具有输入量化的高阶MIMO非线性多智能体系统的分布式预定义时间协作控制
《Neurocomputing》:Distributed predefined-time cooperative control for high-order MIMO nonlinear multi-agent systems with input quantization
【字体:
大
中
小
】
时间:2026年04月27日
来源:Neurocomputing 6.5
编辑推荐:
陈龙生|王玉香|江杨|陈静伟|宋伟|苗素霞
南昌航空大学航空宇航学院,中国江西省南昌市330063
**摘要**
本文研究了具有定向通信拓扑、不确定非线性、外部干扰和输入量化的多阶MIMO非线性多智能体系统的分布式预定义时间协作控制问题。为了提高收敛速度并扩展应用场
陈龙生|王玉香|江杨|陈静伟|宋伟|苗素霞
南昌航空大学航空宇航学院,中国江西省南昌市330063
**摘要**
本文研究了具有定向通信拓扑、不确定非线性、外部干扰和输入量化的多阶MIMO非线性多智能体系统的分布式预定义时间协作控制问题。为了提高收敛速度并扩展应用场景,推导出了Lyapunov函数的一个新的充分条件,用于保证预定义时间的稳定性,并为系统设计了一种新的预定义时间递归滑模面。通过结合径向基函数神经网络和非线性干扰观测器,提出了一种新的基于预测器的异构逼近器耦合设计方法,该方法具有更好的学习能力、可解释性和逼近精度,能够在预定义时间内近似不确定性和外部干扰。然后,提出了一种分布式预定义时间协作滑模控制协议,并使用滞后量化器进行量化。该方法确保了所有闭环系统信号的预定义时间稳定性,并且每个智能体输出能够在预定义时间内准确跟踪领导者的输出。仿真结果展示了该方法的有效性。
**引言**
在过去二十年里,多智能体系统(MASs)的分布式协作控制得到了广泛讨论,由于它们与邻居和环境的出色自主交互能力,现已成功应用于许多领域[1]。在大多数实际的多智能体系统中,非线性和外部干扰是不可避免的,这成为协作控制中的一个挑战。研究表明,可以采用异构逼近器(如径向基函数神经网络(RBFNNs)[2]、模糊逻辑系统[3]和非线性干扰观测器(NDOs)[4]的耦合方法来应对这一挑战。目前,已经提出了一些针对不确定多智能体系统的协作协议,利用异构逼近器来保证闭环系统的稳定性和性能[5]、[6]、[7]、[8],但RBFNN逼近的学习能力、可解释性和精度尚未得到充分利用。幸运的是,一些基于预测器的研究旨在提高神经网络逼近的学习能力、可解释性和精度,以便参与神经网络权重的调整。例如,在[4]、[9]、[10]、[11]中提出了一类针对单输入单输出(SISO)非线性系统的基于预测器的学习控制方案,通过引入预测误差来提高学习能力、可解释性和逼近精度。然而,这些研究没有考虑多智能体系统的协作性和收敛时间问题。
有限时间控制比传统的无限时间控制具有更好的收敛时间和控制精度,因此在多智能体控制系统中得到了广泛应用[5]、[12]、[13]、[14]。众所周知,滑模控制(SMC)是处理不确定非线性系统的有效工具。尽管SMC已广泛应用于不同领域,并且也开发了一些典型的有限时间控制理论(如终端SMC[15]、[16]、非奇异终端SMC[17]、[18]和快速终端SMC[19]),但系统在有限时间内的收敛时间受到初始条件和控制参数的严重影响。针对有限时间的初始条件约束,首先提出了固定时间解决方案[20]。随后,文献中探索了一些适用于多智能体的固定时间控制方案[21]、[22]、[23]、[24]、[25]、[26]。然而,由于系统参数的复杂性,仍然难以预先设定收敛时间的最小界限,且无法自主设置收敛时间的上限。为了进一步提高固定时间的稳定性性能,创造性地提出了预定义时间稳定性定理[27]、[28]、[29]、[30]、[31]、[32]、[33]、[34]、[35]、[36]。预定义时间控制在非线性系统控制领域得到了快速发展,因为它可以根据实际需求预先设定收敛时间。对于具有正定Lyapunov函数的系统,预定义时间稳定性的充分条件可以分为三类:(1) Lyapunov函数满足[30]、[31]、[32];(2) Lyapunov函数满足[33];(3) Lyapunov函数满足[34]、[35]、[36],其中α和β是由用户选择的常数。由于指数项的存在,[33]中的充分条件比[28]、[29]、[30]、[31]、[32]具有更好的收敛性能,但不太适用于具有完全未知非线性的实际系统。尽管[34]、[35]、[36]中的充分条件可以直接应用于此类实际系统,但其收敛性能不如[33]。上述研究的一个主要局限性是,这些进展只能应用于SISO形式或一/二阶多输入多输出(MIMO)形式的多智能体系统。
另一方面,需要注意的是,多智能体系统中的网络资源是有限的。传统的基于时间触发的SMC方法可能会由于传输数据量大而导致网络拥塞[6]、[37]、[38],并且在大多数实际系统中不可避免地会出现串扰现象。幸运的是,量化控制可以有效抑制串扰并同时减轻网络负载。量化控制通过将连续或高分辨率信号转换为低分辨率信号,减少了每次传输的数据量。已经有多种量化器应用于多智能体系统,包括均匀量化器[39]、[40]、滞后量化器[28]、[29]、[41]、[42]、对数量化器[43]、[44]。其中,滞后量化器由于其在抑制串扰和减少通信方面的更好性能而被广泛使用。基于上述讨论,本文试图解决具有外部干扰、未知非线性和通信限制的高阶MIMO非线性多智能体系统的新的实际预定义时间稳定性和SMC方法问题。主要贡献如下:
(1) 根据预定义时间稳定性的定义,构建了Lyapunov函数的新充分条件,并为高阶MIMO非线性多智能体系统设计了一种新的预定义时间递归滑模面。这些新定理不仅比[28]、[29]、[30]、[31]、[32]、[34]、[35]、[36]具有更好的收敛性能,而且由于它们可以直接应用于具有未知非线性的系统,因此应用场景也比[33]更广泛。
(2) 引入了基于预测器的异构逼近器(即RBFNN、NDO和状态预测器)的耦合设计,以彻底近似多智能体的不确定性和复合干扰。在这种设计中,构建了预测误差来更新异构逼近器,从而提高了神经网络逼近的学习能力、可解释性和精度。
(3) 基于预定义时间递归滑模面和基于预测器的异构逼近器,设计了一种分布式协作预定义时间SMC协议,并使用了滞后量化器。它不仅可以保证预定义时间的稳定性,还可以降低通信速率和串扰现象。
(4) 尽管已经研究了将RBFNNs、NDOs和观测器耦合在一起的协作设计在SISO、MIMO非线性系统和多智能体系统中的应用,但据我们所知,这是首次针对具有不确定非线性、外部干扰和输入量化的多智能体系统(特别是高阶MIMO非线性多智能体系统)提出RBFNN、NDO和状态预测器的预定义时间稳定复合设计。
**本文结构**
第2节介绍问题表述和初步理论。第3节开发了一种新的预定义时间滑模控制协议。第4节提供了严格的稳定性分析。第5节通过仿真实验验证了所提出控制方案的有效性。第6节给出了结论和未来工作方向。
**符号说明**
在本文中,×表示集合;⊙表示克罗内克积;||表示向量的欧几里得范数;××表示向量x和y的点积;λmin、λsig和λmax分别表示向量x和y的最小特征值、最小奇异值和最大特征值;I表示n×n的单位矩阵;Δ表示列向量;Λ表示对角矩阵;R表示实数集。
**问题表述**
假设有多个智能体,其中n代表跟随者(标记为1至n)和一个领导者(标记为0)。第i个智能体可以描述为以下高阶MIMO非线性系统:
\[x_i(t) = f_i(A_ix_i(t) + u_i(t))\]
其中,\(x_i\)是第i个智能体的状态向量,\(y_i\)是输出向量,\(u_i(t)\)是输入向量;\(f_i\)是未知的非线性函数,\(A_i\)是已知的控制增益矩阵,\(w_i\)是未知的外部干扰。
智能体之间的通信拓扑可以用有向图表示。
**新型预定义时间滑模控制协议设计**
本节的主要结果分为几个部分进行讨论:
(1) 为预定义时间稳定性构建了Lyapunov函数的新充分条件;
(2) 为高阶MIMO多智能体系统设计了新的预定义时间递归滑模面;
(3) 开发了一种新的基于预测器的异构逼近器耦合设计,以全面近似高阶MIMO多智能体的不确定性和复合干扰。
**稳定性分析**
所提出的分布式协作量化控制协议的主要结果可以简洁地总结在以下定理中:
**定理3**
考虑受不确定非线性和外部干扰影响的高阶MIMO非线性多智能体系统(1),使用控制协议(24)、递归预定义时间滑模面(13)、NDO(20)、RBFNN(21)和预测器(19),则每个智能体输出信号可以跟踪虚拟领导者的输出信号,且跟踪误差趋于一个小的邻域内收敛。
**仿真验证**
在本小节中,通过四旋翼无人机编队飞行实验系统展示了所提出协议的有效性,该系统由四个跟随者和一个虚拟领导者组成(分别标记为1至4和0)。虚拟领导者的输出信号为\(y_v(t)\)。通信拓扑图和相应的矩阵分别如图1所示。
根据牛顿定理,四旋翼姿态动力学模型可以表示为:
\[q_i(t) = A_i\.dot(q_{i-1}(t) + u_i(t)\]
其中,\(q_i\)是第i个四旋翼的速度向量,\(A_i\)是系统的姿态矩阵。
**结论**
本文提出了一种新的Lyapunov函数充分条件,用于保证预定义时间的稳定性,以及一种新的基于预测器的异构逼近器耦合设计方法,适用于具有完全未知非线性和干扰的高阶MIMO系统。基于上述定理,提出了一种新的分布式预定义时间协作SMC协议,用于这类系统。
**作者贡献声明**
陈龙生:撰写——审稿与编辑、撰写——原始草稿、监督、软件开发;
王玉香:撰写——原始草稿、软件开发;
江杨:监督;
陈静伟:方法论;
宋伟:软件开发;
苗素霞:方法论。
**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
**致谢**
本研究得到了中国国家自然科学基金(62563028, 62263024)和江西省自然科学基金(20232ACB202007, 20252BAC200193, 20252BAC240190)的支持。
陈龙生于2006年获得南昌航空大学自动控制工程学士学位,2009年获得南京航空航天大学自动控制工程硕士学位,2024年获得华东交通大学自动控制工程博士学位。他目前担任南昌航空大学航空宇航学院的副教授。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号