CN116256970A - 一种基于扰动观测器的数据驱动云边协同控制方法及系统 - Google Patents

一种基于扰动观测器的数据驱动云边协同控制方法及系统 Download PDF

Info

Publication number
CN116256970A
CN116256970A CN202211093134.3A CN202211093134A CN116256970A CN 116256970 A CN116256970 A CN 116256970A CN 202211093134 A CN202211093134 A CN 202211093134A CN 116256970 A CN116256970 A CN 116256970A
Authority
CN
China
Prior art keywords
cloud
control
edge
input data
controlled object
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.)
Pending
Application number
CN202211093134.3A
Other languages
English (en)
Inventor
夏元清
高润泽
李启闻
詹玉峰
翟弟华
戴荔
孙中奇
吴楚格
张金会
闫莉萍
刘坤
郭泽华
崔冰
邹伟东
杨辰
张元�
高寒
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211093134.3A priority Critical patent/CN116256970A/zh
Publication of CN116256970A publication Critical patent/CN116256970A/zh
Pending legal-status Critical Current

Links

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

本发明公开了一种基于扰动观测器的数据驱动云边协同控制方法及系统，通过在边缘系统中估计云控制系统中控制过程的总扰动，并以总扰动对云控制变量进行补偿后形成云边复合控制量，采用精确抗扰的云边复合控制量实现对被控对象的控制，消除了现有存在的由云端计算误差、云边通信时延等因素导致的扰动，提升了边缘系统计算资源的利用率，提高了数据驱动预测云控制系统的控制品质。

