非线性高阶全驱多智能体系统分布式包容控制方法

1.本发明涉及多智能体分布式包容控制技术领域，具体而言，涉及非线性高阶全驱多智能体系统分布式包容控制方法。


背景技术：

2.在过去的几十年里，由于多智能体系统与图论相结合及其在现实世界中的广泛应用，多智能体系统的协调控制问题已经被许多专家学者深入研究，如编队飞行问题、自主水下航行器控件、安全问题等。在这个领域，分布式包容控制问题是极其重要的，分布式包容控制指的是设计控制协议使跟随者的轨迹进入由领导者的轨迹所形成的凸包。线性多智能体系统的分布式包容控制方法的研究已经取得丰富的成果并已经被广泛应用于军事侦察、险区探测、目标捕获、战场管理、火力支援、电子干扰及通信中继等领域。
3.然而，基于传统理论的控制方法在进行多智能体分布式包容控制器设计时，存在的不足主要体现在以下几个方面：
4.(1)基于传统状态空间描述方法进行控制系统设计时，通常将高阶系统模型转化为增广的一阶系统模型，然后针对转化后的系统进行控制器设计，这种建模过程一定程度上会增加工作负担，并且使中间的控制器设计过程变得复杂，如在lyapunov反步过程中会增加虚拟控制求导的次数使得计算量剧增；
5.(2)基于传统的分布式包容控制策略，对通讯拓扑的要求更加苛刻，因此很多控制方法只能满足特定场景无法在实际场景中成功使用；
6.(3)基于传统控制方法设计的控制器，其参数调整严重依赖于系统未知非线性函数，在实际飞行控制时，由于完全未知系统函数的存在，飞行控制性能往往难以获得期望的控制效果，基于该策略设计的控制器参数调整费时费力。
7.为此提出非线性高阶全驱多智能体系统分布式包容控制方法，以解决上述提出的问题。


技术实现要素：

8.本发明旨在提供非线性高阶全驱多智能体系统分布式包容控制方法，以解决或改善上述技术问题中的至少之一。
9.有鉴于此，本发明的第一方面在于提供非线性高阶全驱多智能体系统分布式包容控制方法。
10.本发明的第二方面在于提供非线性高阶全驱多智能体系统。
11.本发明的第一方面提供了非线性高阶全驱多智能体系统分布式包容控制方法，包括如下步骤：s1：设计生成器，将跟随者智能体沿参考轨迹移动的跟踪误差转化为输出信号，所述生成器根据输出信号和输出该输出信号的跟随者智能体与领导者智能体和/或跟随者智能体之间的通信信息，生成该跟随者智能体的参考信号；s2：通过径向基函数神经网络将包含系统状态的导数的非线性系统函数转化为基向量与权向量的乘积，所述乘积与非
线性系统函数之间具有一个误差，采用自适应神经网络获得权向量和误差的估计值，设计自适应律并对所述估计值进行优化；s3：采用求解器考虑所述跟随者智能体的本身属性获得正定矩阵和参数矩阵，并用于设计该跟随者智能体的控制器，所述控制器通过优化后的所述估计值计算以生成控制信号；s4：将所述控制信号输入执行器中，以使所述跟随者智能体沿所述参考信号移动。
12.本发明提供的非线性高阶全驱多智能体系统分布式包容控制方法，考虑有向图条件下的高阶全驱多智能体系统，基于物理学定律直接获得实际系统模型，对获得的系统模型进行直接控制，同时综合考虑系统含有完全未知的非线性函数情形下，提出一种基于自适应神经网络的高阶全驱分布式包容控制算法，突破传统策略在建模过程和计算复杂度等方面的不足，解决非线性高阶全驱多智能体在含有完全未知非线性函数情况下的分布式包容控制问题，降低控制器设计复杂性，提高控制性能，增强系统安全和可靠性。
13.具体地，所述包容控制为跟随者智能体收敛到由领导者智能体形成的凸包内，这种问题称之为合围控制、包含控制或者包容控制。
14.具体地，参考信号为随者智能体随领导者智能体移动的轨迹。
15.具体地，所述本身属性为跟随者智能体的全驱性。设计自适应律并对所述估计值进行优化。
