精华内容
下载资源
问答
  • 为解决仿射控制系统关于由不等式表示的区域生存解的判别问题,利用非光滑分析理论和Gordan引理,给出了仿射非线性系统中类似KKT条件生存解的判别条件。最终将此判别条件推广到一般非线性控制系统生存域的判别条件。
  • 针对有扰动的约束非线性系统,提出了一种基于仿射控制输入的反馈预测控制策略. 采用无穷范数定义有限时域代价函数,对其进行极大极小优化得到预测控制律,并应用输入状态稳定分析了闭环系统的鲁棒稳定性,同时还给出...
  • 仿射控制形式的范德波尔振荡器的ZG轨迹生成,并处理了分零零问题
  • 针对一类不确定非仿射非线性系统的跟踪控制问题, 提出一种鲁棒Backstepping 控制策略. 首先, 为利用仿 射非线性方法设计控制器, 给出一种适用于全局的非仿射非线性近似方法; 然后, 设计快速收敛非线性微分器以估计...
  • 利用采样数字控制系统的方法分析了一类混杂动态系统模型描述的仿射非线性网络控制系统的稳定性问题.针对一类仿射非线性对象和线性数字控制器组成的网络控制系统,虑了网络诱导延时对系统稳定性的影响,得到了仿射非...
  • 切换仿射系统的定期事件触发控制
  • 提出一种基于控制点一致性约束的稳健仿射迭代最近点算法,该方法通过建立控制点约束下的目标函数,引导数据点集仿射配准到目标点集,建立数据点集和目标点集的最近点对应关系,采用随机抽样一致性方法筛选高精度形状...
  • 针对一类非线性仿射系统的控制器设计问题, 基于滑模变结构控制理论, 提出一种新的控制器设计方法: 滑模降阶方法. 首先反复运用变结构控制理论对一类?? 阶的仿射非线性系统构造n − 1 个微分同胚变换函数和n− 1 个...
  • 文章目录写在前面预备基础分层拉普拉斯矩阵有向图下的仿射队形有向图下的仿射可操控条件leader和follower分层控制律 写在前面 原论文标题:Layered Affine Formation Control of Networked Uncertain Systems: A ...

    写在前面

    原论文标题:Layered Affine Formation Control of Networked Uncertain Systems: A Fully Distributed Approach Over Directed Graphs

    本文为近期阅读的论文(Dong 2020)1的笔记。该论文研究欧拉-拉格朗日系统(以下称EL系统)有向图拓扑下的分布式仿射编队控制。论文重点集中于两处:其一,有向图下的仿射可操控条件;其二,leader和follower分层控制律。

    预备基础

    这里默认读者都看过Lin 20162和Zhao 20183,这两篇论文是以下内容的基础,证明不再给出,请自行参阅原论文。由于不同论文所用标志符号不同,本文所用标志符号统一与前文(仿射队形控制原理与stress matrix的构建)一致。

    分层拉普拉斯矩阵

    定义1:nominal formation ( G , r ) (\mathcal G,r) (G,r)称为仿射可操控(affine maneuverable),当且仅当对任意 q = [ q l T , q f T ] T ∈ A ( r ) ∈ R N d q=[q_l^T,q_f^T]^T\in\mathcal A(r)\in\mathbb R^{Nd} q=[qlT,qfT]TA(r)RNd q f q_f qf可以被 q l q_l ql唯一表示,即
    q f = − ( ( L f 1 s ) − 1 L f 2 s ⊗ I d ) q l 。 q_f=-((L_{f1}^s)^{-1}L_{f2}^s\otimes I_d)q_l。 qf=((Lf1s)1Lf2sId)ql

    注意:这里的“仿射可操控”其实就是Zhao 2018的“仿射可定位”,整合了Zhao的一部分相关结论。

    上面定义中用到的拉普拉斯矩阵在论文中也有重新定义,为分层拉普拉斯矩阵(Layered Laplacian matrix),即
    L † = [ 0 0 N l T 0 N f T L l 2 L l 1 0 N l × N f 0 N f L f 2 s L f 1 s ] , L^\dagger=\begin{bmatrix}0&0_{N_l}^T&0_{N_f}^T\\ L_{l2}&L_{l1}&0_{N_l\times N_f}\\ 0_{N_f}&L_{f2}^s&L_{f1}^s\end{bmatrix}, L=0Ll20Nf0NlTLl1Lf2s0NfT0Nl×NfLf1s
    其中 L l 1 ∈ R N l × N l L_{l1}\in\mathbb R^{N_l\times N_l} Ll1RNl×Nl表示leader之间的拓扑, L l 2 ∈ R N l × 1 L_{l2}\in\mathbb R^{N_l\times 1} Ll2RNl×1,表示leader与虚拟agent的拓扑, L f 1 s ∈ R N f × N f L_{f1}^s\in\mathbb R^{N_f\times N_f} Lf1sRNf×Nf表示follower之间的拓扑, L f 2 s ∈ R N f × N l L_{f2}^s\in\mathbb R^{N_f\times N_l} Lf2sRNf×Nl表示leader和follower之间的拓扑。