Description

一种基于扰动观测器的数据驱动云边协同控制方法及系统
技术领域
本发明属于自动控制技术领域，具体涉及一种基于扰动观测器的数据驱动云边协同控制方法及系统。
背景技术
信息技术的发展催生了许多科技理论成果，为人熟知的就有云计算、物联网、网络化控制及信息物理系统等。传统控制系统处理能力弱，智能程度低，而现实也要求控制系统具有更加强大、更加智能的功能，同时需要拥有更好的信息交互能力。目前控制系统的复杂度、规模都在增大，对存储、计算也有更高的要求，立足于云计算、物联网和网络化控制等理论技术的发展，云控制的概念被提出，但如何实现云平台、边缘系统和物理系统的相互协同(简称“云边协同”)，达到制造系统的整体优化，从而高效、安全、高质量地完成制造全生命周期的各项活动和任务，是智能制造系统面临的重大挑战。近年来，智能制造系统中的云边协同问题受到产业界和学术界的关注。
目前，提出了数据驱动预测云控制，结合云计算与网络化控制的优势，利用物联网和信息物理系统能够建立复杂的、强大的智能控制系统，该智能控制系统仅依赖于历史输入输出数据，不需预先建立被控对象的数学模型，即可产生最优的预测控制序列。数据驱动预测控制作为一种控制算法，适用于各领域的被控对象，包括无人车、无人机、空调、电力等多种系统。以无人车控制为例，将无人车的位置、速度作为输出信号，将加速度作为控制输入信号，即可对无人车进行控制。对其他被控对象来说，根据其物理特性，都可以通过施加特定的控制输入信号，产生相应的输出信号，实现预期的控制效果。
然而，现有的数据驱动预测云控制系统缺少与边缘系统的协同交互。特别是在云端存在计算误差、云边存在通信时延的情况下，对边缘节点的控制品质将产生较大影响。
发明内容
有鉴于此，本发明提供了一种基于扰动观测器的数据驱动云边协同控制方法及系统，实现了云平台与边缘系统对物理系统的协同控制。
本发明提供的一种基于扰动观测器的数据驱动云边协同控制方法，包括以下步骤：
步骤1、在采样时刻k，边缘被控节点将被控对象的输入数据及其产生的输出数据同时发送至云端控制平台；
步骤2、云端控制平台根据接收到的被控对象的输入数据及输出数据生成云控制变量；
步骤3、云端控制平台将云端参数及云控制变量发送至边缘被控节点；
步骤4、当采样时刻k不大于输入数据Hankel矩阵的最大行数时，边缘被控节点将云控制变量作为新的输入数据发送至被控对象；当采样时刻k大于输入数据Hankel矩阵的最大行数时，边缘被控节点对云端参数、云控制变量、输入数据及输出数据进行补偿处理得到云边复合控制变量，再将云边复合控制变量作为新的输入数据发送至被控对象；
步骤5、若k小于阈值，则令k自加1，执行步骤1；若k不小于阈值，则结束流程。
进一步地，所述步骤2中云端控制平台根据接收到的被控对象的输入数据及输出数据生成云控制变量，包括以下步骤：
步骤2.1、采用公式(1)计算云端控制器的控制率参数Lw和Lu：
Figure SMS_1
其中，Vp为中间变量记为
Figure SMS_2
Wp为中间变量记为Wp＝[Up,Yp]，Yp为被控对象过去时段的输出数据的Hankel矩阵，Up为被控对象过去时段的输入数据，/>
Figure SMS_3
为Vp的Moore-Penrose广义逆矩阵；
步骤2.2、采用公式(2)计算预测控制序列uf(k)：
Figure SMS_4
其中，
Figure SMS_5
为控制率参数Lu的转置。
步骤2.3、将预测控制序列uf(k)的第一项作为云控制变量ucloud(k)。
进一步地，所述步骤4中当采样时刻k大于输入数据Hankel矩阵的最大行数时，边缘被控节点对云端参数、云控制变量、输入数据及输出数据进行补偿处理得到云边复合控制变量，包括以下步骤：
步骤4.1、采用扰动观测器根据云端参数估计得到控制总扰动
Figure SMS_6
如公式(3)所示：
Figure SMS_7
其中，P(k)为辅助变量，L为观测器增益系数，ai为云端参数Lw的第一块行中的向量，bi为云端参数Lw的第一块行中的向量，b为云端参数Lu的第一个块行，i为参数编号且满足1≤i≤N；
步骤4.2、根据控制总扰动及云控制变量，采用公式(4)计算得到云边复合控制变量u(k)：
Figure SMS_8
其中，ucom(k)为控制总扰动的补偿控制量。
本发明提供的一种基于扰动观测器的数据驱动云边协同控制系统，包括云端控制单元、控制调度单元、扰动观测单元、总扰动补偿单元和被控对象；
其中，所述云端控制单元部署在云平台中，用于根据被控对象的输入数据和输出数据计算出云控制变量和云端参数；云控制变量用于实现对被控对象的控制，云端参数作为扰动观测单元的输入；
所述控制调度单元部署在边缘系统中，用于设置采样时刻，在采样时刻将被控对象的输入数据和输出数据发送至云端控制单元，当采样时刻小于或等于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云控制变量作为被控对象的输入数据发送给被控对象；当采样时刻大于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云端参数输入扰动观测单元、将云控制变量输入总扰动补偿单元；将从总扰动补偿单元得到的云边复合控制变量作为输入数据发送给被控对象；
所述扰动观测单元部署在边缘系统中，用于根据云端控制单元输出的云端参数计算得到控制总扰动，将控制总扰动发送到总扰动补偿单元；
所述总扰动补偿单元部署在边缘系统中，用于采用扰动观测单元输出的控制总扰动对云端控制单元输出的云控制变量进行补偿处理得到云边复合控制变量，将云边复合控制变量发送到控制调度单元；
所述被控对象部署在物理系统中，用于根据控制调度单元输出的输入数据执行操作并产生输出数据。
有益效果：
