By this author

Iterative Learning Control of Stochastic Multi-Agent Systems with Variable Reference Trajectory and Topology

Issue number 6 from 15.06.2023

В современном интеллектуальном производстве роботы часто связаны сетью, и их задача может меняться по заранее заданной программе. Для роботов, выполняющих высокоточные операции, широко используется управление с итеративным обучением (УИО). В условиях сети, в случае смены программы, эффективность алгоритмов УИО может снижаться. Например, при изменении желаемой траектории ошибка обучения может временно увеличиться до недопустимого значения. В данной работе рассматривается сетевая система, в которой желаемая траектория и параметры изменяются между повторениями по известной программе, агенты подвергаются случайным возмущениям, а измерения производятся с шумами. Кроме того, топология сети также изменяется за счет выхода из сети некоторых агентов и подключения новых агентов по заданной программе. Предлагается метод синтеза распределенного УИО на основе векторных функций Ляпунова для повторяющихся процессов в сочетании с фильтрацией Калмана. Метод обеспечивает сходимость ошибки обучения и снижает ее переходные возрастания, вызванные изменением желаемой траектории и топологии сети. Приведен пример, подтверждающий эффективность предлагаемого метода.

11 0