CN115993842B - 一种用于群体智能系统的编队协同控制方法 - Google Patents
一种用于群体智能系统的编队协同控制方法 Download PDFInfo
- Publication number
- CN115993842B CN115993842B CN202310287744.5A CN202310287744A CN115993842B CN 115993842 B CN115993842 B CN 115993842B CN 202310287744 A CN202310287744 A CN 202310287744A CN 115993842 B CN115993842 B CN 115993842B
- Authority
- CN
- China
- Prior art keywords
- matrix
- sampling time
- time interval
- follower
- formation
- 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
Images
Classifications
-
- 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
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于群体智能系统的编队协同控制方法,涉及群体智能系统技术领域,首先根据任务需求确定系统的目标编队构型、交互拓扑图和采样时间序列,进而确定系统的方位拉普拉斯矩阵;根据任务需求确定引领者的运动轨迹,更新实时信息,并获取跟随者在采样时间间隔内的初态信息,进而确定其实时信息;确定分布式方位编队控制律并将其带入跟随者动力学模型,获取跟随者在采样时间间隔内的实时位置,并更新为下一采样时间间隔的初态位置,最终确保智能体在目标时间内形成目标编队。本发明可以在更为复杂的编队环境下,实现在精确的时间内对群体智能系统进行编队,同时在编队的平移和放缩方面有着突出的优势。
Description
技术领域
本发明属于群体智能系统技术领域,具体涉及一种群体智能系统的编队协同控制方法。
背景技术
近年来,群体智能系统的编队控制技术得到了广泛的研究,如:多架无人机在飞行的同时保持紧凑的编队构型,可以降低空气阻力对后排无人机的干扰,进而降低能量的消耗,提升无人机集群的续航能力;多颗卫星通过维持特定的编队构型,能够最大化其感知和侦察的范围。
在实际中,目标编队构型通常是利用编队向量来构造的,其构造过程比较繁琐且不易实现构型变换;另外,相较于渐进收敛的编队控制,在有限的时间内形成目标编队并完成任务显然更具实际意义,也更符合实际的任务需求。因此,如何设计一种能够在任意精确的时刻实现可灵活变换构型的编队控制方法已成为亟待解决的技术问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种群体智能系统的编队协同控制方法解决了群体智能系统中编队向量构造过程复杂且不易实现构型变换的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种用于群体智能系统的编队协同控制方法,包括以下步骤:
S1、对各智能体进行初始化,并根据任务需求确定目标编队、目标编队形成时间和系统的交互拓扑图;
S2、根据目标编队形成时间确定系统的采样时间间隔和采样时间序列;
S3、根据目标编队和系统的交互拓扑图确定目标编队构型;
S4、根据系统的交互拓扑图与目标编队构型确定系统的方位拉普拉斯矩阵;
S5、根据任务需求确定引领者的运动轨迹并更新引领者的实时信息;
S6、获取跟随者在采样时间间隔内的初态信息;
S7、根据系统的交互拓扑图和跟随者的初态信息,确定跟随者在采样时间间隔内的实时信息;
S8、根据系统的方位拉普拉斯矩阵、引领者的实时信息和跟随者在采样时间间隔内的实时信息,确定分布式方位编队控制律;
S9、将分布式方位编队控制律带入跟随者动力学模型,获取跟随者在采样时间间隔内的实时位置;
S10、将跟随者的实时位置按采样时间序列更新为下一采样时间间隔内的初态位置;
S11、判断当前编队是否满足系统设定的目标编队;若是则结束操作,否则跳转到步骤S6。
进一步地,步骤S2包括以下分步骤:
S21、根据目标编队形成时间,计算采样时间间隔,表示为:
S22、根据采样时间间隔,构建系统的采样时间序列:
其中:t m为第m个采样时间序列。
进一步地,步骤S4包括以下分步骤:
S41、根据智能体的位置计算智能体的相对方位,表示为:
S42、根据分步骤S41中智能体的相对方位,计算所述相对方位对应的正交投影矩阵,表示为:
S43、根据分步骤S42中得到的正交投影矩阵,构造系统的方位拉普拉斯矩阵:
进一步地,按照引领者-跟随者的结构,将系统的方位拉普拉斯矩阵表示为:
进一步地,在步骤S5中,根据目标编队确定引领者的运动轨迹为:
进一步地,在步骤S7中,选取跟随者在采样间隔的实时位置为其自身与邻居初态位置的加权平均值,表示为:
其中:为智能体i在第k个采样时间间隔的实时位置,t k为第k个采样时间间隔的初始时刻,t k+1为第k个采样时间间隔的终端时刻,/>为常对角矩阵,/>为智能体i的邻居集,/>为智能体j相对于智能体i在目标编队中的相对方位对应的正交投影矩阵,为智能体j相对于智能体i的相对方位,/>为智能体j在第k个采样时间间隔的位置,I d为维度为d的单位矩阵,/>为智能体i在第k个采样时间间隔的位置。
进一步地,步骤S8包括以下分步骤:
S81、根据最优控制中变分法,确定该采样时间间隔内的代价函数,表示为:
S82、根据最优控制中变分法,确定该采样时间间隔内的哈密尔顿函数,表示为:
S83、求解分步骤S81中代价函数对应的正则方程和S82中哈密尔顿函数对应的正则方程,并记录求解结果;
S84、根据迭代算法确定常对角矩阵;
S85、根据分步骤S83中的求解结果和分步骤S84中确定的常对角矩阵,并结合步骤S7中跟随者在采样时间间隔内的终态信息,得到分布式方位编队控制律的解析式:
其中:为实时控制输入,/>为常对角矩阵,t k为第k个采样时间间隔的初始时刻,t k+1为第k个采样时间间隔的终端时刻,/>为智能体i的邻居集,/>为智能体j相对于智能体i在目标编队中的相对方位对应的正交投影矩阵,/>为智能体j相对于智能体i的相对方位,/>为智能体i在第k个采样时间间隔的位置,/>为智能体j在第k个采样时间间隔的位置,/>为跟随者的集合。
进一步地,步骤S84包括以下分步骤:
S841、根据步骤S4中系统的方位拉普拉斯矩阵确定各子矩阵等式:
其中:为第一子矩阵,/>为矩阵D的第1个对角线元素,/>为矩阵/>的一阶顺序主子式,/>为跟随者和跟随者之间的方位矩阵,/>为第d子矩阵,/>为括号内元素构成的对角矩阵,/>为矩阵D的第d个对角线元素,/>为矩阵/>的d阶顺序主子式,/>为第d+1子矩阵,/>为矩阵D的第d+1个对角线元素,/>为矩阵/>的d+1阶顺序主子式,/>为第/>子矩阵,/>为矩阵D的第/>个对角线元素,/>为矩阵/>的/>阶顺序主子式;
S842、根据分步骤S841中各子矩阵的特征值确定常对角矩阵的对角线元素;
S843、将分步骤S842中确定的对角线元素带入对应的常对角矩阵的等式,确定常对角矩阵,表示为:
其中:D为以常对角矩阵为对角线元素的矩阵,/>为第1个跟随者的分布式控制律中的常对角矩阵,/>为第2个跟随者的分布式控制律中的常对角矩阵,/>为第/>个跟随者的分布式控制律中的常对角矩阵,n L为系统中引领者的个数,/>为跟随者的个数,。
进一步地,步骤S842包括以下分步骤:
S8421、确定常对角矩阵的第一对角线元素,使得第一子矩阵的第一特征值满足:
S8422、根据分步骤S8421中第一对角线元素和第一子矩阵的第一特征值确定第二对角线元素,使得第二子矩阵的第一特征值与第二特征值满足:
本发明的有益效果为:
(1)本发明可以在更为复杂的编队环境下,实现在精确的时间内对群体智能系统进行编队;
(2)本发明在协同控制目标编队构型过程中,使得编队在平移、以及放缩方面有着突出的优势。
附图说明
图1为一种群体智能系统的编队协同控制方法流程图;
图2为本发明实施例中目标编队构型唯一性示意图,其中a为3个智能体编队构型不唯一示意图,其中b为4个智能体编队构型不唯一示意图,其中c为6个智能体编队构型不唯一示意图,其中d为3个智能体编队构型唯一示意图,其中e为4个智能体编队构型唯一示意图,其中f为6个智能体编队构型唯一示意图;
图3为本发明实施例中六架无人机的通信拓扑示意图;
图4为本发明实施例中群体智能系统形成目标编队过程中各智能体的运动轨迹示意图;
图5为本发明实施例中群体智能系统形成目标编队过程中各跟随者的编队误差随时间变化示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明的一种用于群体智能系统的编队协同控制方法,包括步骤S1-S11:
S1、对各智能体进行初始化,并根据任务需求确定目标编队、目标编队形成时间和系统的交互拓扑图。
系统的目标编队是根据任务需求和相对方位信息确定的,包括两个及以上引领者和若干跟随者,且目标编队构型要符合刚性理论;目标编队形成时间和系统的交互拓扑图同样根据任务需求进行确定。