本发明通过在边缘系统中估计云控制系统中控制过程的总扰动，并以总扰动对云控制变量进行补偿后形成云边复合控制量，采用精确抗扰的云边复合控制量实现对被控对象的控制，消除了现有存在的由云端计算误差、云边通信时延等因素导致的扰动，提升了边缘系统计算资源的利用率，提高了数据驱动预测云控制系统的控制品质。
附图说明
图1为本发明提供的一种基于扰动观测器的数据驱动云边协同控制系统的结构图。
具体实施方式
下面列举实施例，对本发明进行详细描述。
为了更好的理解本发明提供的技术方案，下面给出本发明所涉及的相关概念的具体说明。本发明中采用了Hankel矩阵，Hankel矩阵的形式如下式所示：
Figure SMS_9
Figure SMS_10
其中，U为被控对象的输入数据，下标p和f分别表示过去时刻和未来时刻，即Up为被控对象过去时刻的输入数据，Uf为被控对象未来时刻的输入数据；N、j均为规模参数，即分别表示Hankel矩阵的行和列。本发明中，被控对象包括但不限于无人车、无人机、空调、电力等多种系统。
定义中间变量Wp表示为Wp＝[Up,Yp]，其中，Yp为被控对象过去时刻的输出数据的Hankel矩阵。
定义
Figure SMS_11
Wp表示Yf的行空间沿着Uf的行空间投向Wp的行空间的投影，其中，Yf为被控对象的输出数据的未来时刻的Hankel矩阵。
定义采样时刻k的被控对象的输入输出矩阵的列向量及中间变量如下所示：
Figure SMS_12
Figure SMS_13
Figure SMS_14
本发明提供了一种基于扰动观测器的数据驱动云边协同控制方法及系统，其基本思想是：通过在云端进行控制量的计算、在边缘系统观测补偿总扰动的方式，通过云端控制平台、边缘被控节点与被控对象的数据交互实现云端控制平台对被控对象的控制，其中，边缘被控节点用于将云端控制平台输出的云控制变量及云端参数和被控对象产生的输出数据进行补偿处理后作为输入数据发送给被控对象，再将被控对象的输出数据及输入数据反馈给云端控制平台，从而实现云平台、边缘系统和物理系统间的协同控制。
本发明提供了一种基于扰动观测器的数据驱动云边协同控制方法，具体步骤如下：
步骤1、在采样时刻k，边缘被控节点将被控对象的输入数据及其产生的输出数据同时发送至云端控制平台。
此外，为了便于后续的数据处理，边缘被控节点还将被控对象的输入数据及其产生的输出数据保存在边缘系统的数据缓存中。
步骤2、云端控制平台根据接收到的被控对象的输入数据及输出数据生成云控制变量，具体包括以下步骤：
步骤2.1、采用公式(1)计算云端控制器的控制率参数Lw和Lu：
Figure SMS_15
其中，Vp为中间变量记为
Figure SMS_16
Wp为中间变量记为Wp＝[Up,Yp]，Yp为被控对象过去时段的输出数据的Hankel矩阵，Up为被控对象过去时段的输入数据，/>
Figure SMS_17
为Vp的Moore-Penrose广义逆矩阵。
步骤2.2、采用公式(2)计算预测控制序列uf(k)：
Figure SMS_18
/>
其中，
Figure SMS_19
为控制率参数Lu的转置。
步骤2.3、将预测控制序列uf(k)的第一项作为云控制变量ucloud(k)。
步骤3、云端控制平台将云端参数及云控制变量发送至边缘被控节点。
步骤4、边缘被控节点根据情况确定被控对象的新的输入数据，当采样时刻k小于或等于输入数据Hankel矩阵的最大行数时，将云控制变量作为被控对象的新的输入数据；当采样时刻k大于输入数据Hankel矩阵的最大行数时，则对接收到的云端参数及云控制变量，及步骤1中保存的被控对象的输入数据及输出数据进行补偿处理后得到云边复合控制变量，将云边复合控制变量作为被控对象的新的输入数据，再将新的输入数据发送至被控对象。
边缘被控节点的处理过程，包括以下步骤：
步骤4.1、如果k小于或等于N，则将云控制变量ucloud(k)作为输入数据发送至被控对象，执行步骤5；如果k大于N，则执行步骤4.2。其中，N为被控对象输入数据的Hankel矩阵的最大行数。
步骤4.2、采用扰动观测器根据云端参数估计得到控制总扰动
Figure SMS_20
扰动观测器如公式(3)所示：
Figure SMS_21
其中，P(k)为辅助变量，L为观测器增益系数，ai为云端参数Lw的第一块行中的向量，bi为云端参数Lw的第一块行中的向量，b为云端参数Lu的第一个块行，i为参数编号且满足1≤i≤N，本发明中块行是指由多行数据组成的数据块。
步骤4.3、根据控制总扰动及云控制变量，采用公式(4)计算得到云边复合控制变量u(k)：
Figure SMS_22
其中，ucom(k)为控制总扰动的补偿控制量。
步骤4.4、云边复合控制变量u(k)作为输入数据发送至被控对象。
步骤5、若k小于阈值，则令k自加1，执行步骤1；若k不小于阈值，则结束本流程。其中，根据对被控对象的实际控制需要设定阈值的取值大小，即阈值越大控制时间越长。
本发明提供了一种基于扰动观测器的数据驱动云边协同控制系统，包括云端控制单元、控制调度单元、扰动观测单元、总扰动补偿单元和被控对象。
其中，云端控制单元，部署在云平台中，用于根据被控对象的输入数据和输出数据计算出云控制变量和云端参数；云控制变量用于实现对被控对象的控制，云端参数作为扰动观测单元的输入。
控制调度单元，部署在边缘系统中，用于设置采样时刻，在采样时刻将被控对象的输入数据和输出数据发送至云端控制单元，当采样时刻小于或等于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云控制变量作为被控对象的输入数据发送给被控对象；当采样时刻大于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云端参数输入扰动观测单元、将云控制变量输入总扰动补偿单元；将从总扰动补偿单元得到的云边复合控制变量作为输入数据发送给被控对象。