16.具体地，设计自适应律并对所述估计值进行优化，且针对估计值的精度进行优化，以降低误差。
17.另外，根据本发明的实施例提供的技术方案还可以具有如下附加技术特征：
18.上述任一技术方案中，在所述多智能体系统内包括至少两个领所述导者智能体，所述领导者的输出轨迹所包含的空间构成凸包；
19.当所述跟随者智能体沿所述参考轨迹跟随领导者智能体移动时，所有的所述跟随者智能体均位于凸包沿竖直线方向形成的空间内。
20.在该技术方案中，跟随者智能体的轨迹会进入由领导者智能体的轨迹所形成的凸包内，一方面领导者智能体的轨迹可以作为对跟随者智能体轨迹的约束，如军事侦察、险区探测、目标捕获、战场管理、火力支援、电子干扰及通信中继等领域，限定跟随者智能体的活动范围；另一方面，跟随者智能体会沿着凸包移动，进而到达任务的指定区域。
21.上述任一技术方案中，所述通信信息通过跟随者智能体与能够与其产生信息交流的跟随者智能体之间传递的参考信息获得，以及所述输出信号为跟随者智能体之间生成的参考信号的误差；和/或所述通信信息通过跟随者智能体与能够与其产生信息交流的领导者智能体之间传递的参考信息获得，以及所述输出信号为跟随者智能体与领导者智能体之间生成的参考信号的误差。
22.在该技术方案中，当前跟随者智能体只需要接收其邻居跟随者智能体的参考生成器的一维输出信息和有连接的领导者智能体的输出信息，并通过分布式的误差生成当前跟随者智能体的参考轨迹，而不需要其邻居跟随者智能体的多维状态信息，因此一定程度上减轻了通信负担。
23.上述任一技术方案中，所述生成器包括生成模型，具体为下述公式：其中，为生成器生成的参考信号、r为设计的正常数、为生成器的输入信
号，且所述输入信号包括：输出信号和通信信息；以及采用下述公式计算：其中，为其他跟随者智能体的参考信号、n为跟随者智能体的个数，m是领导者智能体的个数、yj为领导者智能体的输出信号、为领导者智能体的输出信号、i＝1,2,...,n表示跟随者智能体编号、j＝1,2,...,n+m为所有智能体编号、为的导数。
24.在该技术方案中，生成器通过邻居智能体的输出信息生成当前跟随者智能体的参考轨迹，在生成器中参量的作用为只使用向当前跟随者智能体通信的智能体的输出信息，而不是全局的通信信息，减少了通信负担；参量r的作用是通过调节其大小进而使得跟踪误差达到理想的范围。
25.上述任一技术方案中，设定所述非线性系统函数为以及步骤s2中的所述乘积为下述公式：其中，为未知的权向量，且满足θi为权向量的范数平方、为已知的基向量、为乘积与非线性系统函数之间的误差，且满足统函数之间的误差，且满足为未知的正常数、xi均为跟随者智能体的系统状态。
26.在该技术方案中，每个跟随者智能体本身的非线性系统函数不同并且是未知的，无法直接在控制器设计中消除，因此为了能够设计控制器抵消未知非线性系统函数所带来的负面影响，使用s2中的技术将其转化为所述乘积形式。
27.上述任一技术方案中，所述权向量的估计值通过对范数平方进行估计获得，所述误差的估计值通过对其满足的正常数进行估计获得；以及所述自适应律为下述公式：其中，为对范数平方θi的估计、为的导数、表示对正常数的估计、为的导数、p
il
为lyapunov正定矩阵分量满足pi为对称正定矩阵、i为单位向量、ni为状态的维数、ai，bi，ki和均为设计正常数，且通过调节ki和以降低所述范数平方和正常数的估计的误差、为跟踪误差和跟踪误差导数构成的向量、
28.在该技术方案中，用自适应方法估计未知非线性系统函数转化后产生的两个未知常量，未知常量估计值是变量，自适应律表示为估计值的导数，通过跟踪误差、参数矩阵和已知的基函数向量构造自适应律，进而使用自适应律的输出代替两个未知常量。