    综上所述,分层拉普拉斯矩阵表示分层的拓扑结构,第一层是普通拉普拉斯矩阵
    L = [ 0 0 N l L l 2 L l 1 ] ∈ R ( N l + 1 ) × ( N l + 1 ) , L=\begin{bmatrix}0&0_{N_l}\\ L_{l2}&L_{l1}\end{bmatrix}\in\mathbb R^{(N_l+1)\times (N_l+1)}, L=[0Ll20NlLl1]R(Nl+1)×(Nl+1)
    第二层是带符号拉普拉斯矩阵
    L s = [ 0 N l × N l 0 N l × N f L f 2 s L f 1 s ] ∈ R ( N l + N f ) × ( N l + N f ) 。 L^s=\begin{bmatrix}0^{N_l\times N_l}&0^{N_l\times N_f}\\ L_{f2}^s &L_{f1}^s\end{bmatrix}\in\mathbb R^{(N_l+N_f)\times(N_l+N_f)}。 Ls=[0Nl×NlLf2s0Nl×NfLf1s]R(Nl+Nf)×(Nl+Nf)
    整个控制过程的逻辑结构是,一个虚拟agent 0(如:人的输入)控制多个leader,再由leader控制follower。为了完成这个控制过程,需要以下假设和引理。

    令所有agent的label为 0 , 1 , ⋯   , N l , ⋯   , N l + N f 0,1,\cdots,N_l,\cdots,N_l+N_f 0,1,,Nl,,Nl+Nf。前 N l + 1 N_l+1 Nl+1个组成图 G l \mathcal G_l Gl

    假设4:对于第一层的 N l ( N l ≥ d + 1 ) N_l(N_l\geq d+1) Nl(Nld+1)个leader,图 G l \mathcal G_l Gl中存在一个有向生成树,其中root为agent 0。

    引理1:对于第一层,如果图 G l \mathcal G_l Gl中存在一个有向生成树,那么下列声明成立:

    1. L l 1 L_{l1} Ll1非奇异;
    2. 所有 L l 1 L_{l1} Ll1的特征根有正实部;
    3. − L l 1 − 1 L l 2 -L_{l1}^{-1}L_{l2} Ll11Ll2每一个元素非负,每一行和为1。

    证明:前两条证明见Meng 20134的Lemma 2.1,第三条证明见Meng 20105的Lemma 4。 L l 1 L_{l1} Ll1是一个non-singular M-matrix,满足inverse-positive,即 L l 1 − 1 L_{l1}^{-1} Ll11 exists and L l 1 − 1 ≥ 0 L_{l1}^{-1}\geq 0 Ll110 element-wisely6。而 L l 2 L_{l2} Ll2的每一个元素非正,因为agent 0只可能是leader的in-neighbor。因此 − L l 1 − 1 L l 2 -L_{l1}^{-1}L_{l2} Ll11Ll2的每一个元素非负。注意到 [ L l 2 L l 1 ] [ 1 1 N l ] = 0 \begin{bmatrix}L_{l2} &L_{l1}\end{bmatrix}\begin{bmatrix}1\\ 1_{N_l}\end{bmatrix}=0 [Ll2Ll1][11Nl]=0。因此, L l 2 = − L l 1 1 N l L_{l2}=-L_{l1}1_{N_l} Ll2=Ll11Nl,即 − L l 1 − 1 L l 2 = 1 N l -L_{l1}^{-1}L_{l2}=1_{N_l} Ll11Ll2=1Nl行和为1(全1列向量)。

    有向图下的仿射队形

    以下定义和假设出自Zhao 2018,详见前文(仿射队形控制原理与stress matrix的构建)。

    定义configuration matrix P ( q ) P(q) P(q)和augmented matrix P ˉ ( q ) \bar P(q) Pˉ(q)

    假设5:nominal configuration r r r is generic.

