Рой дронов держит строй без GPS: адаптивный консенсус и цена его точности

Адаптивный закон настройки коэффициентов, который я взял из классической литературы по мультиагентным системам, удерживал строй роя из шести дронов лучше всех: при порыве ветра ошибка 0,36 м против 0,89 м у вручную настроенного регулятора. Но при этом 67% времени хотя бы один аппарат работал на пределе тяги, а затраты на управление были в 3,5 раза выше. Коэффициенты регулятора подскакивали на каждом крупном манёвре и обратно уже не опускались. В статье разберу, откуда берётся этот эффект и как одна строчка в законе адаптации превращает его в управляемый компромисс между точностью и энергией.

Текст написан по мотивам нашей с научным руководителем В. В. Семеновым статьи и является частью моей выпускной работы на кафедре инженерной кибернетики НИТУ «МИСИС».

Задача: строй без глобальных координат

Группы небольших дронов летают на мониторинг местности, поисково‑спасательные работы, ретрансляцию связи и картографирование. Несколько дешёвых аппаратов покрывают большую площадь, чем один дорогой, и переживают потерю отдельных участников [1, 2]. Многие такие задачи требуют полёта строем: фигуру нужно держать на манёврах, перестраивать по команде и не терять при порывах ветра.

Управлять строем с наземной станции можно, но такая схема плохо масштабируется и перестаёт работать вместе с каналом связи. Поэтому в групповом управлении обычно используют распределённый подход: каждый аппарат считает своё управление сам, по информации только от ближайших соседей [3, 4]. Математическая основа — консенсусные протоколы, в которых агенты приходят к согласованным координатам и скоростям через локальный обмен данными [5, 6].

Я добавил ещё одно ограничение: никакой спутниковой навигации. Каждый дрон знает только относительное положение и скорость соседей — например, от UWB‑радиомодулей [7] или камер. Это не экзотика: рой микродронов уже летал в лесу на одних бортовых датчиках и относительной локализации [8].

Модель

Будем считать, что автопилот отрабатывает заданное ускорение. Тогда каждый из N аппаратов — двойной интегратор:

\dot{\mathbf p}_i = \mathbf v_i,\qquad \dot{\mathbf v}_i = \operatorname{sat}_{u_{\max}}(\mathbf u_i) + \mathbf d_i(t).

Здесь \mathbf p_i и \mathbf v_i — положение и скорость, \mathbf u_i — командное ускорение, \operatorname{sat} ограничивает его величину значением u_{\max}, а \mathbf d_i(t) — неизвестное возмущение, например ветер.

Кто кого видит, задаёт граф связи с матрицей смежности A = [a_{ij}]: a_{ij} = 1, если аппараты i и j измеряют взаимное положение и скорость. Траекторию строя задаёт виртуальный лидер с номером 0, но видят его не все, а только агенты с b_i = 1. Строй — это набор смещений \mathbf h_i относительно лидера, а ошибка строя i‑го аппарата равна

\tilde{\mathbf p}_i = \mathbf p_i - \mathbf h_i - \mathbf p_0.

Нужно, чтобы эта ошибка сходилась к нулю, строй перестраивался по команде и переживал обрыв части каналов. И чтобы коэффициенты регулятора и затраты на управление оставались ограниченными при шуме измерений и неизвестном ускорении лидера. Последнее требование окажется самым интересным.

Сразу оговорю две вещи, которые модель выносит за скобки. Во‑первых, «видеть» виртуального лидера без GPS можно двумя способами. Либо лидер — реальный аппарат со своей навигацией, и соседи измеряют положение относительно него. Либо лидер — точка, заданная в системе бортовой одометрии агента (например, визуально‑инерциальной), и тогда дрейф одометрии превращается в медленный дрейф всего строя. Во‑вторых, относительные векторы от разных аппаратов складываются, только если выражены в общих осях, то есть дронам нужен согласованный курс. В модели оба условия считаются выполненными.

Рис. 1. Граф связи (штриховые рёбра обрываются в полёте, красным — связи с виртуальным лидером 0) и смещения агентов в двух строях

Консенсус на пальцах

Удобно работать в координатах строя. Для каждого аппарата берём вектор состояния из его смещённого положения и скорости. Тогда по каждой оси динамика линейная:

\xi_i = \begin{bmatrix}\mathbf p_i - \mathbf h_i\\ \mathbf v_i\end{bmatrix},\qquad \dot x = Ax + Bu,\qquad A = \begin{bmatrix}0 & 1\\ 0 & 0\end{bmatrix},\quad B = \begin{bmatrix}0\\ 1\end{bmatrix}.

