[发明专利]随机试验长度下离散多智能体系统迭代学习编队控制方法

说明书

本发明属于多无人机或者多机器人系统的编队任务领域，特别涉及一种随机试验长度下离散多智能体系统迭代学习编队控制方法，包括步骤：将多智能体协调追踪的状态误差问题转化为追踪误差在一定时间段内稳定性控制问题；设计分布式P型迭代学习控制器；利用λ范数对设计的分布式P型迭代学习控制器在初始状态精确重置和初始状态随机变换下的收敛性进行分析，并求解增益矩阵；对两种情况下的收敛性分析证明进行仿真验证。本发明通过定义与给定编队队形有关的修正状态误差，放松了每次迭代试验长度一致的条件，与单个智能体的现有结果相比，本发明在计算增益矩阵时也更为方便。

技术领域

本发明属于多无人机或者多机器人系统的编队任务领域，特别涉及一种随机试验长度下离散多智能体系统迭代学习编队控制方法。

背景技术

在工业领域中，当一组车辆或移动机器人协作以给定的形式重复运输非常大且重的物体时，它们必须在整个运输过程中(从规定的起始位置到指定位置)保持所需的队形。目前可以通过应用迭代学习控制(ILC)方法解决上述在整个运动过程中都需要维持编队队形的问题。

在最近的研究中，Z.Chun等人(见“Adaptive learning tracking for robotmanipulators with varying trial lengths,”J.Franklin Inst.Eng.Appl.Math.,vol.356,no.12,pp.5993–6014,2019)考虑了机器人操纵器系统的自适应学习控制，其中操作长度随迭代次数的不同而随机变化。R.W.Longman and K.D.Mombaur(见“Investigatingthe use of iterative learning control and repetitive control to implementperiodic gaits,”Lecture Notes Control Inform.Sci.,vol.340,pp.189--218,2006)将ILC策略应用于人形机器人和两足动物步行机器人，在学习过程中，每次迭代周期的时长通常都不相同。由于复杂的因素和未知的动力学因素，单个智能体(例如移动机器人)的学习过程无法保证每次迭代的试验时间相同。而在先前的机器人编队研究中，要求对于所有迭代，每个机器人的运行时间必须是固定的。事实上，如果一个机器人在给定的终端时间之前结束其当前的学习试验，那么整个网络系统的迭代过程将停止，以确保在多个机器人之间始终保持给定的编队结构。因此，将迭代学习方法用于多智能体系统的协同控制时，每次迭代的实际试验长度可能会随机变化。

D.Shen等人(见“Iterative learning control for discrete nonlinearsystems with randomly iteration varying lengths,”Syst.Contr.Lett.,vol.96,pp.81–87,2016)和L.Wang等人(见“Sampled-data iterative learning control forcontinuous-time nonlinear systems with iteration-varying lengths,”Int.J.Robust Nonlin.Contr.,doi:10.1002/rnc.4066,2018)针对试验长度随机变化的系统，处理了随机过程中的概率问题，但求解增益矩阵非常困难。此外，在现有的多智能体编队学习问题研究中(见本申请人的“An iterative learning approach to formationcontrol of multi-agent systems,’Syst.Contr.Lett.,vol.61,no.1,pp.148–154,2012；和“Robust formation control of discrete-time multi-agent systems by iterativelearning approach,”Int.J.Syst.Sci.,vol.46,no.4,pp.625–633,2015.)，均没有考虑到诸如移动机器人之类的每个智能体无法保证每次迭代学习试验长度相同的问题。

发明内容