任意初始位置机器人领航跟随型迭代学习编队

针对移动机器人编队形成与队形保持问题,提出了一种适用于任意初始位置条件下的迭代学习编队控制算法。采用领航-跟随型编队法,仅利用领航者的运动轨迹和期望的编队队形推导出跟随者的参考航迹,引入迭代学习控制（Iterative Learning Control,ILC）方法,设计跟随者的控制律,使跟随者随着每次迭代调节自身的线速度和角速度,与领航者一起以期望编队队形工作;引入对初始位置的学习,即同时进行编队队形的学习和编队初始位置的学习。解决了任意初始位置的多移动机器人形成并保持期望编队队形的问题。并在理论上分析了控制算法的可行性,仿真结果验证了控制算法的有效性。     

电驱移动机器人多变量固定时间连续编队控制

针对扰动下电驱动非完整移动机器人固定时间编队控制问题,通过引入包含驱动器动力学的领航者-跟随者状态空间动力学模型,分两步对编队控制器进行了设计。对领航者跟随者编队运动学模型进行了多变量固定时间控制设计。在动力学层面,为实现扰动下的速度跟踪,通过辅助输入设计了一种跟随者机器人多变量超螺旋固定时间连续电压控制器。所提算法使机器人编队克服了跟随者机器人所受干扰,确保了跟随者机器人与领航者在固定时间达到期望队形,跟随者在固定时间内跟随期望速度,设计的连续控制消除了开关控制的抖振现象。通过参数设计提前给定系统收敛的固定时间,与系统初始状态无关。基于Lyapunov方法进行了系统稳定性分析。通过仿真对算法进行了验证。     

利用方位角信息的移动机器人编队控制

本文以移动机器人为研究对象,仅利用方位角信息实现多智能体系统的编队控制.为实现大规模编队和队形的缩放控制,智能体被分为领航者、第1跟随者以及其余跟随者.首先,考虑智能体之间相对位置信息难以精确测量的情形,设计仅用方位角信息的估计算法获得准确的相对位置;然后,基于获得的相对位置信息设计第1跟随者的控制算法,使得第一跟随者与领航者之间的位置收敛到理想约束位置以控制整个队形的规模;接着,设计其余跟随者的控制算法使得各智能体之间的方位角达到理想约束角度,从而形成理想编队队形.最后通过数值和ROS仿真实验验证算法的有效性.     

非完整约束多智能体系统基于屏障控制函数的分布式协同控制

本文设计了一种基于屏障控制函数(CBF)的分布式协同控制算法,实现了领航–跟随者框架下非完整约束多智能体系统的连通性与编队控制.首先,通过将连通性保持问题建模为系统约束,定义了该约束的调零屏障函数(ZBF).其次,在此基础上,构建李雅普诺夫函数与角速度输入之间的关系,对跟随者智能体设计了基于调零屏障函数的协同控制算法,其中线速度控制器保证跟随者的速度的跟踪与队形的跟踪,而梯度型角速度控制器实现跟随者角度的矫正.然后,利用调零屏障函数不变集相关引理证明了连通性约束集为正不变集,若初始时刻连通,则跟随者智能体始终与领航者保持连通性.同时,本文提出的算法实现编队误差的渐近收敛.本文中的队形适用常见的固定队形编队需求,也适用于领航者是动态(有线速度和角速度)的情况.最后,通过数值仿真进一步验证了该算法在不同队形需求下的有效性.     

基于二阶一致性算法的多仿生机器鱼分布式编队控制

针对动态领航者按照自身动力学模型运动, 多个跟随者机器鱼以其为编队参考点, 根据编队要求形成队形并整体跟随领航者运动的问题, 提出一种多仿生机器鱼分布式编队控制方案. 首先, 基于二阶一致性算法给出各跟随者机器鱼估计领航者位姿信息的分布式算法;其次,给出以领航者为参考点的多仿生机器鱼编队描述方法,进而各机器鱼根据编队要求以所估得的参考点信息实时确定其在编队中的期望位姿; 再次, 各跟随者机器鱼以期望速度和角速度以及所估得的领航者位姿信息为输入, 利用模糊控制器确定其速度档位和方向档位, 实现编队的形成与保持. 仿真和实验结果均表明, 所提分布式编队控制方法是有效的, 仿生机器鱼群体能够较快形成期望队形并跟随领航者游动.     