    以下定义和引理出自Lin 2016:

    若有向图 G = ( V , E ) \mathcal G=(\mathcal V,\mathcal E) G=(V,E)中存在边 ( j , i ) ∈ E (j,i)\in\mathcal E (j,i)E,方向为 j → i j \to i ji,那么 j j j i i i的in-neighbor, i i i j j j的out-neighbor。

    定义2.1:对于有向图 G \mathcal G G,如果去掉除节点 v ∈ V v\in\mathcal V vV外的任意 k − 1 k-1 k1个节点,仍然存在一条路径(path)从某一节点 u ∈ U u\in\mathcal U uU到节点 v v v,那么节点 v v v被称为 k k k-reachable from 非单元素(non-singleton)集合 U \mathcal U U

    从上面的定义中,我们可以得知:

    • U \mathcal U U的元素必定大于等于 k k k个,才能保证去掉 k − 1 k-1 k1个节点后 U ≠ ∅ \mathcal U\neq \empty U=
    • 从集合 U \mathcal U U到节点 v v v至少有 k k k互不相交(disjoint)的路径。

    定义2.2:有向图 G \mathcal G G k k k-rooted,如果存在包含 k k k个节点的子集,称为(root)集,从根集出发所有其他节点都 k k k-reachable。

    定义2.3:对于有向图 G = ( V , E ) \mathcal G=(\mathcal V,\mathcal E) G=(V,E),一个根集为 R = { r 1 , ⋯   , r k } ⊂ V \mathcal R=\{r_1,\cdots,r_k\}\subset \mathcal V R={r1,,rk}V k k k-生成树(spanning k k k-tree)是一个生成子图(spanning subgraph) T = ( V , E ˉ ) \mathcal T=(\mathcal V,\bar {\mathcal E}) T=(V,Eˉ),其满足:

    1. 每一个节点 r ∈ R r\in\mathcal R rR都没有in-neighbor;
    2. 每一个节点 v ∉ R v\notin\mathcal R v/R都有 k k k个in-neighbor;
    3. 每一个节点 v ∉ R v\notin\mathcal R v/R k k k-reachable from R \mathcal R R

    从上面的定义中,我们可以得知:

    • 有向图 G \mathcal G G如果有 k k k-生成树,那么一定 k k k-rooted;
    • 如果节点 k k k-reachable,那么必然有 k k k个in-neighbor。

    引理2 (Lemma 2.1, Lin 2016):图 G \mathcal G G有一个 k k k-生成树,当且仅当图 G \mathcal G G k k k-rooted。

    只需证明必要性。令根集为 R \mathcal R R,并移除所有incoming edge,其他节点仍然 k k k-reachable。再移除其他节点的多余incoming edge,只留下 k k k个保证 k k k-reachable。通过上述两步得到 k k k-生成树,利用了 k k k-路径的互不相交性。

    引理3 (Lemma 4.1, Lin 2016):对于有向图 G \mathcal G G,如果它是 k k k-rooted,那么相关的 L s L^s Ls满足:

    1. 去掉与根节点相关的 k k k行和 k k k列所得子矩阵的主子式(principal minor)不为0;
    2. 去掉与根节点相关的 k k k行和任意的 k k k列所得子矩阵是非奇异的。

    回顾一下,余子式(minor) [ A ] i , j [A]_{i,j} [A]i,j是原矩阵 A A A去掉第 i i i行和第 j j j列后的子矩阵的行列式,如果 i = j i=j i=j,则为主子式7

    参考Lin 2016,定义仿射队形可实现(realizable)为: ( L s ⊗ I d ) q = 0 (L^s\otimes I_d)q=0 (LsId)q=0当且仅当 q ∈ A ( r ) q\in\mathcal A(r) qA(r)

    引理4 (Theorem 4.1, Lin 2016):假如有向图 G \mathcal G G N ≥ d + 2 N\geq d+2 Nd+2个节点,且 r r r是generic。那么仿射队形可实现当且仅当 G \mathcal G G ( d + 1 ) (d+1) (d+1)-rooted。

    有向图下的仿射可操控条件

    定理1:在假设5条件下,nominal formation ( G , r ) (\mathcal G,r) (G,r)仿射可操控,当且仅当leader集合 V l \mathcal V_l Vl有至少 d + 1 d+1 d+1个节点,同时集合 V f V_f Vf中的每一个follower都 ( d + 1 ) (d+1) (d+1)-reachable from集合 V l V_l Vl