Матрицу усиления удобно взять из алгебраического уравнения Риккати. Для двойного интегратора у него есть решение в замкнутом виде, его легко проверить подстановкой:

A^{\mathsf T}P + PA - PBB^{\mathsf T}P + I = 0\ \Rightarrow\ P = \begin{bmatrix}\sqrt3 & 1\\ 1 & \sqrt3\end{bmatrix},\qquad K = -B^{\mathsf T}P = -\begin{bmatrix}1 & \sqrt3\end{bmatrix}.

Сам протокол — это сумма рассогласований с соседями и лидером, умноженная на K:

\mathbf u_i = K\Bigl[\sum_{j=1}^{N}\alpha_{ij}\,a_{ij}\,(\xi_i - \xi_j) + \beta_i\,b_i\,(\xi_i - \xi_0)\Bigr].

Каждый аппарат тянется к соседям и, если видит лидера, к лидеру. Коэффициенты \alpha_{ij} и \beta_i говорят, насколько сильно. В простейшем варианте все они равны одному числу \alpha.

Какое \alpha выбрать? Сведём граф в матрицу H = L + \operatorname{diag}(b_i), где L — лапласиан графа. Для связного графа, где лидера видит хотя бы один агент, она положительно определена. Система распадается на независимые моды по собственным числам \lambda матрицы H, и для каждой моды характеристический многочлен равен

s^2 + \sqrt3\,\alpha\lambda\, s + \alpha\lambda.

Все коэффициенты положительны, так что для двойного интегратора строй сходится при любом \alpha > 0, если не упираться в ограничение тяги. Известное условие \alpha \ge 1/(2\lambda_{\min}(H)) [9] нужно для общих линейных агентов, а здесь оно лишь достаточное. Для моего графа \lambda_{\min}(H) \approx 0{,}27, и \alpha = 1 этому условию не удовлетворяет, но рой всё равно собирается.

Проблема в другом: от \alpha зависит качество. Малое \alpha даёт медленный строй с большой ошибкой, большое усиливает шум измерений и тратит энергию. Где лучшая точка, зависит от собственных чисел всего графа и от уровня шума. Отдельный дрон графа целиком не знает, а граф меняется при обрывах каналов.

Пусть коэффициенты подстраиваются сами

Чтобы обойтись без глобальной информации, коэффициенты каждого ребра и связи с лидером настраивают по локальной ошибке [10, 11]:

\dot\alpha_{ij} = \kappa\,a_{ij}\,(\xi_i - \xi_j)^{\mathsf T}\Gamma(\xi_i - \xi_j),\qquad \dot\beta_i = \kappa\,b_i\,(\xi_i - \xi_0)^{\mathsf T}\Gamma(\xi_i - \xi_0),\qquad \Gamma = PBB^{\mathsf T}P.

Здесь \kappa > 0 — скорость адаптации, стартуют все коэффициенты с одного значения \alpha_0. Каждый аппарат считает этот закон по тем же относительным измерениям, что и управление. Чтобы \alpha_{ij} и \alpha_{ji} совпадали, оба конца ребра должны работать с одним и тем же измерением. Если каждый аппарат меряет сам, со своим шумом, коэффициенты на концах ребра начнут расходиться, и их придётся согласовывать по каналу связи.

У формулы простой смысл. Если подставить P, по каждой оси получится

e^{\mathsf T}\Gamma e = (e_p + \sqrt3\, e_v)^2,

где e_p и e_v — рассогласование по положению и скорости. В скобках стоит тот же сигнал, на который реагирует регулятор K. Коэффициент растёт пропорционально квадрату «того, что регулятору не нравится»: большая ошибка — быстрый рост связи.

Для фиксированного связного графа, без шума и возмущений и при лидере с постоянной скоростью сходимость доказывается функцией Ляпунова

V = \frac12\sum_{i=1}^{N}\tilde\xi_i^{\mathsf T}P\,\tilde\xi_i + \sum_{i<j}\frac{a_{ij}(\alpha_{ij} - \bar\alpha)^2}{2\kappa} + \sum_i\frac{b_i(\beta_i - \bar\alpha)^2}{2\kappa},

где \tilde\xi_i = \xi_i - \xi_0 — ошибка относительно лидера, а \bar\alpha — константа, не меньшая 1/(2\lambda_{\min}(H)). Слагаемые с коэффициентами сокращаются, и производная получается не больше -\tfrac12\|\tilde\xi\|^2. Отсюда коэффициенты ограничены, а ошибки сходятся к нулю [10, 11]. Константа \bar\alpha нужна только для доказательства, в реализации её нет.