未知环境下多AUV协同避障方法研究

针对多AUV（autonomous underwater vehicle）系统在未知环境中进行路径规划时难以兼顾避障与编队的问题,提出了一种基于领航—跟随者与行为的多AUV协同避障方法。首先,通过构造碰撞危险度及偏离目标评价函数,设计了AUV局部路径规划方法;在此基础上,结合编队控制方法,分别为领航者和跟随者设计不同的行为以及行为选择模式。半物理仿真实验结果表明,该算法能够实现多AUV系统在未知环境中的协同避障,且队形偏离度与恢复队形时间优于传统多机器人避障算法。实验结果证明了该算法的可行性与有效性。     

含驱动器动力学的移动机器人编队自适应控制

针对含有驱动器及编队动力学的多非完整移动机器人编队控制问题,基于领航者-跟随者[l-ψ]控制结构,通过反步法设计了一种将运动学控制器与驱动器输入电压控制器相结合的新型控制策略。采用径向基神经网络（RBFNN）对跟随者及领航者动力学非线性不确定部分进行在线估计,并通过自适应鲁棒控制器对神经网络建模误差进行补偿。该方法不但解决了移动机器人编队控制的参数与非参数不确定性问题,同时也确保了机器人编队在期望队形下对指定轨迹的跟踪;基于Lyapunov方法的设计过程,保证了控制系统的稳定与收敛;仿真结果表明了该方法的有效性。     

基于领航位置信息的AUV三维编队控制方法

研究了自治水下机器人（Autonomous Underwater Vehicle,AUV）三维环境中编队控制问题,应用领航一跟随式队形控制方法,仅利用领航者的位置信息及期望编队队形得到虚拟机器人的航行轨迹及速度信息,作为跟随者的航行参考量,应用反步及滑模控制方法为跟随者设计自适应控制律,使其轨迹收敛于虚拟机器人的轨迹,从而与领航者保持期望位姿关系。随后,在具体AUV动力学模型上,利用MATLAB／SIMULINK平台进行了编队控制的仿真研究,实现了预期的控制效果,验证了算法的有效性及实用性。     

一种船队编队控制的backstepping 方法

针对多船舶之间的协同合作问题,对船舶的编队控制进行了研究.通过运用领航者-跟随者方法,选择在Cartesian坐标系下建立新的船队编队控制模型,基于这种模型,利用反步技术和李亚普诺夫理论设计了一种可使船队按期望队形航行的船队编队控制器.通过考虑领队船舶与跟随船舶的航向角误差,保证了跟随船舶航向角的稳定性,从而避免其在航行过程中不断振荡.最后对所设计的控制方法的正确性及有效性进行了仿真验证.     

移动机器人编队的递归模糊神经网络滑模控制

研究非完整移动机器人编队控制优化问题,由于动态模型存在诸多不稳定性,针对领航者-跟随者l-ψ控制结构,提出了一种Back stepping运动学控制器与自适应神经滑模控制器相结合的新型控制策略.采用动态递归模糊神经网络(dynam-ic recurrent fuzzy neural network,DRFNN)对跟随者及领航者动力学非线性不确定部分进行在线估计,并通过自适应鲁棒控制器对神经网络建模误差进行补偿.所提方法不但解决了移动机器人编队控制的参数与非参数不确定性问题,同时也确保了机器人编队在期望队形下对指定轨迹的跟踪;根据Lyapunov方法的设计过程,保证了控制系统的稳定;仿真结果表明了改进方法对机器人编队优化控制的有效性.