益控制方法
WO2022205526A1 (zh) 一种用于水下无人机器人集群的动态定位信息融合方法
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
CN110933726B (zh) 一种切换异构网络下的多智能体系统包含控制的实现方法
CN113253764B (zh) 一种基于降维观测器的无人集群仿射编队控制方法
CN111443715A (zh) 一种集群系统编队-合围控制方法及系统
CN111768654B (zh) 一种多无人机协同中继辅助车载自组网数据传输方法
CN108762091B (zh) 一种基于未知控制方向的自适应编队控制算法
CN113971461A (zh) 一种无人机自组网分布式联邦学习方法和系统
CN110687926B (zh) 一种无人机群快速编队方法
CN113645143A (zh) 一种空中集群通信网络的优化方法及装置
CN112363535A (zh) 一种领导-跟随型多飞行器的分布式协同控制方法
CN112947086A (zh) 一种无人机和无人车组成的异构多智能体系统编队控制中执行器故障的自适应补偿方法
CN114172809B (zh) 一种基于目标追踪的视频计算云边协同任务调度方法
CN109828460B (zh) 一种针对双向异构多智能体系统的输出一致控制方法
CN110673651B (zh) 一种通信受限条件下的无人机群鲁棒编队方法
CN111596688A (zh) 基于连续通信的多无人机编队一致性控制方法
CN109634138B (zh) 基于图上信号粗化的多智能体系统一致性方法
CN116366127A (zh) 无人机辅助多mec服务器的任务完成率最大化方法
Li et al. Event triggered control for multi-agent systems with packet dropout
CN115426635A (zh) 一种不可靠传输场景下无人机通信网络推断方法及系统
Wang et al. Dynamic event-triggered boundary control for exponential consensus of multi-agent systems of impulsive PDEs with switching topology
CN113515066A (zh) 一种非线性多智能体系统动态事件触发控制方法

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