在本发明的一个可选实施例中,目标编队需要满足唯一性的要求,如图2所示,对于图2中的构型图a、b、c而言,跟随者可以在确保其自身与各邻居之间的相对方位不变的前提下,沿箭头方向任意移动,因此不是唯一的;而对于图2中的构型图d、e、f则是唯一的且至少需要两个引领者。本发明选取的交互拓扑图如图3所示。
其中:q 1为1号无人机的位置,q 2为2号无人机的位置,q 3为3号无人机的位置,q 4为4号无人机的位置,q 5为5号无人机的位置,q 6为6号无人机的位置,T表示向量的转置,m表示距离单位米。
其中:为智能体i在t时刻的位置,i为智能体,/>为智能体i在目标编队中的位置,由五次多项式轨迹规划方法提前规划好的一条平滑的运动曲线,/>为引领者的集合,/>为跟随者的动力学模型,/>为分布式方位编队控制律,/>为跟随者的集合。
S2、根据目标编队形成时间确定系统的采样时间间隔和采样时间序列。
步骤S2包括以下分步骤:
S21、根据目标编队形成时间,计算采样时间间隔,表示为:
S22、根据采样时间间隔,构建系统的采样时间序列:
其中:t m为第m个采样时间序列。
S3、根据目标编队和系统的交互拓扑图确定目标编队构型。
在本发明的一个可选实施例中,本发明选取编号为1,2的无人机作为该群体智能系统的引领者,记为;选取编号为3,4,5,6的无人机为系统的跟随者,记为。根据目标编队并结合本发明实施例选的交互拓扑图,设计期望的目标编队构型/>为:
S4、根据系统的交互拓扑图与目标编队构型确定系统的方位拉普拉斯矩阵。
步骤S4包括以下分步骤:
S41、根据智能体的位置计算智能体的相对方位,表示为:
S42、根据分步骤S41中智能体的相对方位,计算所述相对方位对应的正交投影矩阵,表示为:
S43、根据分步骤S42中得到的正交投影矩阵,构造系统的方位拉普拉斯矩阵:
按照引领者-跟随者的结构,将系统的方位拉普拉斯矩阵表示为:
则可得:
S5、根据任务需求确定引领者的运动轨迹并更新引领者的实时信息。
本发明根据目标编队确定引领者的运动轨迹为:
S6、获取跟随者在采样时间间隔内的初态信息。
S7、根据系统的交互拓扑图和跟随者的初态信息,确定跟随者在采样时间间隔内的实时信息。
本发明选取跟随者在采样间隔的实时位置为其自身与邻居初态位置的加权平均值,表示为:
其中:为智能体i在第k个采样时间间隔的实时位置,t k为第k个采样时间间隔的初始时刻,t k+1为第k个采样时间间隔的终端时刻,/>为常对角矩阵,/>为智能体i的邻居集,/>为智能体j相对于智能体i在目标编队中的相对方位对应的正交投影矩阵,为智能体j相对于智能体i的相对方位,/>为智能体j在第k个采样时间间隔的位置,I d为维度为d的单位矩阵,/>为智能体i在第k个采样时间间隔的位置。
S8、根据系统的方位拉普拉斯矩阵、引领者的实时信息和跟随者在采样时间间隔内的实时信息,确定分布式方位编队控制律。
步骤S8包括以下分步骤:
S81、根据最优控制中变分法,确定该采样时间间隔内的代价函数,表示为:
S82、根据最优控制中变分法,确定该采样时间间隔内的哈密尔顿函数,表示为:
S83、求解分步骤S81中代价函数对应的正则方程和S82中哈密尔顿函数对应的正则方程,并记录求解结果。
S84、根据迭代算法确定常对角矩阵。
步骤S84包括以下分步骤:
S841、根据步骤S4中系统的方位拉普拉斯矩阵确定各子矩阵等式:
其中:为第一子矩阵,/>为矩阵D的第1个对角线元素,/>为矩阵/>的一阶顺序主子式,/>为跟随者和跟随者之间的方位矩阵,/>为第d子矩阵,/>为括号内元素构成的对角矩阵,/>为矩阵D的第d个对角线元素,/>为矩阵/>的d阶顺序主子式,/>为第d+1子矩阵,/>为矩阵D的第d+1个对角线元素,/>为矩阵/>的d+1阶顺序主子式,/>为第/>子矩阵,/>为矩阵D的第/>个对角线元素,/>为矩阵/>的/>阶顺序主子式。
S842、根据分步骤S841中各子矩阵的特征值确定常对角矩阵的对角线元素。
步骤S842包括以下分步骤:
S8421、确定常对角矩阵的第一对角线元素,使得第一子矩阵的第一特征值满足:
S8422、根据分步骤S8421中第一对角线元素和第一子矩阵的第一特征值确定第二对角线元素,使得第二子矩阵的第一特征值与第二特征值满足:
具体地,当时,第二子矩阵/>的特征值在第1个对角线元素/>确定的情况下由第2个对角线元素/>唯一决定,若第2个对角线元素/>,则/>,由于第二子矩阵/>是连续的,因此存在一个合适的第2个对角线元素/>,使得/>同时且/>;以此类推,最终可以确定所有的对角线元素/>。
S843、将分步骤S842中确定的对角线元素带入对应的常对角矩阵的等式,确定常对角矩阵,表示为:
其中:D为以常对角矩阵为对角线元素的矩阵,/>为第1个跟随者的分布式控制律中的常对角矩阵,/>为第2个跟随者的分布式控制律中的常对角矩阵,/>为第/>个跟随者的分布式控制律中的常对角矩阵,n L为系统中引领者的个数,/>为跟随者的个数,。
在本发明的一个可选实施例中,根据迭代算法可得常对角矩阵为:
S85、根据分步骤S83中的求解结果和分步骤S84中确定的常对角矩阵,并结合步骤S7中跟随者在采样时间间隔内的终态信息,得到分布式方位编队控制律的解析式:
其中:为实时控制输入,/>为常对角矩阵,t k为第k个采样时间间隔的初始时刻,t k+1为第k个采样时间间隔的终端时刻,/>为智能体i的邻居集,/>为智能体j相对于智能体i在目标编队中的相对方位对应的正交投影矩阵,/>为智能体j相对于智能体i的相对方位,/>为智能体i在第k个采样时间间隔的位置,/>为智能体j在第k个采样时间间隔的位置,/>为跟随者的集合。
S9、将分布式方位编队控制律带入跟随者动力学模型,获取跟随者在采样时间间隔内的实时位置。
S10、将跟随者的实时位置按采样时间序列更新为下一采样时间间隔内的初态位置。
S11、判断当前编队是否满足系统设定的目标编队;若是则结束操作,否则跳转到步骤S6。
下面对该系统在上述分布式方位编队控制律作用下的收敛性进行分析:
证明系统在给定采样时刻的收敛性:
证明在各采样点间的收敛性:
将分布式方位编队控制律代入系统的动力学方程并从t k到t进行积分,得:
进而,得:
故:
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种用于群体智能系统的编队协同控制方法,其特征在于,包括以下步骤:
S1、对各智能体进行初始化,并根据任务需求确定目标编队、目标编队形成时间和系统的交互拓扑图;
S2、根据目标编队形成时间确定系统的采样时间间隔和采样时间序列;
S3、根据目标编队和系统的交互拓扑图确定目标编队构型;
S4、根据系统的交互拓扑图与目标编队构型确定系统的方位拉普拉斯矩阵;
S5、根据任务需求确定引领者的运动轨迹并更新引领者的实时信息;
S6、获取跟随者在采样时间间隔内的初态信息;
S7、根据系统的交互拓扑图和跟随者的初态信息,确定跟随者在采样时间间隔内的实时信息;
S8、根据系统的方位拉普拉斯矩阵、引领者的实时信息和跟随者在采样时间间隔内的实时信息,确定分布式方位编队控制律;
步骤S8包括以下分步骤:
S81、根据最优控制中变分法,确定该采样时间间隔内的代价函数,表示为:
S82、根据最优控制中变分法,确定该采样时间间隔内的哈密尔顿函数,表示为:
S83、求解分步骤S81中代价函数对应的正则方程和S82中哈密尔顿函数对应的正则方程,并记录求解结果;
S84、根据迭代算法确定常对角矩阵;
S85、根据分步骤S83中的求解结果和分步骤S84中确定的常对角矩阵,并结合步骤S7中跟随者在采样时间间隔内的终态信息,得到分布式方位编队控制律的解析式:
其中:为实时控制输入,/>为常对角矩阵,t k为第k个采样时间间隔的初始时刻,t k+1为第k个采样时间间隔的终端时刻,/>为智能体i的邻居集,/>为智能体j相对于智能体i在目标编队中的相对方位对应的正交投影矩阵,/>为智能体j相对于智能体i的相对方位,/>为智能体i在第k个采样时间间隔的位置,/>为智能体j在第k个采样时间间隔的位置,/>为跟随者的集合;
S9、将分布式方位编队控制律带入跟随者动力学模型,获取跟随者在采样时间间隔内的实时位置;
S10、将跟随者的实时位置按采样时间序列更新为下一采样时间间隔内的初态位置;
S11、判断当前编队是否满足系统设定的目标编队;若是则结束操作,否则跳转到步骤S6。
3.根据权利要求1所述的一种用于群体智能系统的编队协同控制方法,其特征在于,步骤S4包括以下分步骤:
S41、根据智能体的位置计算智能体的相对方位,表示为:
S42、根据分步骤S41中智能体的相对方位,计算所述相对方位对应的正交投影矩阵,表示为:
S43、根据分步骤S42中得到的正交投影矩阵,构造系统的方位拉普拉斯矩阵:
7.根据权利要求1所述的一种用于群体智能系统的编队协同控制方法,其特征在于,步骤S84包括以下分步骤:
S841、根据步骤S4中系统的方位拉普拉斯矩阵确定各子矩阵等式:
其中:为第一子矩阵,/>为矩阵D的第1个对角线元素,/>为矩阵/>的一阶顺序主子式,/>为跟随者和跟随者之间的方位矩阵,/>为第d子矩阵,/>为括号内元素构成的对角矩阵,/>为矩阵D的第d个对角线元素,/>为矩阵/>的d阶顺序主子式,为第d+1子矩阵,/>为矩阵D的第d+1个对角线元素,/>为矩阵/>的d+1阶顺序主子式,/>为第/>子矩阵,/>为矩阵D的第/>个对角线元素,/>为矩阵/>的/>阶顺序主子式;
S842、根据分步骤S841中各子矩阵的特征值确定常对角矩阵的对角线元素;
