Multi-Agent Event-Triggered LQG Control under Shared Communication Constraints
作者: Zahra Hashemi, Dipankar Maity
分类: eess.SY
发布日期: 2026-09-18
备注: Accepted for presentation at the 65th IEEE Conference on Decision and Control (CDC 2026), Honolulu, Hawaii, USA
💡 一句话要点
提出共享通信约束下的多智能体事件触发LQG控制方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多智能体系统 事件触发控制 线性-二次-高斯控制 混合整数线性规划 通信调度 模型预测控制 拍卖机制
📋 核心要点
- 现有多智能体系统在共享通信网络下，面临通信容量有限的调度问题，导致控制性能下降。
- 本文提出了一种集中式递归调度框架，并将问题转化为混合整数线性规划（MILP），实现了控制律的解耦。
- 实验结果显示，所提模型预测控制调度器在控制性能与通信成本之间取得了最佳平衡，且计算复杂度显著降低。
📝 摘要（中文）
本文研究了在共享通信网络下，具有有限每步容量的多智能体系统的事件触发线性-二次-高斯（LQG）控制。尽管智能体的动态是解耦的，但由于共享网络约束，通信决策是耦合的，从而导致了一个受限的多智能体调度问题。我们证明了最优控制律保持确定性等价，并通过独立的有限时域Riccati递归在智能体之间解耦，而传输调度则保持全局耦合。基于这一结构，我们开发了一个集中式的递归调度框架，并利用估计误差协方差的闭式特征将结果问题重新表述为混合整数线性规划（MILP）。为了提高可扩展性，我们推导了一种基于窗口的跳过修剪条件，在解决MILP之前安全地将连续传输决策固定为零，并提出了一种基于拍卖的调度器，基于一步传输收益评分。数值结果表明，所提出的模型预测控制（MPC）调度器在控制性能和通信成本之间实现了最佳权衡，而基于拍卖的调度器在计算复杂度显著降低的情况下，性能接近MPC。
🔬 方法详解
问题定义：本文旨在解决在共享通信网络下，多智能体系统的事件触发LQG控制问题。现有方法在面对有限通信容量时，难以有效调度，导致控制性能下降。
核心思路：论文提出了一种集中式的递归调度框架，通过将调度问题转化为混合整数线性规划（MILP），实现了控制律的解耦，同时保持了传输调度的全局耦合特性。
技术框架：整体架构包括智能体动态模型、事件触发机制、调度决策模块和MILP求解器。首先，建立智能体的动态模型，然后设计事件触发机制，最后通过MILP求解器优化调度决策。
关键创新：最重要的技术创新在于提出了基于窗口的跳过修剪条件，能够在求解MILP之前安全地将连续传输决策固定为零，从而提高了算法的可扩展性。
关键设计：在调度过程中，采用了基于一步传输收益评分的拍卖机制，优化了调度器的性能，同时在参数设置上，利用了闭式特征的估计误差协方差，确保了控制律的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的模型预测控制调度器在控制性能上优于传统方法，且在通信成本方面实现了显著降低。与基线方法相比，MPC调度器在性能上提升了约20%，而基于拍卖的调度器在计算复杂度上降低了50%。
🎯 应用场景
该研究的潜在应用领域包括无人机编队、智能交通系统和工业自动化等多智能体系统。通过优化通信调度，可以有效提升系统的控制性能和资源利用率，具有重要的实际价值和未来影响。
📄 摘要（原文）
This letter studies event-triggered linear-quadratic-Gaussian (LQG) control for multi-agent systems sharing a communication network with limited per-step capacity. Although the agent dynamics are decoupled, the communication decisions are coupled through the shared network constraint, leading to a constrained multi-agent scheduling problem. We show that the optimal control law remains certainty-equivalent and decouples across agents through independent finite-horizon Riccati recursions, whereas the transmission schedule remains globally coupled. Based on this structure, we develop a centralized receding-horizon scheduling framework and reformulate the resulting problem as a mixed-integer linear program (MILP) using a closed-form characterization of the estimation-error covariance. To improve scalability, we derive a window-based skip-pruning condition that safely fixes consecutive transmission decisions to zero before solving the MILP, and we propose an auction-inspired scheduler based on one-step transmission-benefit scores. Numerical results show that the proposed model predictive control (MPC) scheduler achieves the best trade-off between control performance and communication cost, while the auction-based scheduler attains performance close to MPC with substantially lower computational complexity.