29.上述任一技术方案中，所述控制器包括控制模型，具体为下述公式：
其中，ui为控制信号、gi为已知的控制矩阵函数、a
i(0～1)
为设计的参数矩阵、为的二阶导数、为hi的转置。
30.在该技术方案中，控制器设计包含的上述参量中，的作用是通过调节其大小进而使得跟踪误差达到理想的范围，参数矩阵的作用是使控制器达到稳定；其余项的作用是抵消系统中的额外变量。
31.上述任一技术方案中，所述s3的步骤具体包括：s301，通过跟随者智能体的本身属性计算获取正定矩阵p
il
和相应的参数矩阵a
i(0～n)
，具体包括：所述a
i(0～n)
通过下述公式计算获得：其中，和均为任意的给定常数矩阵、为设计的参数矩阵；所述p
il
通过下述公式计算获得：其中，μi是正常数、t为转置符号；s302，通过正定矩阵p
il
和参数矩阵a
i(0～n)
设计与跟随者智能体的自身属性相对应的控制器；s303，所述控制器通过e
i(0～1)
和计算出控制信号ui。
32.在该技术方案中，所考虑的跟随者智能体系统为高阶全驱系统，其本身具有全驱性，即，因此可以通过高阶全驱系统方法直接设计相应的控制器，其中参数矩阵可以通过高阶全驱系统方法推论计算获得，减少了计算复杂度。
33.上述任一技术方案中，对于由跟踪误差和估计误差构成的李雅普诺夫函数通过下述公式对其导数进行优化：其中，通过调大ci和调小γi，以使李雅普诺夫函数vi降低。
34.在该技术方案中，根据跟踪误差变量的定义可以得到：
35.其中，
36.选取lyapunov函数vi为：为：分别为θi和的自适应误差满足和vi导数为：
[0037][0038]
使用杨不等式技术得到：
[0039][0040][0041][0042]
从而，
[0043]
≤-c
ivi
+γi[0044]
其中，min{}表是的是取{}中的最小值，通过调大ci，调小γi，可以使得跟踪误差任意小。
[0045]
以保证所选李雅普诺夫函数的导数可以达到规定的形式，从而证明跟随者智能体可以进入凸包内。
[0046]
本发明的第二方面提供了非线性高阶全驱多智能体系统，包括跟随者智能体和领导者智能体，所述跟随者智能体包括：生成器，以跟随智能体的邻居跟随智能体的输出信息为输入量，获得当前跟随智能体的参考信号；径向基函数神经网络，用于将非线性系统函数转化为基向量与权向量的乘积；自适应神经网络，以乘积为输入量，获得权向量和误差的估计值；求解器，通过高阶全驱方法求解当前跟随智能体的正定矩阵和参数矩阵控制器，以参数矩阵、系统状态和估计值为输入量，以控制量为输出量；执行器，以控制器的输出为输入量获得系统执行的控制输入。
[0047]
上述任一技术方案中，非线性高阶全驱多智能体系统还包括：通信网络，以所有跟随智能体的通信拓扑为输入量，获得当前跟随智能体的邻居跟随智能体输出；控制系统，以执行器的输出为控制系统输入量，获得系统输出；传感器，以系统输出为传感器的输入量，并向用户输出系统输出。
[0048]
本发明与现有技术相比所具有的有益效果：
[0049]
在提出的高阶全驱多智能体系统包容控制框架内，利用本发明提出的自适应神经网络控制算法，通过设计当前跟随者智能体的生成器生成参考信号，保证当前跟随者智能体的轨迹收敛于生成的参考信号便可以实现给定领导者轨迹的包容控制，能很好的实现对给定领导者轨迹的包容控制；
[0050]
基于本发明算法针对现实中广泛存在的物理模型直接展开控制器设计，更加易于工程实现；
[0051]
本算法在确保实现对高阶全驱多智能体系统包容控制的同时，通过自适应神经网络技术对未知的非线性系统函数进行了估计，所以无需其精确的表达式，进而无需获得精确的非线性系统函数表达式；
[0052]
