[论文解读] Distributed Model Predicted Control of Multi-agent Systems with Applications to Multi-vehicle Cooperation

Yougang Bian, Changkun Du+2 more|arXiv (Cornell University)|Sep 15, 2020

Distributed Control Multi-Agent Systems参考文献 13被引用 7

一句话总结

本文提出了一种用于具有线性动态和控制输入约束的多智能体系统的分布式模型预测控制（DMPC）框架，通过本地优化和基于邻居的状态轨迹交换实现渐近一致性。该方法通过一种新颖的李雅普诺夫函数（包含代价到目标函数的无穷级数）确保递归可行性和闭环稳定性，并在自主水下航行器（AUV）和联网自动化车辆（CAV）协作应用中得到验证。

ABSTRACT

This paper proposes a distributed model predicted control (DMPC) approach for consensus control of multi-agent systems (MASs) with linear agent dynamics and bounded control input constraints. Within the proposed DMPC framework, each agent exchanges assumed state trajectories with neighbors and solves a local open-loop optimization problem to obtain the optimal control input. In the optimization problem, a discrete-time consensus protocol is introduced into update law design for assumed terminal states, with which asymptotic consensus of assumed terminal states and recursive feasibility are rigorously proved. Together with the optimal cost function, an infinite series of cost-to-go functions is introduced into the design of a Lyapunov function, with which closed-loop asymptotic consensus is finally proved. Two applications including cooperation of autonomous underwater vehicles (AUVs) and connected and automated vehicles (CAVs) are used to validate the effectiveness of the proposed DMPC approach.

研究动机与目标

• 解决在控制输入有界且通信受限的多智能体系统中实现一致性的挑战。
• 开发一种分布式控制框架，确保在无需集中协调的情况下保持递归可行性和稳定性。
• 通过本地优化和邻居信息交换，实现自主车辆之间可扩展且鲁棒的协作。
• 通过一种新颖的李雅普诺夫函数设计实现渐近一致性，该函数结合了代价到目标函数的无穷级数。
• 在如自主水下航行器和联网自动化车辆等实际相关应用中验证该方法。

提出的方法

• 每个智能体使用与邻近智能体交换的假设状态轨迹求解一个本地开环优化问题。
• 在假设终端状态的更新律中嵌入离散时间一致性协议，以促进收敛。
• 将代价到目标函数扩展为无穷级数，并将其整合到李雅普诺夫函数中，以证明闭环渐近一致性。
• 通过确保在每个时间步长下优化问题在约束条件下仍可解，严格证明递归可行性。
• 基于本地优化的解计算控制输入，确保输入有界性和系统稳定性。
• 该框架专为线性智能体动态设计，支持在大规模多智能体系统中可扩展部署。

实验结果

研究问题

• RQ1 如何设计分布式模型预测控制，以在具有控制输入约束的多智能体系统中确保递归可行性？
• RQ2 何种控制结构能够在无需集中协调的情况下实现渐近一致性？
• RQ3 如何构建李雅普诺夫函数，以在分布式MPC框架中证明闭环稳定性？
• RQ4 代价到目标函数的无穷级数在确保稳定性和收敛性方面发挥什么作用？
• RQ5 所提出的DMPC方法在如AUV和CAV等实际多车辆协作场景中的表现如何？

主要发现

• 所提出的DMPC框架在控制输入有界约束下保证了递归可行性。
• 通过嵌入的离散时间一致性协议，实现了假设终端状态的渐近一致性。
• 通过结合代价到目标函数无穷级数的李雅普诺夫函数，证明了闭环渐近一致性。
• 该方法确保了稳定性与收敛性，且无需集中协调或全局信息。
• 仿真结果表明，在自主水下航行器（AUV）编队控制和联网自动化车辆（CAV）车队行驶中实现了有效的协作。
• 该框架具有可扩展性，适用于通信范围受限的多车辆系统中的实时实现。