Ловушка: коэффициенты только растут

Обратите внимание на оговорку «без шума и возмущений». В законе адаптации стоят только неотрицательные слагаемые, поэтому коэффициенты никогда не убывают. Любой большой переходный процесс — сборка роя, команда на перестроение — поднимает их, и опуститься обратно они уже не могут. А когда ошибка не обнуляется до конца из‑за шума или неизвестного ускорения лидера, коэффициенты продолжают медленно ползти вверх. В адаптивном управлении это давно известный эффект — параметрический дрейф [12].

Против него есть стандартные средства: σ‑модификация (утечка), зона нечувствительности и проекция [12, 13]. Для адаптивного консенсуса их тоже применяли, например в [14]. Модифицированный закон выглядит так:

\dot\alpha_{ij} = \kappa\,a_{ij}\Bigl[D_\delta\bigl(e_{ij}^{\mathsf T}\Gamma e_{ij}\bigr) - \sigma(\alpha_{ij} - \alpha_0)\Bigr],\qquad D_\delta(q) = \max(q - \delta,\,0),

где e_{ij} = \xi_i - \xi_j. Три изменения:

  • зона нечувствительности D_\delta: маленькие рассогласования, на уровне шума, коэффициент не трогают;

  • утечка с коэффициентом \sigma: тянет коэффициент обратно к базовому \alpha_0, когда ошибка мала; постоянная времени возврата равна 1/(\kappa\sigma);

  • проекция: коэффициент обрезается до отрезка [\alpha_0, \alpha_{\max}].

Закон для \beta_i меняется так же. Утечка добавляет в производную функции Ляпунова слагаемое, которое при больших коэффициентах отрицательно и растёт как -\sigma(\alpha_{ij} - \bar\alpha)^2. Поэтому ошибки и коэффициенты остаются ограниченными при ограниченных возмущениях и шуме. Платить за это приходится остаточной ошибкой, которая растёт с \sigma. Меня интересовало, сколько именно стоит этот компромисс на дронах, поэтому дальше — численный эксперимент.

Как это выглядит в коде

Упрощённая иллюстрация одного шага протокола с робастной настройкой (на numpy, для наглядности, без векторизации по агентам и без шума):

import numpy as np

SQ3 = np.sqrt(3.0)


def s(e):
    """B^T P e по каждой оси. e[0] -- ошибка положения, e[1] -- скорости."""
    return e[0] + SQ3 * e[1]


def step(xi, xi0, adj, b, alpha, beta, dt, kappa=0.5, sigma=0.05,
         delta=0.05, a0=1.0, amax=50.0, umax=6.0):
    """Один шаг консенсусного протокола с робастной настройкой.

    xi -- (N, 2, 3): [p_i - h_i, v_i] по трём осям для каждого агента;
    xi0 -- (2, 3): положение и скорость лидера;
    adj -- (N, N) матрица смежности, b -- (N,) доступ к лидеру;
    alpha -- (N, N) коэффициенты рёбер, beta -- (N,) связи с лидером.
    """
    n = len(xi)
    u = np.zeros((n, 3))
    d_alpha = np.zeros_like(alpha)
    d_beta = np.zeros_like(beta)
    for i in range(n):
        acc = np.zeros(3)
        for j in range(n):
            if adj[i, j]:
                e = s(xi[i] - xi[j])
                acc += alpha[i, j] * e
                q = e @ e                          # e^T Γ e по всем осям
                d_alpha[i, j] = kappa * (max(q - delta, 0.0)
                                         - sigma * (alpha[i, j] - a0))
        if b[i]:
            e = s(xi[i] - xi0)
            acc += beta[i] * e
            q = e @ e
            d_beta[i] = kappa * (max(q - delta, 0.0)
                                 - sigma * (beta[i] - a0))
        u[i] = -acc                                # K = -B^T P
        norm = np.linalg.norm(u[i])
        if norm > umax:                            # насыщение
            u[i] *= umax / norm
    alpha = np.clip(alpha + dt * d_alpha, a0, amax)  # проекция
    beta = np.clip(beta + dt * d_beta, a0, amax)
    return u, alpha, beta

Если подать на вход шесть аппаратов в случайных точках и лидера, летящего по прямой, рой собирается в шестиугольник, а коэффициенты сначала подскакивают, потом возвращаются вниз.