S843、将分步骤S842中确定的对角线元素带入对应的常对角矩阵的等式,确定常对角矩阵,表示为:
8.根据权利要求7所述的一种用于群体智能系统的编队协同控制方法,其特征在于,步骤S842包括以下分步骤:
S8421、确定常对角矩阵的第一对角线元素,使得第一子矩阵的第一特征值满足:
S8422、根据分步骤S8421中第一对角线元素和第一子矩阵的第一特征值确定第二对角线元素,使得第二子矩阵的第一特征值与第二特征值满足:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287744.5A CN115993842B (zh) | 2023-03-23 | 2023-03-23 | 一种用于群体智能系统的编队协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287744.5A CN115993842B (zh) | 2023-03-23 | 2023-03-23 | 一种用于群体智能系统的编队协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993842A CN115993842A (zh) | 2023-04-21 |
CN115993842B true CN115993842B (zh) | 2023-05-30 |
Family
ID=85995339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310287744.5A Active CN115993842B (zh) | 2023-03-23 | 2023-03-23 | 一种用于群体智能系统的编队协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993842B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093021B (zh) * | 2023-10-19 | 2024-01-30 | 西北工业大学深圳研究院 | 一种应用于群体智能系统的分布式编队包围方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900380A (zh) * | 2021-11-17 | 2022-01-07 | 北京航空航天大学 | 一种异构集群系统鲁棒输出编队跟踪控制方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016065055A1 (en) * | 2014-10-21 | 2016-04-28 | Ask Y, Llc | Platooning control via accurate synchronization |
US20210255644A1 (en) * | 2018-06-11 | 2021-08-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Determining control parameters for formation of multiple uavs |
US11703853B2 (en) * | 2019-12-03 | 2023-07-18 | University-Industry Cooperation Group Of Kyung Hee University | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same |
CN111221352B (zh) * | 2020-03-03 | 2021-01-29 | 中国科学院自动化研究所 | 基于多无人机协同博弈对抗的控制系统 |
CN112558612B (zh) * | 2020-12-15 | 2022-08-30 | 山东省科学院海洋仪器仪表研究所 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
CN113741518B (zh) * | 2021-08-31 | 2024-05-31 | 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 |
CN114527661B (zh) * | 2022-02-23 | 2022-09-20 | 西北工业大学深圳研究院 | 一种用于集群智能系统的协同编队方法 |
CN114661069B (zh) * | 2022-05-25 | 2022-09-06 | 西北工业大学深圳研究院 | 一种群体智能系统的编队控制方法 |
