[发明专利]EL型非线性集群系统时变编队优化跟踪控制方法及系统

说明书

本发明公开一种EL型非线性集群系统时变编队优化跟踪控制方法及系统，涉及编队优化跟踪领域，方法包括：建立不确定EL型非线性集群系统的运动学模型；构建集群系统的通信拓扑模型；基于运动学模型和通信拓扑模型对集群系统中每个智能体设计虚拟最优跟踪信号；根据每个智能体的实际位置信息和实际速度信息以及虚拟最优跟踪速度信号应用神经网络模型估计集群系统的不确定信息，以集群系统的全局性能指标最优且满足期望的时变编队约束为目标，对每个所述智能体设计时变编队最优跟踪控制输入变量。应用神经网络模型估计EL型非线性集群系统的不确定信息，实现团体性能最优的同时，保持期望的时变编队构型。

技术领域

本发明涉及编队优化跟踪领域，特别是涉及一种针对不确定Euler–Lagrange型非线性集群系统的分布式编队优化跟踪控制方法及系统。

背景技术

目前，多智能体系统利用智能体之间的信息交换可以协同完成多种任务，尤其是针对编队问题开展了广泛研究。比如航天器通过编队控制可以完成各种太空任务，如深空探测、对地观测和科学实验。为了更好地适应更复杂的环境和动态任务，编队跟踪问题应运而生，主要包括轨迹跟踪和编队保持问题。值得注意的是在大多数关于编队跟踪问题的研究中，跟踪的轨迹可能是给定的，也可能是完全不可控的(如非合作的目标)。在工程应用中，多智能体系统跟踪的参考轨迹通常需要满足特定的系统性能，例如提高性能、最小化能量和时间。例如，多个双连杆机器人机械手协同搬运物品，应确定一个最优的编队路径，使所有个体的自由度和能量消耗之和最小。因此，同时考虑时变编队和优化跟踪的控制研究具有重要的意义和效益。

编队优化跟踪问题的研究已经引起了众多学者的关注。针对一阶和二阶线性系统，通过神经网络逼近高阶网络系统的代价函数及比例积分优化算法，可以实现编队最优跟踪策略。此外针对非线性多智能体系统编队最优跟踪问题的求解已经取得了各种成果。为一种典型的非线性模型，Euler–Lagrange(EL型非线性)系统可以作为一类广泛的机器人、机械臂和航天器系统的动力学模型。目前，EL型非线性系统的优化问题的研究非常有限，多集中于时不变优化问题，即假设个体具有的性能函数是时不变的，那么全局的性能函数也是时不变的，此时满足最优条件的往往是一个固定的点。与时不变优化相比，时变优化问题具有更广泛的应用，通过选择合适的时变代价函数，可以应对更加复杂的动态环境。此外，系统在实现最优团队目标的同时，通常需要满足一定的群体性能，比如保持期望的队形。同时，当集群系统需要实现动态任务，如组内避撞、组外避障、通过狭窄区域时，往往需要集群的编队是可以时变的。综上所述，针对不确定EL型非线性集群系统的时变编队优化跟踪控制策略具有广泛的研究意义。

因此，本发明提供了一种EL型非线性集群系统时变编队优化跟踪控制方法及系统，以解决当非线性集群系统存在不确定信息时，如何在实现团体性能最优的同时，保持期望的时变编队构型。

发明内容

本发明的目的是提供一种EL型非线性集群系统时变编队优化跟踪控制方法及系统，可应用神经网络模型估计不确定EL型非线性集群系统的运动学模型的不确定信息，从而在估计出不确定信息的情况下，实现团体性能最优的同时，保持期望的时变编队构型。

为实现上述目的，本发明提供了如下方案：

一种EL型非线性集群系统时变编队优化跟踪控制方法，所述方法包括：

建立不确定EL型非线性集群系统的运动学模型；

构建所述不确定EL型非线性集群系统的通信拓扑模型；

基于所述运动学模型和所述通信拓扑模型对所述不确定EL型非线性集群系统中每个智能体设计虚拟最优跟踪信号；

根据每个所述智能体的实际位置信息和实际速度信息以及所述虚拟最优跟踪速度信号应用神经网络模型估计所述不确定EL型非线性集群系统的运动学模型的不确定信息，所述不确定信息包括所述运动学模型中的惯性矩阵、科氏离心力矩阵和重力矢量；