基于模糊脉冲神经网络的非线性无人机系统神经自适应协同控制

《Connection Science》：Fuzzy spiking neural network-based neuroadaptive cooperative control for nonlinear UAV systems

　　

在多智能体系统中实现可靠的协同控制常常受到复杂环境干扰（如风场）的阻碍，这些干扰同时影响整个群体。为了解决这一问题，研究人员提出了一种资源高效的协同控制框架，使智能体能够协同学习和消除这些共享不确定性。与传统的静态神经网络相比，研究人员引入了一种生物启发式混合逼近器，它协同了模糊逻辑的可解释性和脉冲神经元（spiking neurons, SN）的时间处理能力。该架构专门设计用于比传统方法更有效地捕获时变气动干扰。为了促进协作，该框架采用了一种分布式估计器，融合网络中的局部数据，允许智能体构建统一的环境模型。该框架使用事件触发通信策略实现，该策略可证明排除Zeno行为并显著降低网络负载。仿真结果验证了该方法，表明与不协同的基线相比，该方法将稳态一致性误差降低了一个数量级，并且相对于时间触发方案，通信频率降低了80%以上，同时确保了严格的稳定性。

**论文解读：基于模糊脉冲神经网络的非线性无人机系统神经自适应协同控制**

**研究背景与问题**

多智能体系统（MAS）的协同控制，尤其是无人机（UAV）集群的协调飞行，在监视、运输和环境监测等领域具有变革性潜力。然而，实现鲁棒协同控制面临两大挑战：一是复杂动态环境中的不确定性，如湍流风场、阵风和未建模气动效应，这些干扰具有时变、难以建模的特点，易导致编队失真和跟踪性能下降；二是干扰通常具有部分共享结构——共同环境干扰影响所有智能体，而局部因素（如电机磨损、载荷差异）则各自独立。现有研究多采用静态函数逼近器（如径向基函数神经网络RBFNN和模糊逻辑系统FLS）补偿未知非线性，但这些静态映射器缺乏内部记忆，难以高效建模气动干扰的复杂时间动态，需要过多参数或高自适应增益。同时，大规模UAV集群中的带宽和能量约束催生了事件触发控制（ETC），但将其与分布式学习结合时，会引入异步采样、触发扰动和Zeno行为等耦合问题。此外，针对共享干扰的协同学习，缺乏将局部信息融合为网络平均的分布式估计器，而动态平均一致性（DAC）虽提供基础工具，但其估计误差与自适应逼近误差及事件触发动态的相互作用尚需统一分析。

**研究内容与结论**

为此，论文提出了一种新颖的神经自适应协同控制框架，直接应对：（i）UAV集群中具有时间结构的共享/局部不确定性；（ii）有限通信下共享干扰的分布式学习；（iii）事件触发更新下的严格稳定性。研究人员引入了一种混合逼近器——模糊脉冲神经网络（Fuzzy Spiking Neural Network, FSNN），并将其嵌入分布式事件触发架构中。FSNN协同了Takagi–Sugeno（T–S）模糊系统的空间划分可解释性与漏积分点火（LIF）脉冲神经元的内部时间动力学，通过突触滤波产生丰富的时域基函数，从而更有效地近似时变气动现象。为协同学习共享不确定性，采用DAC估计器（Zhao & Ding, 2018; Zhu et al., 2013）融合网络中的局部学习统计量。最后，设计事件触发通信策略，在显著降低网络负载的同时，可证明排除Zeno行为，并通过统一Lyapunov框架分析整个闭环系统。仿真结果表明，与不协同基线相比，该方法将稳态一致性误差降低一个数量级，通信频率相对于时间触发方案降低80%以上，同时保证严格稳定性。论文发表在《Connection Science》。

**主要技术方法**

研究人员采用以下关键技术方法：1）**FSNN架构**：由T–S模糊前件（高斯隶属函数）和LIF微电路后件构成，形成线性参数化模型，输出为权重矩阵与回归向量乘积；回归向量由模糊规则激活强度与突触滤波后的脉冲序列拼接而成。2）**分布式估计**：基于无导数DAC滤波器，每个智能体计算局部信息矩阵 \(Z_{c,i} = \varphi_{c,i} r_i^T\)，并通过邻居通信估计网络平均值 \(\bar{Z}_c\)。3）**事件触发通信**：状态依赖阈值 \(\|\eta_i(t)\| \geq \alpha_T \|\varepsilon_i(t)\| + \beta_T\)，其中 \(\alpha_T \in [0,1)\)，\(\beta_T > 0\)，确保正的最小事件间隔。4）**自适应律**：对共享和局部权重分别采用投影算子与\(\sigma\)-修正，保证参数有界。5）**稳定性分析**：通过复合Lyapunov函数证明所有信号的一致最终有界性（UUB）。仿真采用6架跟随者UAV（6自由刚体动力学），领导者设定螺旋轨迹，通信拓扑为环形，两个跟随者直接与领导者连接。

**研究结果**

1. **协同学习的影响**：与不协同的局部FSNN基线相比，FSNN+DAC方法将稳态一致性误差降低一个数量级。这归因于DAC估计器的“池化效应”——平均网络中的局部梯度，使智能体利用整个集群的空间多样性，更快更准确地学习全局共享动态。

2. **FSNN逼近器的有效性**：仿真显示FSNN能准确跟踪共享干扰的时变轮廓（图4），逼近误差范数快速衰减。LIF微电路产生的内部时间基函数使网络能自然匹配气动干扰的时间动态，残差误差低于静态RBF网络。

3. **事件触发通信的效率**：在25秒仿真时间内，标准20 Hz时间触发系统需500次传输，而事件触发智能体平均少于100次，降低超过80%。量测误差范数在广播间增长，仅在阈值触发时重置，有效平衡了通信负载与控制精度。

4. **稳定性验证**：所有智能体的滤波误差\(r_i\)单调快速衰减，符合UUB理论结果。FSNN内部动态（图6、图7）展示了单规则微电路的脉冲发放模式及模糊调制基函数的加权合成过程，验证了架构的核心概念。

**总结与讨论**

论文讨论部分指出，所提框架在性能、控制努力、通信负载和计算复杂度之间提供了明确的设计权衡。研究结论翻译如下：本研究开发了一个综合框架，用于应对面临复杂部分共享不确定性的非线性UAV的协同控制。研究人员引入了模糊脉冲神经网络（FSNN），成功融合了模糊逻辑与脉冲神经系统以逼近动态干扰。通过将该逼近器与动态平均一致性及事件触发通信集成到分布式架构中，展示了高性能跟踪和保证的稳定性。复合Lyapunov分析建立了系统的一致最终有界性，而仿真证实了与标准基线相比，在跟踪误差和通信开销上均有显著降低。基于这些发现，建议未来研究方向包括：研究切换通信拓扑以增强鲁棒性；开发针对DAC估计器的对抗性数据注入攻击防御机制；探索固定时间稳定性理论以提供独立于初始条件的收敛时间保证。