Distributed Model Predictive Control for Asynchronous Multi-agent Systems with Self-Triggered Coordinator
作者: Qianqian Chen, Shaoyuan Li
分类: eess.SY, nlin.AO
发布日期: 2024-05-17
💡 一句话要点
针对异步多智能体系统，提出基于自触发协调器的分布式模型预测控制方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 分布式模型预测控制 多智能体系统 自触发控制 异步通信 Lyapunov稳定性
📋 核心要点
- 现有异步多智能体系统控制方法在鲁棒性和能耗方面存在不足，难以在实际应用中取得平衡。
- 该论文提出一种基于自触发机制的分布式模型预测控制方法，通过调节Lyapunov函数来动态调整触发间隔和预测时域。
- 通过仿真实验验证了该方法的有效性，展示了其在异步通信条件下实现多智能体系统协调控制的能力。
📝 摘要（中文）
本文研究了具有外部干扰的异步非线性多智能体系统的分布式模型预测控制问题，该方法结合了自触发生成器和预测时域调节器。首先，在最优控制问题中引入了与实际状态和预测状态之间的误差相关的收缩约束，以增强系统的鲁棒性。然后，通过改变Lyapunov函数的表达式来确定触发间隔和相应的预测时域，从而在控制性能和能量损耗之间实现权衡。通过实施所提出的算法，可以在异步通信下实现多智能体系统的协调目标。最后，依次证明了递归可行性和稳定性。通过一个示例验证了所提出方法的优点。
🔬 方法详解
问题定义：本文旨在解决异步非线性多智能体系统在存在外部干扰的情况下，如何实现鲁棒且节能的分布式模型预测控制问题。现有方法通常难以兼顾系统的鲁棒性（对干扰的抵抗能力）和能量效率（减少通信和计算开销），尤其是在异步通信环境下，协调控制更具挑战性。
核心思路：论文的核心思路是利用自触发机制动态调整控制器的触发间隔和预测时域，从而在控制性能和能量消耗之间取得平衡。通过设计合适的Lyapunov函数，并将其变化率与触发条件相关联，可以保证系统的稳定性和鲁棒性，同时减少不必要的控制更新。
技术框架：该方法主要包含以下几个关键模块：1) 局部模型预测控制器：每个智能体根据自身状态和邻居信息，求解局部最优控制序列。2) 自触发生成器：基于Lyapunov函数的变化率，确定下一个控制更新的触发时间。3) 预测时域调节器：根据触发间隔动态调整预测时域长度，以适应不同的系统状态和通信环境。4) 异步通信协议：处理智能体之间的异步信息交换，保证控制器的正常运行。
关键创新：该方法最重要的创新在于将自触发机制与模型预测控制相结合，并针对异步多智能体系统进行了专门设计。与传统的周期性触发或事件触发方法相比，自触发机制能够更有效地利用系统信息，减少不必要的通信和计算开销。此外，通过动态调整预测时域，可以进一步提高控制器的鲁棒性和适应性。
关键设计：关键设计包括：1) 收缩约束：在最优控制问题中引入收缩约束，限制实际状态与预测状态之间的误差，提高鲁棒性。2) Lyapunov函数：精心设计的Lyapunov函数用于评估系统的稳定性，并作为自触发条件的依据。3) 触发条件：基于Lyapunov函数的变化率，设计触发条件，确定下一个控制更新的时间。4) 预测时域调整策略：根据触发间隔，动态调整预测时域长度，以平衡控制性能和计算复杂度。
🖼️ 关键图片
📊 实验亮点
通过仿真实验，验证了所提出的分布式模型预测控制方法在异步多智能体系统中的有效性。实验结果表明，该方法能够在保证系统稳定性的前提下，显著减少控制器的触发次数，降低能量消耗。与传统的周期性触发方法相比，该方法在控制性能和能量效率方面均有明显提升。
🎯 应用场景
该研究成果可应用于无人机编队、机器人协同、智能交通系统等领域。在这些场景中，多智能体系统需要在异步通信和外部干扰下实现协同控制，对系统的鲁棒性和能耗都有较高要求。该方法能够有效提高系统的控制性能和能量效率，具有重要的实际应用价值和推广前景。
📄 摘要（原文）
This paper investigates the distributed model predictive control for an asynchronous nonlinear multi-agent system with external interference via a self-triggered generator and a prediction horizon regulator. First, a shrinking constraint related to the error between the actual state and the predicted state is introduced into the optimal control problem to enable the robustness of the system. Then, the trigger interval and the corresponding prediction horizon are determined by altering the expression of the Lyapunov function, thus achieving a trade-off between control performance and energy loss. By implementing the proposed algorithm, the coordination objective of the multi-agent system is achieved under asynchronous communication. Finally, the recursive feasibility and stability are proven successively. An illustrative example is conducted to demonstrate the merits of the presented approach.