Эксперимент

Шесть дронов. Граф связи — кольцо и две диагонали, лидера видят агенты 1 и 4 (рис. 1). Сценарий на 80 секунд:

  • старт из случайного положения, сборка в правильный шестиугольник радиусом 5 м;

  • на 25-й секунде команда перестроиться в клин с эшелонированием по высоте;

  • лидер летит 4 м/с по прямой, с 30-й секунды — по окружности радиусом 50 м, его ускорение остальным неизвестно;

  • на 45-й секунде обрываются каналы 2–3 и 1–4, граф остаётся связным;

  • с 55-й по 65-ю секунду на всех действует порыв ветра около 2,2 м/с² с колебательной составляющей 0,5 Гц;

  • шум относительных измерений: СКО 0,05 м по положению и 0,025 м/с по скорости.

Параметр

Значение

Число агентов N

6

Шаг интегрирования / длительность

0,01 с / 80 с

Ограничение ускорения u_{\max}

6 м/с²

Начальный коэффициент \alpha_0

1

Скорость адаптации \kappa

0,5

Коэффициент утечки \sigma

0,05

Зона нечувствительности \delta

0,05

Верхняя граница \alpha_{\max}

50

СКО шума положения / скорости

0,05 м / 0,025 м/с

Сравнивал четыре варианта протокола: фиксированный коэффициент \alpha = 1; фиксированный \alpha = 8, подобранный вручную перебором под этот сценарий; адаптивный закон без регуляризации (\sigma = 0); робастный закон (\sigma = 0{,}05). Начальные условия и реализация шума у всех одинаковые.

Метрики: время установления t_s (после него максимальная ошибка строя не превышает 0,5 м), СКО ошибки строя на развороте, после обрыва и при порыве, максимальная ошибка при порыве, доля времени в насыщении и затраты на управление

E_u = \frac1N\int_0^T\sum_i\|\mathbf u_i\|^2\,dt.

Вот как летит рой с робастным протоколом: собирается в шестиугольник, перестраивается в клин и держит его на развороте, после обрыва связей и при порыве ветра.

Рис. 2. Траектории дронов в горизонтальной плоскости при робастном адаптивном протоколе (σ = 0,05); точками отмечены положения агентов в указанные моменты времени

Результаты

Показатель

Фикс. α = 1

Фикс. α = 8

Адапт. σ = 0

Адапт. σ = 0,05

t_sсборки, с

11,9

4,3

4,4

4,4

t_sперестроения, с

—

6,3

6,7

6,6

СКО на развороте, м

1,36

0,15

0,08

0,10

СКО после обрыва, м

1,18

0,15

0,07

0,12

СКО при порыве, м

7,78

0,89

0,36

0,77

Макс. ошибка при порыве, м

10,9

1,15

0,57

1,17

E_u м²/с³

110

360

1259

536

Доля времени в насыщении,%

1,4

3,1

67,4

18,4

Макс. коэффициент в конце

1

8

39,3

9,4

С \alpha = 1 рой собирается почти 12 секунд и не успевает перестроиться до обрыва связей. При порыве ошибка доходит до 10,9 м — вдвое больше радиуса строя. Остальные три варианта собираются за 4,3–4,4 с и перестраиваются за 6,3–6,7 с.

На развороте адаптивные протоколы точнее настроенного вручную: 0,08–0,10 м против 0,15 м. Но сравнение не совсем равное. К развороту их максимальные коэффициенты после перестроения уже 20–40, то есть они просто работают с более сильной связью, чем \alpha = 8.

Рис. 3. Максимальная по агентам ошибка строя; вертикальные линии — смена строя и обрыв каналов связи, серая полоса — порыв ветра, пунктир — порог 0,5 м

Чемпион по точности, который сжигает батарею

Адаптивный закон без регуляризации даёт наименьшую ошибку: при порыве 0,36 м против 0,89 м у \alpha = 8, почти в 2,5 раза меньше. Но затраты на управление в 3,5 раза больше, хотя бы один аппарат 67% времени висит в насыщении, а коэффициенты к концу полёта доходят до 39,3.