本发明提出的高阶全驱多智能体系统控制方法，可以直接应用于满足各种动力学方程的实际系统上，所考虑的系统是高阶全驱系统，是由满足动力学方程产生的高阶系统
结构。本发明所提出的方法不需要将高阶系统转化为一阶系统再进行研究，而是直接进行控制器设计，所以减少了系统转化过程的计算时间，无需进行系统模型的转化，极大程度的减少了计算负担，提高效率。
[0053]
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显，或通过根据本发明的实施例的实践了解到。
附图说明
[0054]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0055]
图1为本发明的步骤流程图；
[0056]
图2为本发明的仿真实验中跟随者和领导者的通信拓扑图；
[0057]
图3为本发明的流程示意图；
[0058]
图4为本发明的在凸包的关系中图3的各个智能体的排位图；
[0059]
图5为本发明的自适应律曲线示意图；
[0060]
图6为本发明的系统输出和状态曲线示意图；
[0061]
图7为本发明的系统控制输入曲线示意图。
具体实施方式
[0062]
为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0063]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0064]
请参阅图1-7，下面描述本发明一些实施例的非线性高阶全驱多智能体系统分布式包容控制方法。
[0065]
本发明第一方面的实施例提出了非线性高阶全驱多智能体系统分布式包容控制方法。在本发明的一些实施例中，如图1-6所示，提供了非线性高阶全驱多智能体系统分布式包容控制方法，该非线性高阶全驱多智能体系统分布式包容控制方法，包括如下步骤：
[0066]
第一部分，参考轨迹生成器设计：使用跟随者智能体之间的通信信息构成参考轨迹生成器动态信号，各个跟随者智能体的跟踪误差设计为跟踪参考轨迹生成器输入信号，并通过巧妙的构造和lyapunov稳定性分析可以证明跟随者智能体可以进入由多个领导者智能体输出构成的凸包内；
[0067]
第二部分，估计过程：自适应神经网络逼近完全未知系统函数，利用径向基函数神经网络将完全未知的非线性系统函数转化为已知基向量乘以未知权向量的形式，其中基向量的分量可以选取为高斯函数。为了的到最优的权向量，使用自适应方法调节逼近误差和权向量的估计值；
[0068]
第三部分，控制器设计：利用高阶全驱系统方法为各个跟随者智能体设计相应控制器，无需将高阶系统转化为状态空间描述的一阶系统模型，相对的可以任意选择配置参
数，基于配置参数可以通过高阶全驱方法推论简便的求解出使系统稳定的正定矩阵和相应参数矩阵；
[0069]
最后为了验证本发明提出算法的有效性，搭建如图2所示的五个跟随者智能体和三个领导者智能体构成的包容控制的matlab/simulink仿真系统。
[0070]
本发明以基于高阶全驱系统控制理论为主要研究手段，提出一种基于自适应神经网络的高阶全驱分布式包容控制算法，具体实现过程如下。
[0071]
其中，第一步，参考轨迹生成器设计具体方法为：
[0072]
首先，定义参考生成器动态为：
[0073][0074]
其中，r是设计的正常数，是参考信号(参考生成器的输出信号)是参考生成器的输入信号。
[0075][0075]
表示的是其他跟随者智能体的参考信号，n是跟随者智能体的个数，m是领导者智能体的个数，yj是领导者智能体的输出，然后，定义相应lyapunov函数v
ξ
为(e为正定的对角矩阵)，表示所有参考生成器输入信号构成的向量，v
ξ
导数为：
[0076][0077]
