[论文解读] Distributed MPC for Self-Organized Cooperation of Multiagent Systems -- Extended Version

Matthias Köhler, Matthias A. Müller+1 more|arXiv (Cornell University)|Oct 18, 2022

Advanced Control Systems Optimization参考文献 37被引用 4

一句话总结

本文提出了一种用于具有异质动力学和个体约束的非线性多智能体系统的顺序分布式模型预测控制（MPC）方案。智能体通过本地跟踪MPC与自适应调整的人工参考，借助邻居通信实现协作目标（如一致性或编队控制），而无需外部参考。关键贡献在于：在耦合代价满足充分条件时，系统可实现对协作集合的渐近收敛，从而通过分布式优化实现自组织协作。

ABSTRACT

We present a sequential distributed model predictive control (MPC) scheme for cooperative control of multi-agent systems with dynamically decoupled heterogeneous nonlinear agents subject to individual constraints. In the scheme, we explore the idea of using tracking MPC with artificial references to let agents coordinate their cooperation without external guidance. Each agent combines a tracking MPC with artificial references, the latter penalized by a suitable coupling cost. They solve an individual optimization problem for this artificial reference and an input that tracks it, only communicating the former to its neighbors in a communication graph. This puts the cooperative problem on a different layer than the handling of the dynamics and constraints, loosening the connection between the two. We provide sufficient conditions on the formulation of the cooperative problem and the coupling cost for the closed-loop system to asymptotically achieve it. Since the dynamics and the cooperative problem are only loosely connected, classical results from distributed optimization can be used to this end. We illustrate the scheme's application to consensus and formation control.

研究动机与目标

• 在不依赖外部参考或集中协调的情况下，实现对具有个体约束的非线性异质多智能体系统的协作控制。
• 将动力学与约束处理与协作目标解耦，以支持模块化设计与分析。
• 通过在人工参考的耦合代价中嵌入协作目标，实现通过分布式优化实现自组织协作。
• 仅使用本地优化与邻居通信，确保闭环系统相对于协作输出集合的渐近稳定性。
• 将现有分布式MPC框架扩展至处理动态、非凸的协作任务，如编队控制与一致性控制。

提出的方法

• 每个智能体求解一个本地跟踪MPC问题，其中参考为人工变量，而非外部信号。
• 通过惩罚人工参考偏离协作目标的代价，协同优化人工参考与控制输入以实现跟踪。
• 设计耦合代价以关联相邻智能体的人工参考，编码协作目标（如距离或高度一致性）。
• 智能体仅向邻居通信其当前最优人工参考，实现完全去中心化实现。
• 该方案采用顺序更新：智能体首先通过基于梯度的方法优化人工参考，随后计算跟踪控制输入。
• 推导出关于耦合代价与问题表述的充分条件，以保证渐近稳定性和递归可行性。

实验结果

研究问题

• RQ1 如何使协作多智能体系统在无外部参考或集中协调的情况下实现一致性或编队控制？
• RQ2 耦合代价需满足何种条件，才能确保人工参考的分布式优化可渐近收敛至协作集合？
• RQ3 使用人工参考在何种方式下实现动力学与协作目标的解耦，从而支持模块化分析与设计？
• RQ4 如何使分布式MPC处理具有个体约束的非线性、异质智能体，同时保证递归可行性和稳定性？
• RQ5 当协作代价为非凸或梯度退化时，所提出的方案是否仍能实现自组织协作？

主要发现

• 所提出的分布式MPC方案实现了闭环系统相对于协作输出集合的渐近稳定性，确保智能体达到期望的协调状态。
• 该方案实现了无需外部参考的自组织协作，因为人工参考通过邻居通信与优化内生演化。
• 该方法对非凸协作代价具有鲁棒性；仿真结果表明，即使在协作代价的投影梯度在解处消失时，系统仍能收敛。
• 在编队控制示例中，三架无人机会聚至相同高度，并形成边长为1米的正三角形。
• 即使在初始条件临界（协作代价梯度消失）时，该方案仍保持递归可行性和稳定性。
• 该方法通过顺序去中心化优化过程，成功处理了具有状态、输入和输出约束的非线性异质动力学（如无人飞行器）。