    证明:(充分性) 满足条件的 G \mathcal G G ( d + 1 ) (d+1) (d+1)-rooted,所以有 k k k-生成树,仿射队形可实现。再加上 L f 1 s L_{f1}^s Lf1s的非奇异性,队形可被唯一确定,即仿射可操控。(必要性) 如果仿射可操控,必然存在 L s L^s Ls使得仿射队形可实现,故 G \mathcal G G ( d + 1 ) (d+1) (d+1)-rooted满足条件。

    假设6:集合 V f V_f Vf中的每一个follower都 ( d + 1 ) (d+1) (d+1)-reachable from集合 V l V_l Vl

    leader和follower分层控制律

    问题1:给定初始队形 G ( q ( 0 ) ) \mathcal G(q(0)) G(q(0))和nominal configuration matrix P ( r ) P(r) P(r),为每一个agent设计基于邻居相对位置和速度的控制律 τ i ( t ) \tau_i(t) τi(t),使得 q l → − ( L l 1 − 1 L l 2 ⊗ I d ) q 0 + p q_l\to -(L_{l1}^{-1}L_{l2}\otimes I_d)q_0+p ql(Ll11Ll2Id)q0+p,且 q f → − ( ( L f 1 s ) − 1 L f 2 s ⊗ I d ) q l q_f\to-((L_{f1}^s)^{-1}L_{f2}^s\otimes I_d)q_l qf((Lf1s)1Lf2sId)ql误差有界,其中 p = [ p 1 T , ⋯   , p N l T ] T p=[p_1^T,\cdots,p_{N_l}^T]^T p=[p1T,,pNlT]T p i p_i pi为相对于nominal formation的位移。

    可以看出, − ( L l 1 − 1 L l 2 ⊗ I d ) q 0 -(L_{l1}^{-1}L_{l2}\otimes I_d)q_0 (Ll11Ll2Id)q0实现consensus,即所有leader收敛于 q 0 q_0 q0,再加上 p p p即为相对 q 0 q_0 q0的位移。

    论文对两层都用了自适应NN控制律(adaptive NN-based control law),误差有限时间收敛到原点的一个邻域,即practical finite-time stability8

    注意:这里的practical是针对EL系统的模型不确定性来说的,如果模型完全确定,那么是可以有限时间收敛到原点的。

    至于自适应NN控制律如何设计,我在这里挖个坑,之后的文章里结合Wang 20099讲。


    1. Li, D., Ma, G., Xu, Y., He, W., & Ge, S. S. (2020). Layered Affine Formation Control of Networked Uncertain Systems: A Fully Distributed Approach Over Directed Graphs. IEEE Transactions on Cybernetics, 1–12. https://doi.org/10.1109/tcyb.2020.2965657 ↩︎

    2. Lin, Z., Wang, L., Chen, Z., Fu, M., & Han, Z. (2016). Necessary and sufficient graphical conditions for affine formation control. IEEE Transactions on Automatic Control, 61(10), 2877–2891. https://doi.org/10.1109/TAC.2015.2504265 ↩︎

    3. Zhao, S. (2018). Affine Formation Maneuver Control of Multiagent Systems. IEEE Transactions on Automatic Control, 63(12), 4140–4155. https://doi.org/10.1109/TAC.2018.2798805 ↩︎

    4. Meng, Z., Lin, Z., & Ren, W. (2013). Robust cooperative tracking for multiple non-identical second-order nonlinear systems. In Automatica (Vol. 49, pp. 2363–2372). Elsevier Ltd. https://doi.org/10.1016/j.automatica.2013.04.040 ↩︎

    5. Meng, Z., Ren, W., & You, Z. (2010). Distributed finite-time attitude containment control for multiple rigid bodies. Automatica, 46(12), 2092–2099. https://doi.org/10.1016/j.automatica.2010.09.005 ↩︎

    6. Wikipedia contributors. (2020, August 29). M-matrix. In Wikipedia, The Free Encyclopedia. Retrieved 08:23, October 8, 2020, from https://en.wikipedia.org/w/index.php?title=M-matrix&oldid=975609653 ↩︎

    7. Wikipedia contributors. (2020, May 20). Minor (linear algebra). In Wikipedia, The Free Encyclopedia. Retrieved 02:22, October 8, 2020, from https://en.wikipedia.org/w/index.php?title=Minor_(linear_algebra)&oldid=957799839 ↩︎

    8. Zhu, Z., Xia, Y., & Fu, M. (2011). Attitude stabilization of rigid spacecraft with finite-time convergence. International Journal of Robust and Nonlinear Control, 21(6), 686–702. https://doi.org/10.1002/rnc.1624 ↩︎