扰动观测单元，部署在边缘系统中，用于根据云端控制单元输出的云端参数计算得到控制总扰动，将控制总扰动发送到总扰动补偿单元。
总扰动补偿单元，部署在边缘系统中，用于采用扰动观测单元输出的控制总扰动对云端控制单元输出的云控制变量进行补偿处理得到云边复合控制变量，将云边复合控制变量发送到控制调度单元。
被控对象，部署在物理系统中，用于根据控制调度单元输出的输入数据执行操作并产生输出数据。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于扰动观测器的数据驱动云边协同控制方法，其特征在于，包括以下步骤：
步骤1、在采样时刻k，边缘被控节点将被控对象的输入数据及其产生的输出数据同时发送至云端控制平台；
步骤2、云端控制平台根据接收到的被控对象的输入数据及输出数据生成云控制变量；
步骤3、云端控制平台将云端参数及云控制变量发送至边缘被控节点；
步骤4、当采样时刻k不大于输入数据Hankel矩阵的最大行数时，边缘被控节点将云控制变量作为新的输入数据发送至被控对象；当采样时刻k大于输入数据Hankel矩阵的最大行数时，边缘被控节点对云端参数、云控制变量、输入数据及输出数据进行补偿处理得到云边复合控制变量，再将云边复合控制变量作为新的输入数据发送至被控对象；
步骤5、若k小于阈值，则令k自加1，执行步骤1；若k不小于阈值，则结束流程。
2.根据权利要求1所述的数据驱动云边协同控制方法，其特征在于，所述步骤2中云端控制平台根据接收到的被控对象的输入数据及输出数据生成云控制变量，包括以下步骤：
步骤2.1、采用公式(1)计算云端控制器的控制率参数Lw和Lu：
Figure FDA0003837821380000011
其中，Vp为中间变量记为
Figure FDA0003837821380000012
Wp为中间变量记为Wp＝[Up,Yp]，Yp为被控对象过去时段的输出数据的Hankel矩阵，Up为被控对象过去时段的输入数据，/>
Figure FDA0003837821380000013
为Vp的Moore-Penrose广义逆矩阵；
步骤2.2、采用公式(2)计算预测控制序列uf(k)：
Figure FDA0003837821380000021
其中，
Figure FDA0003837821380000022
为控制率参数Lu的转置。
步骤2.3、将预测控制序列uf(k)的第一项作为云控制变量ucloud(k)。
3.根据权利要求1所述的数据驱动云边协同控制方法，其特征在于，所述步骤4中当采样时刻k大于输入数据Hankel矩阵的最大行数时，边缘被控节点对云端参数、云控制变量、输入数据及输出数据进行补偿处理得到云边复合控制变量，包括以下步骤：
步骤4.1、采用扰动观测器根据云端参数估计得到控制总扰动
Figure FDA0003837821380000023
如公式(3)所示：
Figure FDA0003837821380000024
其中，P(k)为辅助变量，L为观测器增益系数，ai为云端参数Lw的第一块行中的向量，bi为云端参数Lw的第一块行中的向量，b为云端参数Lu的第一个块行，i为参数编号且满足1≤i≤N；
步骤4.2、根据控制总扰动及云控制变量，采用公式(4)计算得到云边复合控制变量u(k)：
Figure FDA0003837821380000025
其中，ucom(k)为控制总扰动的补偿控制量。
4.一种基于扰动观测器的数据驱动云边协同控制系统，其特征在于，包括云端控制单元、控制调度单元、扰动观测单元、总扰动补偿单元和被控对象；
其中，所述云端控制单元部署在云平台中，用于根据被控对象的输入数据和输出数据计算出云控制变量和云端参数；云控制变量用于实现对被控对象的控制，云端参数作为扰动观测单元的输入；
所述控制调度单元部署在边缘系统中，用于设置采样时刻，在采样时刻将被控对象的输入数据和输出数据发送至云端控制单元，当采样时刻小于或等于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云控制变量作为被控对象的输入数据发送给被控对象；当采样时刻大于输入数据的Hankel矩阵的最大行数时，将云端控制单元输出的云端参数输入扰动观测单元、将云控制变量输入总扰动补偿单元；将从总扰动补偿单元得到的云边复合控制变量作为输入数据发送给被控对象；
所述扰动观测单元部署在边缘系统中，用于根据云端控制单元输出的云端参数计算得到控制总扰动，将控制总扰动发送到总扰动补偿单元；
所述总扰动补偿单元部署在边缘系统中，用于采用扰动观测单元输出的控制总扰动对云端控制单元输出的云控制变量进行补偿处理得到云边复合控制变量，将云边复合控制变量发送到控制调度单元；
所述被控对象部署在物理系统中，用于根据控制调度单元输出的输入数据执行操作并产生输出数据。
CN202211093134.3A 2022-09-08 2022-09-08 一种基于扰动观测器的数据驱动云边协同控制方法及系统 Pending CN116256970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211093134.3A CN116256970A (zh) 2022-09-08 2022-09-08 一种基于扰动观测器的数据驱动云边协同控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211093134.3A CN116256970A (zh) 2022-09-08 2022-09-08 一种基于扰动观测器的数据驱动云边协同控制方法及系统