Откуда берётся такой рост, хорошо видно на рис. 4. Коэффициенты растут не плавно, а ступенями. При сборке максимальный подскакивает примерно до 20, при команде на перестроение — примерно до 38. Обе ступени — реакция на большое рассогласование, когда дронам надо пролететь несколько метров до своих мест. После этого рост почти останавливается: за следующие 50 секунд разворота, обрыва связей и порыва и максимум, и среднее по рёбрам прибавляют меньше единицы. Это и есть дрейф от неизвестного ускорения лидера и шума, но за 80 секунд он вносит немного. Главная беда в том, что поднятые на манёврах коэффициенты больше не опускаются.

На сами коэффициенты шум почти не влияет: без шума к концу полёта они доходят до 38,2. Зато он решает всё в затратах. При СКО шума 0; 0,02; 0,05 и 0,1 м затраты на управление составили 412, 684, 1259 и 1836 м²/с³. Большие коэффициенты умножают шум измерений, и команда на ускорение упирается в ограничение.

Для настоящего дрона это плохо. Постоянное насыщение — это моторы на пределе и быстро севшая батарея, а шум, умноженный на большие коэффициенты, превращается в дрожание аппарата.

Рис. 4. Эволюция адаптивных коэффициентов: жирные линии — максимум по рёбрам и связям с лидером, тонкие — среднее по рёбрам. Скачок средних при t = 45 с вызван тем, что оборванные рёбра выпадают из среднего

Робастный закон ведёт себя иначе. При сборке и перестроении коэффициенты так же подскакивают — до 19 и 31. Но когда ошибка входит в зону нечувствительности, утечка возвращает их к базовому уровню с постоянной времени 1/(\kappa\sigma) = 40 с. К концу полёта максимальный коэффициент — 9,4. Точность при этом близка к вручную настроенному протоколу: при порыве 0,77 м против 0,89 м. Затраты на управление в 1,5 раза выше, в основном из‑за пика коэффициентов при перестроении.

Главное: \alpha = 8 я нашёл перебором под конкретный сценарий. Адаптивному протоколу не нужно знать ни граф, ни возмущения. Его собственные параметры (\kappa, \sigma, \delta, \alpha_{\max}) подобраны один раз, и графа они не касаются.

Ручка «точность — энергия»

Главный параметр, которым задаётся рабочая точка, — коэффициент утечки \sigma. При росте \sigma от 0 до 0,2 затраты на управление падают с 1259 до 228 м²/с³, максимальный коэффициент — с 39,3 до 2,5, а СКО ошибки при порыве растёт с 0,36 до 1,63 м.

Рис. 5. Компромисс между СКО ошибки строя при порыве и затратами на управление; подписи точек — значения σ

Честно скажу: протокол с вручную подобранным \alpha = 8 лежит чуть ниже кривой адаптивных протоколов. Если сценарий известен заранее, хорошо настроенный фиксированный коэффициент энергетически выгоднее. Преимущество адаптации должно проявляться, когда условия отличаются от расчётных. Я увеличил амплитуду порыва:

Протокол

СКО при порыве ×1, м

СКО при порыве ×2, м

Рост

Фикс. α = 1

7,78

15,30

1,97

Фикс. α = 8

0,89

1,80

2,04

Адапт. σ = 0

0,36

0,84

2,32

Адапт. σ = 0,05

0,77

1,31

1,70

При удвоенном порыве ошибка настроенного вручную протокола выросла в 2 раза, а робастного адаптивного — в 1,7 раза, и он стал на 27% точнее. При утроенном порыве (около 6,6 м/с²) возмущение превышает предельное ускорение 6 м/с², и строй не держит ни один протокол. Эта граница определяется тягой аппаратов, а не алгоритмом.

Здесь нужна важная оговорка. Порыв в моём сценарии начинается через 30 секунд после перестроения. Коэффициенты робастного протокола к этому моменту ещё не вернулись к базе: на рис. 4 видно, что во время порыва они около 13–16, то есть выше, чем \alpha = 8. При этом во время порыва они не растут, а продолжают снижаться. Значит, часть выигрыша может объясняться тем, что порыв пришёл вскоре после манёвра, а не реакцией адаптации на сам порыв. Чтобы это разделить, нужен прогон, где порыв приходит после того, как коэффициенты вернулись к базовому уровню. Это ближайший эксперимент в моём списке.

Ограничения

  • Модель двойного интегратора не учитывает ориентацию и задержки автопилота. Для агрессивных манёвров нужна модель высокого порядка или каскадная схема управления.

  • Доказательство устойчивости не охватывает насыщение управления и переключение графа. Эти эффекты проверены только численно.