    9. Wang, L., Chai, T., & Zhai, L. (2009). Neural-network-based terminal sliding-mode control of robotic manipulators including actuator dynamics. IEEE Transactions on Industrial Electronics, 56(9), 3296–3304. https://doi.org/10.1109/TIE.2008.2011350 ↩︎

    展开全文
  • 针对SISO 非仿射非线性系统, 提出一种新型自主构架模糊控制器. 此控制器由鲁棒控制器与自主构架模糊系统构成. 模糊系统初始只含有一条规则, 根据系统误差和??完备性2 条准则自主增加规则及隶属函数, 从而完善模糊...
  • 针对连续分段仿射系统当前所处的作用域未知,而且不能从测量输出获得的问题,为系统提出了一种 基于观测器的控制器设计方法。通过用椭圆体逼近凸多面体作用域,并用奇异值分解技巧来处理矩阵等式约 束,从而将控制器设计...
  • 仿射变换

    2017-04-13 16:20:41
    仿射变换含义 仿射变换是指在几何中,一个向量空间(vector space)进行一次线性变换(linear ...其矩阵表达形式(matrix formal)为: A控制旋转与缩放,b控制平移: 我们使用Python语言对之进行演示:import num

    仿射变换含义

    仿射变换是指在几何中,一个向量空间(vector space)进行一次线性变换(linear transformation)并拼上一个平移(Translation )。所以,本质上仿射变换针对的是某一向量空间(当然该空间中的任一向量)。

    这里写图片描述
    其矩阵表达形式(matrix formal)为:

    ss

    A控制旋转与缩放,b控制平移:

    这里写图片描述
    我们使用Python语言对之进行演示:

    import numpy as np
    x = np.array((1, 2, 3))
    b = np.ones(2)
    A = np.random.rand(2, 3)
    y1 = np.dot(A, x) + b
                    #  array([ 4.17327185,  4.0755495 ])
    
    A_aug = np.hstack((A, b.reshape((-1, 1))))
    A_aug = np.vstack((A_aug, np.hstack(np.zeros(3), 1).reshape((1, -1))))
    y2 = np.dot(A_aug, np.hstack((x, 1)).reshape((-1, 1)))
                        # array([[ 4.17327185],
                        # [ 4.0755495 ],
                        # [ 1.        ]])
    
    
    # 上述构造的方式仍稍显繁琐,这里再提供一种方式
    A_aug = np.zeros((A.shape[0]+1, A.shape[1]+1))
    A_aug[-1, -1] = 1
    A_aug[:-1, :-1] = A
    A_aug[:-1, -1] = b
    np.dot(A_aug, np.hstack((x, 1)).reshape((-1, 1)))
    展开全文
  • 研究非线性奇异系统的反馈稳定化问题. 首先给出仿射非线性奇异系统反馈稳定化的概念;... 最后证明了对于正则仿射非线性奇异系统, 当其零动态渐近稳定时, 该系统可通过反馈控制实 现系统的稳定化.</p>
  • 控制点表示和差分编码仿射运动补偿
  • 仿射奇异摄动切换系统的模糊控制
  • 针对一类更广泛的非仿射非线性离散系统, 提出一种改进的无模型自适应控制算法. 该算法基于非参数动态线性化方法, 运用观测器的思想, 实现带有扰动系统的实时动态线性化, 进而将无模型自适应控制方法的应用推广到更...
  • 针对非仿射非线性系统,提出初态学习律,并给出关于初态学习的收敛性充分条件.初态学习使得系统在每次迭代开始时,不严格要求其初态与期望初态重合或者固定于某一具体位置上,而是允许存在一定的定位偏差.利用压缩映射...
  • 针对一类多输入多输出非仿射非线性系统,基于神经网络设计了一种自适应控制方案。该系统隐含控制输入,利用隐函数定理和伪控制概念提出了控制运算法则,采用Lyapunov方法证明了系统的稳定性。该方案采用神经网络补偿...
  • 针对一类具有内部动态和外部扰动未知以及非对称输入饱和约束的非仿射系统,提出一种自抗扰反演控制方法.首先基于自抗扰控制思想,通过直接从非仿射项中提取线性控制项,将非仿射系统转化为仿射非线性形式.在此基础上, ...
  • 针对一类仿射非线性有界动态随机系统, 提出一种最优概率密度函数(PDF) 跟踪控制算法, 使得系统的输出 PDF 跟踪给定的PDF. 首先利用线性?? 样条解耦得到仿射非线性状态方程和PDF 逼近方程, 使PDF 跟踪转化为状态...
  • 针对一类具有死区的非仿射非线性系统,将预设性能控制与有限时间控制相结合,提出一种具有预设性能的自适应有限时间跟踪控制方法.基于Backstepping技术、模糊逻辑系统及有限时间Lyapunov稳定理论,给出使系统半全局实际...
  • 基于神经网络MIMO非仿射系统自适应输出反馈控制,赵品,,针对一类多输入多输出(MIMO)非仿射非线性系统,设计了一种基于神经网络的自适应输出反馈控制方案,使得输出信号能够跟踪给定光��
  • 不确定仿射非线性系统的全局鲁棒最优滑模控制
  • 针对一类多输入多输出(MIMO) 仿射非线性动态系统, 提出一种基于极限学习机(ELM) 的鲁棒自适应神经控制方法. ELM随机确定单隐层前馈网络(SLFNs) 的隐含层参数, 仅需调整网络的输出权值, 能以极快的学习速度获得良好的...
  • 文章目录写在前面预备基础线性相关和仿射相关Stress MatrixDistance RigidityAffine Formation Control的实现Affine Image和Stress Matrix的关系什么条件下Stress Matrix可行如何构建Stress Matrix奇异值分解的原理...