其中，l1和l2是拉普拉斯矩阵分量l1表征了各个跟随者智能体之间的连接关系l2表征了跟随者智能体跟领导者智能体之间的连接关系，y
l
是领导者智能体的输出，κ和是正常数满足y
l
＝[y
n+1
,y
n+2
,
…
,y
n+m
]
t
表示所有领导者智能体的输出信号构成的向量。根据上式，可以得到：λ
max
(e)表示矩阵e的最大特征值，λ
min
(e)表示矩阵e的最小特征值，此不等式在最终稳定性分析中会起到重要作用。
[0078]
第二步，估计过程具体方法为：
[0079]
系统表达式为：
[0080][0081]
其中，为系统状态，ni表示为第i个跟随者智能体的系统阶数，表示由系统状态各个阶数构成的向量，和分别为系统输入和系统输出，mi表示为系统输出的维数。是未知非线性系统函数满足f(0)i＝0。是已知控制矩阵函数满足其行列式不为零。ci表示输出变量如何反应状态变量，称为输出矩阵或观测矩阵。不失一般性，本发明考虑n＝2的情况。由于系统中包含
完全未知的非线性系统函数，在控制器设计中无法直接消除其带来的影响，因此采用自适应神经网络技术进行处理，首先使用径向基函数神经网络逼近技术逼近未知系统函数为：
[0082][0083]
其中，表示为未知权向量，表示为已知的基向量(可以采用高斯函数表示)，表示为估计未知非线性系统函数的估计误差满足其中是未知的正常数，为消除未知权向量和逼近误差的影响，进一步地使用自适应方法设计如下自适应律：
[0084][0085]
其中，表示对未知参数θi的估计是未知权向量的范数平方，表示对未知参数的估计，p
il
是lyapunov正定矩阵分量满足(pi为对称正定矩阵)i表示的是单位向量，ai，bi，ki和是设计的正常数，ai，bi应用在控制器设计中，通过调节ki，使得权向量的估计误差和估计未知非线性系统函数的估计误差任意小。
[0086]
然后，系统被重写为：
[0087][0088]
其中，表示由系统状态及其一阶导数构成的向量；
[0089]
第三步，控制器设计具体方法为：
[0090]
首先，使用高阶全驱方法设计的控制器为：
[0091][0092]
其中，表示为待设计的控制器参数矩阵a
i1
，a
i2
所构成的矩阵，其中表示由跟踪误差e
i(0～1)
及其一阶导数构成的向量，定义跟踪误差变量为：为得到控制器中设计参数的解，采用如下高阶全驱系统方法推论：
[0093]
给定任意以及均为任意的给定常数矩阵、为设计的参数矩阵，如下等式成立：
[0094][0095]
其中，是设计的参数矩阵，然后根据矩阵不等式求解pi，其中μi是正常数，根据解得p
il
。根据跟踪误差变量的定义可以得到：
[0096]
其中，
[0097]
选取lyapunov函数vi为：为：分别为θi和的自适应误差满足和vi导数为：
[0098][0099]
使用杨不等式技术得到：
[0100][0101][0102][0103]
从而，
[0104]
≤-c
ivi
+γi[0105]
其中，min{}表是的是取{}中的最小值，通过调大ci，调小γi，可以使得跟踪误差任意小。
[0106]
实施例1
[0107]
搭建如图3和4所示的五个跟随者智能体和三个领导者智能体构成的包容控制的matlab/simulink仿真系统，以验证本发明提出算法的有效性：
[0108]
首先将如图3所示拓扑结构的领导者-跟随者包容控制系统在matlab/simulink中进行集成设计，并进行了仿真实验,主要仿真过程如下：
[0109]
(1)参数设置
[0110]
首先，选择领导者智能体的输出轨迹为：y6＝1+0.5sin(0.5πt)，y7＝-1+0.5sin