CN114967460B (zh) * | 2022-05-31 | 2023-05-12 | 江南大学 | 时滞非线性多智能体系统的分布式协同控制方法 |
CN114779825B (zh) * | 2022-06-20 | 2022-08-26 | 北京大学 | 基于稀疏采样和信息交互的无人集群编队机动控制方法 |
CN115562037B (zh) * | 2022-11-01 | 2023-04-25 | 江南大学 | 一种非线性多智能体系统控制方法、装置、设备及应用 |
-
2023
- 2023-03-23 CN CN202310287744.5A patent/CN115993842B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900380A (zh) * | 2021-11-17 | 2022-01-07 | 北京航空航天大学 | 一种异构集群系统鲁棒输出编队跟踪控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115993842A (zh) | 2023-04-21 |
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 | |
Yoo et al. | Path optimization for marine vehicles in ocean currents using reinforcement learning | |
CN110658821B (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
CN115993842B (zh) | 一种用于群体智能系统的编队协同控制方法 | |
CN112115550B (zh) | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 | |
CN105635963B (zh) | 多智能体分布式协同定位方法 | |
CN105512769A (zh) | 基于遗传规划的无人机航迹规划系统及方法 | |
CN105159294B (zh) | 针对叉车模糊逻辑运动控制器的设计方法 | |
CN108333949A (zh) | 针对多智能体系统执行器部分失效故障的滑模容错控制方法 | |
CN111142562A (zh) | 基于应力矩阵的混合条件约束下的编队变换控制方法 | |
CN114661069B (zh) | 一种群体智能系统的编队控制方法 | |
CN114527661B (zh) | 一种用于集群智能系统的协同编队方法 | |
CN106647771A (zh) | 多移动机器人的最小步编队方法 | |
CN109947131A (zh) | 一种基于强化学习的多水下机器人编队控制方法 | |
CN109857117B (zh) | 一种基于分布式模式匹配的无人艇集群编队方法 | |
CN112925347B (zh) | 一种基于数据驱动的多无人机滑模编队控制方法 | |
Onuoha et al. | Affine formation algorithms and implementation based on triple-integrator dynamics | |
Fang et al. | Learning decomposed spatial relations for multi-variate time-series modeling | |
Yang et al. | Planar affine formation stabilization via parameter estimations | |
CN104460345B (zh) | 一种智能集群自组织控制仿真系统及方法 | |
CN115993843B (zh) | 一种应用于群体智能系统的最优编队控制方法 | |
CN116700340A (zh) | 轨迹规划方法、装置及无人机集群 | |
CN115268275B (zh) | 基于状态观测器的多智能体系统一致性跟踪方法及系统 | |
CN114721273B (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 | |
CN114861435B (zh) | 有限时间观测器下的多智能体系统一致性滑模控制算法 |
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 |