    写在前面

    原论文标题:Affine Formation Maneuver Control of Multiagent Systems.

    本文为近期阅读的论文(Zhao 2018)1的笔记。该论文研究基于仿射变换的编队控制,重点集中于如何通过控制leader实现maneuver。

    预备基础

    column stack(记作vec)的性质:
    vec ⁡ ( A B C ) = ( C T ⊗ A ) vec ⁡ ( B ) x ⊗ y = vec ⁡ ( y x T ) \begin{aligned} \operatorname{vec}(ABC)&=(C^T\otimes A)\operatorname{vec}(B)\\ x\otimes y&=\operatorname{vec}(yx^T) \end{aligned} vec(ABC)xy=(CTA)vec(B)=vec(yxT)
    configuration matrix定义为:
    P ( p ) = [ p 1 T ⋮ p n T ] ,   P ˉ ( p ) = [ P ( p ) 1 n ] , P(p)=\begin{bmatrix} p_1^T\\ \vdots\\ p_n^T \end{bmatrix},\,\bar P(p)=\begin{bmatrix}P(p)&1_n\end{bmatrix}, P(p)=p1TpnTPˉ(p)=[P(p)1n]
    其中 p i ∈ R d p_i\in\mathbb R^d piRd的column stack叫做configuration p = [ p 1 T , ⋯   , p n T ] T p=[p_1^T,\cdots,p_n^T]^T p=[p1T,,pnT]T

    结合上面两个,得到一个多智能体控制中常用的性质:
    vec ⁡ ( ( L P ( p ) ) T ) = ( L ⊗ I d ) vec ⁡ ( P T ( p ) ) 。 ( 1 ) \operatorname{vec}((LP(p))^T) = (L\otimes I_d)\operatorname{vec}(P^T(p))。\qquad (1) vec((LP(p))T)=(LId)vec(PT(p))(1)
    该性质在matlab编程中可以简化代码。

    线性相关和仿射相关

    线性相关(linearly dependant)要求 ∑ i = 1 n a i p i = 0 \sum_{i=1}^na_ip_i=0 i=1naipi=0,而仿射相关(affinely dependant)额外要求 ∑ i = 1 n a i = 0 \sum_{i=1}^n a_i=0 i=1nai=0。这个区别直接反映在configuration matrix上,故 { p i } i = 1 n \{p_i\}_{i=1}^n {pi}i=1n仿射相关当且仅当 P ˉ ( p ) \bar P(p) Pˉ(p)行线性相关,即 P ˉ T ( p ) a = 0 \bar P^T(p)a=0 PˉT(p)a=0

    仿射相关肯定线性相关,反之不一定。线性无关肯定仿射无关,反之不一定。

    由于 P ˉ ( p ) \bar P(p) Pˉ(p) d + 1 d+1 d+1列,所以 R d \mathbb R^d Rd空间最多有 d + 1 d+1 d+1个点仿射无关(affinely independant)。相对应的, R d \mathbb R^d Rd空间最多有 d d d个点线性无关(linearly dependant)。