(0.5πt)，y8＝-0.1+0.5sin(0.5πt)；其次，神经网络基函数选择为初值和其他设计参数为x1(0)＝0.1,x2(0)＝0.15,x3(0)＝0.2,x4(0)＝0.25,x5(0)＝0.3,(0)＝0.3,i＝1,2,3,4,5，r＝1,ai＝1,bi＝1,ki＝1,控制器设计参数选择为μi＝4，ηi＝[1 1]解得
[0111]
(2)结果分析
[0112]
分析结果表明，在提出的非线性高阶全驱多智能体包容控制框架内，利用本发明提出的自适应神经网络的高阶全驱分布式包容控制算法，能很好的实现对给定领导者智能体参考轨迹的包容控制。图5给出了跟随者智能体的输出变化曲线和领导者智能体的输出变化曲线，从图中可以明显的看出，跟随者智能体的输出轨迹一致进入由领导者智能体输出构成的凸包内。图6给出了神经网络理想权向量的估计值以及逼近误差的估计值的变化曲线，从中可以看出，本发明给出的自适应算法可以很好的估计未知参数向量。图7给出了各个跟随者智能体的控制输入量的变化曲线，从中可以看出，本发明给出的一致性包容控制器所需能量较低，收敛速度迅速。
[0113]
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0114]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.非线性高阶全驱多智能体系统，其特征在于，包括跟随者智能体和领导者智能体，所述跟随者智能体包括：生成器，以跟随智能体的邻居跟随智能体的输出信息为输入量，获得当前跟随智能体的参考信号；径向基函数神经网络，用于将非线性系统函数转化为基向量与权向量的乘积；自适应神经网络，以乘积为输入量，获得权向量和误差的估计值；求解器，通过高阶全驱方法求解当前跟随智能体的正定矩阵和参数矩阵控制器，以参数矩阵、系统状态和估计值为输入量，以控制量为输出量；执行器，以控制器的输出为输入量获得系统执行的控制输入。2.根据权利要求1所述的非线性高阶全驱多智能体系统，其特征在于，还包括：通信网络，以所有跟随智能体的通信拓扑为输入量，获得当前跟随智能体的邻居跟随智能体输出；控制系统，以执行器的输出为控制系统输入量，获得系统输出；传感器，以系统输出为传感器的输入量，并向用户输出系统输出。3.使用如权利要求1-2所述非线性高阶全驱多智能体系统的分布式包容控制方法，其特征在于，包括如下步骤：s1：设计生成器，将跟随者智能体沿参考轨迹移动的跟踪误差转化为输出信号，所述生成器根据输出信号和输出该输出信号的跟随者智能体与领导者智能体和/或跟随者智能体之间的通信信息，生成该跟随者智能体的参考信号；s2：通过径向基函数神经网络将包含系统状态的导数的非线性系统函数转化为基向量与权向量的乘积，所述乘积与非线性系统函数之间具有一个误差，采用自适应神经网络获得权向量和误差的估计值，设计自适应律并对所述估计值进行优化；s3：采用求解器考虑所述跟随者智能体的本身属性获得正定矩阵和参数矩阵，并用于设计该跟随者智能体的控制器，所述控制器通过优化后的所述估计值计算以生成控制信号；s4：将所述控制信号输入执行器中，以使所述跟随者智能体沿所述参考信号移动。4.根据权利要求3所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，在所述多智能体系统内包括至少两个领所述导者智能体，所述领导者智能体的输出轨迹所包含的空间构成凸包；当所述跟随者智能体沿所述参考轨迹跟随领导者智能体移动时，所有的所述跟随者智能体均位于凸包沿竖直线方向形成的空间内。5.根据权利要求3所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，所述生成器包括生成模型，具体为下述公式：其中，为生成器生成的参考信号、r为设计的正常数、为生成器的输入信号，且所述输入信号包括：输出信号和通信信息；以及采用下述公式计算：