Publications (1)

Publication Number Publication Date
CN116256970A true CN116256970A (zh) 2023-06-13

Family

ID=86679840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211093134.3A Pending CN116256970A (zh) 2022-09-08 2022-09-08 一种基于扰动观测器的数据驱动云边协同控制方法及系统

Country Status (1)

Country Link
CN (1) CN116256970A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117234089A (zh) * 2023-11-10 2023-12-15 成都铂升科技有限公司 基于干扰观测器的无人机执行器时滞动态补偿控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117234089A (zh) * 2023-11-10 2023-12-15 成都铂升科技有限公司 基于干扰观测器的无人机执行器时滞动态补偿控制方法
CN117234089B (zh) * 2023-11-10 2024-01-23 成都铂升科技有限公司 基于干扰观测器的无人机执行器时滞动态补偿控制方法

Similar Documents

Publication Publication Date Title
CN113537514A (zh) 一种高能效的基于数字孪生的联邦学习框架
CN110347181B (zh) 基于能耗的无人机分布式编队控制方法
CN111553118B (zh) 基于强化学习的多维连续型优化变量全局优化方法
CN109144099B (zh) 基于卷积神经网络的无人机群行动方案快速评估方法
CN116256970A (zh) 一种基于扰动观测器的数据驱动云边协同控制方法及系统
CN113176732A (zh) 一种非线性随机多智能体系统固定时间一致控制方法
CN114779645B (zh) 一种有向固定通信拓扑下胸鳍拍动式机器鱼编队控制方法
CN111439392B (zh) 一种航天器编队位置协同控制方法
CN114154688A (zh) 光伏电站的短期功率预测方法
CN110456790B (zh) 基于自适应权重的智能网联电动汽车队列优化控制方法
CN114564044B (zh) 一种输入限幅事件触发的无人机有限时间编队控制方法
Wang et al. A new analysis tool for attitude synchronization of multiple spacecraft with communication delays
CN114019860B (zh) 一种多智能体自触发dmpc控制方法和系统
CN113093739B (zh) 一种多无人艇编队避碰的优化控制器及其结构、设计方法
CN111562740B (zh) 基于利用梯度的多目标强化学习算法的自动控制方法
CN111897217B (zh) 一种模型预测控制器的时域分解加速方法
AU2021240175A1 (en) Model learning apparatus, control apparatus, model learning method and computer program
CN113848712B (zh) 一种基于云的多移动机器人输出一致性控制系统
CN112379688B (zh) 一种基于膜计算的多机器人有限时间同步控制方法
Boin et al. AVDDPG: Federated reinforcement learning applied to autonomous platoon control
CN117076134B (zh) 基于人工智能的无人机状态数据处理方法及系统
CN115562261B (zh) 一种基于工作流的车辆运动学轨迹跟踪模型预测控制方法
CN116954266B (zh) 一种通信约束的无人机编队鲁棒控制方法及系统
CN116414037B (zh) 一种用于集群系统约束控制的自适应装置
CN116974195A (zh) 一种异构无人集群系统的强化学习最优输出跟踪控制方法

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