    { p i } i = 1 n \{p_i\}_{i=1}^n {pi}i=1n中存在 d + 1 d+1 d+1个点仿射无关时, R d \mathbb R^d Rd可以被 { p i } i = 1 n \{p_i\}_{i=1}^n {pi}i=1n仿射展开(affine span),此时 P ˉ ( p ) \bar P(p) Pˉ(p)行线性无关, rank ⁡ ( P ˉ ( p ) ) = d + 1 \operatorname{rank}(\bar P(p))=d+1 rank(Pˉ(p))=d+1

    引理1: { p i } i = 1 n \{p_i\}_{i=1}^n {pi}i=1n仿射展开 R d \mathbb R^d Rd,当且仅当 n ≥ d + 1 n\geq d+1 nd+1 rank ⁡ ( P ˉ ( p ) ) = d + 1 \operatorname{rank}(\bar P(p))=d+1 rank(Pˉ(p))=d+1

    Stress Matrix

    对基于图论定义的formation ( G , p ) (\mathcal G,p) (G,p)stress是每条边上的标量权重, { ω i j } ( i , j ) ∈ E \{\omega_{ij}\}_{(i,j)\in\mathcal E} {ωij}(i,j)E ,其中 ω i j = ω j i ∈ R \omega_{ij}=\omega_{ji}\in\mathbb R ωij=ωjiR

    equilibrium stress满足
    ∑ j ∈ N i ω i j ( p i − p j ) = 0 ,   i ∈ V 。 ( 2 ) \sum_{j\in\mathcal N_i}\omega_{ij}(p_i-p_j)=0,\,i\in\mathcal V。 \qquad (2) jNiωij(pipj)=0iV(2)
    可知,如果 ω \omega ω是equilibrium stress,则 k ω k\omega kω也是( k ≠ 0 k\neq 0 k=0)。

    Distance Rigidity

    对于一组formation,满足等价和全等的条件为:

    • 等价(equivalent):图相同的情况下,任意一条边对应的两个节点,在不同的formation中距离相等。

    • 全等(congruent):图相同的情况下,任意两个节点,在不同的formation中距离相等。

    globally rigid:对于一个formation,等价和全等同时成立。

    universally rigid:对于一个formation,在任意 R d 1 \mathbb R^{d_1} Rd1空间满足globally rigid,其中 d 1 ≥ d d_1\geq d d1d

    应用式(1),定义对称的equilibrium stress matrix Ω \Omega Ω,我们将平衡条件式(2)重写为
    ( Ω ⊗ I d ) p = vec ⁡ ( ( Ω P ( p ) ) T ) = 0 。 ( 3 ) (\Omega\otimes I_d)p=\operatorname{vec}((\Omega P(p))^T)=0。\qquad (3) (ΩId)p=vec((ΩP(p))T)=0(3)
    由于 rank ⁡ ( P ( p ) ) = d + 1 \operatorname{rank}(P(p))=d+1 rank(P(p))=d+1,故 rank ⁡ ( Ω ) = n − d − 1 \operatorname{rank}(\Omega)=n-d-1 rank(Ω)=nd12

    引理2:给定无向图 G \mathcal G Ggeneric configuration p p p,formation ( G , p ) (\mathcal G,p) (G,p)是universally rigid当且仅当存在半正定stress matrix Ω \Omega Ω满足 rank ⁡ ( Ω ) = n − d − 1 \operatorname{rank}(\Omega)=n-d-1 rank(Ω)=nd1

    注意:线性代数里正定性的前提是实对称矩阵。

    Consider all of the coordinates of p = [ p 1 T , ⋯   , p n T ] T p=[p_1^T,\cdots,p_n^T]^T p=[p1T,,pnT]T as a set of numbers x 1 , x 2 , ⋯   , x d n x_1, x_2,\cdots,x_{dn} x1,x2,,xdn, and consider any non-zero polynomial equation f ( x 1 , x 2 , ⋯   , x d n ) f(x_1, x_2,\cdots,x_{dn}) f(x1,x2,,xdn) with integer coeffcients and the numbers (the coordinates) substituted for the variables x 1 , x 2 , ⋯   , x d n x_1, x_2,\cdots,x_{dn} x1,x2,,xdn. If f ( p ) ≠ 0 f(p) \neq 0 f(p)=0 for every such f f f, we say that the configuration is generic.3

    论文(Zhao 2018)中对generic的定义是:the coordinates of all the nodes do not satisfy any nontrivial equations with rational coefficients. 由于有理数可以通过乘以最小公倍数得到整数,该定义与上述定义一致。