其中，为其他跟随者智能体的参考信号、n为跟随者智能体的个数，m是领导者智能体的个数、y
j
为领导者智能体的输出信号、为领导者智能体的输出信号、表示跟随者智能体编号、j＝1,2,...,n+m为所有智能体编号、为的导数。6.根据权利要求3所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，设定所述非线性系统函数为以及步骤s2中的所述乘积为下述公式：其中，为未知的权向量，且满足θ
i
为权向量的范数平方、为已知的基向量、为乘积与非线性系统函数之间的误差，且满足为乘积与非线性系统函数之间的误差，且满足为未知的正常数、x
i
均为跟随者智能体的系统状态。7.根据权利要求6所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，所述权向量的估计值通过对范数平方进行估计获得，所述误差的估计值通过对其满足的正常数进行估计获得；以及所述自适应律为下述公式：其中，为对范数平方θ
i
的估计、为的导数、表示对正常数的估计、为的导数、p
il
为lyapunov正定矩阵分量满足pi为对称的正定矩阵、i为单位向量、n
i
为状态的维数、a
i
，b
i
，k
i
和均为设计正常数，且通过调节k
i
和以降低所述范数平方和正常数的估计的误差、为跟踪误差和跟踪误差导数构成的向量、8.根据权利要求7所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，所述控制器包括控制模型，具体为下述公式：其中，u
i
为控制信号、g
i
为已知的控制矩阵函数、a
i(0～1)
为设计的参数矩阵、为的二阶导数、为h
i
的转置。9.根据权利要求8所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，所述s3的步骤具体包括：
s301，通过跟随者智能体的本身属性计算获取正定矩阵p
il
和相应的参数矩阵a
i(0～n)
，具体包括：所述a
i(0～n)
通过下述公式计算获得：通过下述公式计算获得：其中，和均为任意的给定常数矩阵、为设计的参数矩阵；所述p
il
通过下述公式计算获得：其中，μ
i
是正常数、t为转置符号；s302，通过正定矩阵p
il
和参数矩阵a
i(0～n)
设计与跟随者智能体的自身属性相对应的控制器；s303，所述控制器通过e
i(0～1)
和计算出控制信号u
i
。10.根据权利要求9所述的非线性高阶全驱多智能体系统分布式包容控制方法，其特征在于，通过跟踪误差和估计误差构成李雅普诺夫函数并通过优化李雅普诺夫函以降低跟踪误差和估计误差，通过下述公式对其导数进行优化：其中，通过调大c
i
和调小γ
i
，以使李雅普诺夫函数v
i
降低。

技术总结
本发明属于多智能体分布式包容控制技术领域，具体公开了非线性高阶全驱多智能体系统分布式包容控制方法，包括如下步骤：设计生成器，并计算跟随者智能体的动态信号；对非线性系统函数进行转化和估值；针对跟随者智能体的自身属性设计控制器，并计算控制信号；通过控制信号执行跟随者智能体沿参考轨迹移动；具有如下优点：考虑有向图条件下的高阶全驱多智能体系统，基于物理学定律直接获得实际系统模型，对获得的系统模型进行直接控制，同时综合考虑系统含有完全未知的非线性函数情形下，考虑在建模过程和计算复杂度等方面的不足，解决非线性高阶全驱多智能体在含有完全未知非线性函数情况下的分布式包容控制问题，提高控制性能。性能。性能。


技术研发人员：刘杨 张家鸣 路新喜 李文玲
受保护的技术使用者：北京航空航天大学
技术研发日：2023.04.10
技术公布日：2023/7/21