  • Все цифры получены на одной реализации шума. Статистика по серии запусков и лётный эксперимент — следующие шаги.

  • Смещения \mathbf h_i при перестроении меняются ступенькой. Из‑за этого адаптивный закон воспринимает команду как огромную ошибку, и коэффициенты подскакивают. Плавная смена смещений или заморозка адаптации на время перестроения, вероятно, заметно снизит пики коэффициентов и затраты.

Итог

Распределённый протокол с адаптивной настройкой коэффициентов держит строй роя на одних относительных измерениях, без GPS и без знания глобальных свойств графа. Классический адаптивный закон даёт наименьшую ошибку, но его коэффициенты только растут. Они поднимаются на каждом крупном манёвре, а в сочетании с шумом это оборачивается насыщением моторов 67% времени и затратами в 3,5 раза выше. Робастная модификация с утечкой и зоной нечувствительности держит коэффициенты в рамках и без знания графа достигает точности вручную подобранного регулятора. Коэффициент утечки \sigma работает как ручка компромисса между точностью строя и энергией. При вдвое более сильном порыве робастный протокол в моём сценарии оказался на 27% точнее, но эту цифру ещё предстоит проверить на сценарии, где порыв не следует сразу за манёвром.

Дальше в планах — задержки связи и динамика ориентации, доказательство устойчивости при переключаемом графе и ограниченном управлении и проверка на группе FPV‑дронов с относительной навигацией по UWB.

Литература

  1. Chung S.‑J., Paranjape A.A., Dames P., Shen S., Kumar V. A survey on aerial swarm robotics // IEEE Transactions on Robotics. 2018. Vol. 34, No. 4. P. 837–855.

  2. Coppola M., McGuire K.N., De Wagter C., de Croon G.C.H.E. A survey on swarming with micro air vehicles: Fundamental challenges and constraints // Frontiers in Robotics and AI. 2020. Vol. 7. Art. 18.

  3. Olfati‑Saber R., Fax J.A., Murray R.M. Consensus and cooperation in networked multi‑agent systems // Proceedings of the IEEE. 2007. Vol. 95, No. 1. P. 215–233.

  4. Ren W., Beard R.W. Distributed Consensus in Multi‑vehicle Cooperative Control: Theory and Applications. London: Springer, 2008.

  5. Olfati‑Saber R., Murray R.M. Consensus problems in networks of agents with switching topology and time‑delays // IEEE Transactions on Automatic Control. 2004. Vol. 49, No. 9. P. 1520–1533.

  6. Ren W., Beard R.W. Consensus seeking in multiagent systems under dynamically changing interaction topologies // IEEE Transactions on Automatic Control. 2005. Vol. 50, No. 5. P. 655–661.

  7. Guo K., Qiu Z., Meng W., Xie L., Teo R. Ultra‑wideband based cooperative relative localization algorithm and experiments for multiple unmanned aerial vehicles in GPS denied environments // International Journal of Micro Air Vehicles. 2017. Vol. 9, No. 3. P. 169–186.

  8. Zhou X. et al. Swarm of micro flying robots in the wild // Science Robotics. 2022. Vol. 7, No. 66. eabm5954.

  9. Li Z., Duan Z., Chen G., Huang L. Consensus of multiagent systems and synchronization of complex networks: A unified viewpoint // IEEE Transactions on Circuits and Systems I: Regular Papers. 2010. Vol. 57, No. 1. P. 213–224.

  10. Li Z., Ren W., Liu X., Fu M. Consensus of multi‑agent systems with general linear and Lipschitz nonlinear dynamics using distributed adaptive protocols // IEEE Transactions on Automatic Control. 2013. Vol. 58, No. 7. P. 1786–1791. arXiv:1109.3799

  11. Li Z., Ren W., Liu X., Xie L. Distributed consensus of linear multi‑agent systems with adaptive dynamic protocols // Automatica. 2013. Vol. 49, No. 7. P. 1986–1995.

  12. Ioannou P.A., Sun J. Robust Adaptive Control. Upper Saddle River: Prentice Hall, 1996.

  13. Фрадков А.Л. Адаптивное управление в сложных системах: беспоисковые методы. М.: Наука, 1990.

  14. Lv Y., Li Z., Duan Z., Feng G. Novel distributed robust adaptive consensus protocols for linear multi‑agent systems with directed graphs and external disturbances. arXiv:1511.01331

Комментарии (0)