[论文解读] Cooperative control of multi-agent systems to locate source of an odor

Abhinav Sinha, Rishemjit Kaur+2 more|arXiv (Cornell University)|Nov 10, 2017

Insect Pheromone Research and Control参考文献 19被引用 4

一句话总结

该论文提出了一种用于多智能体系统的分层协同控制框架，通过滑模控制与粒子群优化（PSO）实现对气味源的定位。通过整合群体智能进行源位置预测，以及利用鲁棒滑模控制实现轨迹跟踪，该系统在存在扰动的情况下实现了有限时间一致性与形态控制，在模拟实验中表现出快速、精确的定位性能，且跟踪误差极小。

ABSTRACT

This work targets the problem of odor source localization by multi-agent systems. A hierarchical cooperative control has been put forward to solve the problem of locating source of an odor by driving the agents in consensus when at least one agent obtains information about location of the source. Synthesis of the proposed controller has been carried out in a hierarchical manner of group decision making, path planning and control. Decision making utilizes information of the agents using conventional Particle Swarm Algorithm and information of the movement of filaments to predict the location of the odor source. The predicted source location in the decision level is then utilized to map a trajectory and pass that information to the control level. The distributed control layer uses sliding mode controllers known for their inherent robustness and the ability to reject matched disturbances completely. Two cases of movement of agents towards the source, i.e., under consensus and formation have been discussed herein. Finally, numerical simulations demonstrate the efficacy of the proposed hierarchical distributed control.

研究动机与目标

• 利用协同多智能体系统解决在湍流环境中进行气味源定位的挑战。
• 通过分布式传感与协同运动，克服现有单智能体或简单梯度方法的局限性。
• 开发一种鲁棒控制策略，确保在时变扰动下实现对气味源的有限时间收敛。
• 将生物启发算法（PSO、家蚕蛾）与先进控制理论（滑模控制）相结合，以提升性能。
• 通过考虑真实烟羽动力学与不确定扰动的数值仿真，验证方法的有效性。

提出的方法

• 采用三层分层控制架构：(1) 利用粒子群优化（PSO）进行群体决策，基于智能体感知与丝状物运动预测气味源位置。
• 在路径规划层采用简化的家蚕蛾启发算法，生成指向预测源位置的轨迹。
• 在分布式滑模控制（SMC）层中引入一种新型非线性趋近律与滑动面，以确保鲁棒性与有限时间收敛。
• 设计滑模控制器时采用非线性趋近律：$ \dot{s}_i = -\mu \sinh^{-1}(m + w|s_i|) \text{sign}(s_i) $，以提升收敛速度与平滑性。
• 通过SMC结构实现时变扰动抑制，其中 $ \varsigma_i = 0.3\sin(\pi^2 t^2) $ 用于建模外部扰动。
• 采用有向固定交互拓扑结构，以智能体1作为虚拟领导者，并通过李雅普诺夫函数 $ \dot{V}_i = -\eta \|s_i\| $ 验证稳定性，确保全局渐近稳定性。

实验结果

研究问题

• RQ1 与单智能体或非协同方法相比，分层协同控制策略是否能提升在湍流烟羽中气味源定位的精度与速度？
• RQ2 将基于PSO的源位置预测与滑模控制相结合，如何增强对时变扰动的鲁棒性？
• RQ3 在非线性动力学与不确定扰动下，多智能体系统在多大程度上可实现有限时间一致性或形态控制？
• RQ4 使用非线性滑动面与趋近律对控制性能与收敛速度有何影响？
• RQ5 所提方法在复杂环境中如何权衡能效与定位精度？

主要发现

• 所提出的分层控制框架实现了有限时间一致性与形态控制，使智能体能够快速收敛至气味源位置。
• 仿真结果表明，跟踪误差的范数始终保持极小，表明在存在扰动的情况下仍具有极高的轨迹跟踪精度。
• 控制信号保持有界且平滑，如图5所示，证实了有效的扰动抑制与稳定执行。
• 滑动面迅速收敛至零，如图6所示，验证了系统的有限时间可达性与稳定性。
• 李雅普诺夫稳定性分析证实了全局渐近稳定性，$ \dot{V}_i < 0 $，证明在所设计控制协议下系统是稳定的。
• 采用非线性趋近律（$ \sinh^{-1} $）相比线性SMC方法，实现了更快的收敛速度与更小的抖振，从而提升了整体性能。