    Affine Formation Control的实现

    给定nominal configuration r = [ r 1 T , ⋯   , r n T ] T r=[r_1^T,\cdots,r_n^T]^T r=[r1T,,rnT]T和nominal formation ( G , r ) (\mathcal G,r) (G,r),target formation中的configuration为
    p ∗ ( t ) = [ I n ⊗ A ( t ) ] r + 1 n ⊗ b ( t ) , A ( t ) ∈ R d × d , b ( t ) ∈ R d , p^*(t)=[I_n\otimes A(t)]r+1_n\otimes b(t),A(t)\in\mathbb R^{d\times d},b(t)\in\mathbb R^d, p(t)=[InA(t)]r+1nb(t)A(t)Rd×db(t)Rd
    p ∗ ( t ) ∈ A ( r ) p^*(t)\in\mathcal A(r) p(t)A(r),其中 A ( r ) \mathcal A(r) A(r) r r r的affine image。

    引理3: A ( r ) \mathcal A(r) A(r)的维度为 d 2 + d d^2+d d2+d当且仅当 { r i } i = 1 n \{r_i\}_{i=1}^n {ri}i=1n仿射展开 R d \mathbb R^d Rd

    假设1: { r i } i = 1 n \{r_i\}_{i=1}^n {ri}i=1n仿射展开 R d \mathbb R^d Rd。我们不讨论控制算法的设计和稳定性证明,主要研究下面几个问题。

    Affine Image和Stress Matrix的关系

    引理4:对任意nominal configuration r r r,以下条件始终成立:
    A ( r ) ⊆ Null ⁡ ( Ω ⊗ I d ) , Col ⁡ ( P ˉ ( r ) ) ⊆ Null ⁡ ( Ω ) 。 \begin{aligned} \mathcal A(r)&\subseteq \operatorname{Null}(\Omega\otimes I_d),\\ \operatorname{Col}(\bar P(r))&\subseteq\operatorname{Null}(\Omega)。 \end{aligned} A(r)Col(Pˉ(r))Null(ΩId)Null(Ω)

    因为 { r i } i = 1 n \{r_i\}_{i=1}^n {ri}i=1n满足(2),所以 { A r i + b } i = 1 n \{Ar_i+b\}_{i=1}^n {Ari+b}i=1n满足(2),第一个条件成立。由式(3)知,第二个条件成立。

    假设2:nominal formation ( G , r ) (\mathcal G,r) (G,r)存在满足引理2的 Ω \Omega Ω

    引理5:满足假设2的条件下,下列条件等价。

    1. { r i } i = 1 n \{r_i\}_{i=1}^n {ri}i=1n仿射展开 R d \mathbb R^d Rd
    2. Null ⁡ ( Ω ⊗ I d ) = A ( r ) \operatorname{Null}(\Omega\otimes I_d)=\mathcal A(r) Null(ΩId)=A(r)
    3. Null ⁡ ( Ω ) = Col ⁡ ( P ˉ ( r ) ) \operatorname{Null}(\Omega)=\operatorname{Col}(\bar P(r)) Null(Ω)=Col(Pˉ(r))

    在引理4的基础上,证明引理5只需要证明维度相等。由假设2和引理2,知 dim ⁡ ( Null ⁡ ( Ω × I d ) ) = d ( d + 1 ) \operatorname{dim}(\operatorname{Null}(\Omega\times I_d))=d(d+1) dim(Null(Ω×Id))=d(d+1),再由引理3,知两者维度相等。同理可证第3条。

    什么条件下Stress Matrix可行

    定理1:满足假设1的条件下,nominal formation ( G , r ) (\mathcal G,r) (G,r)仿射可定位(affinely localizable)当且仅当leader节点,即 { r i } i ∈ V l \{r_i\}_{i\in\mathcal V_l} {ri}iVl,仿射展开 R d \mathbb R^d Rd

    仿射可定位:已知 ( G , r ) (\mathcal G,r) (G,r),给定leader节点 p l p_l pl可以唯一确定target configuration p = [ p l T , p f T ] T p=[p_l^T,p_f^T]^T p=[plT,pfT]T。也就是说, A A A b b b被唯一确定。

    推论1:如果 { r i } i ∈ V l \{r_i\}_{i\in\mathcal V_l} {ri}iVl仿射展开 R d \mathbb R^d Rd,那么对任意 p ∈ A ( r ) p\in\mathcal A(r) pA(r),相对应的 A A A b b b被唯一确定为
    A = ( ∑ i ∈ V l p i r ~ i T ) ( ∑ i ∈ V l r ~ i r ~ i T ) − 1 , b = 1 n l ∑ i ∈ V l p i − A r ˉ , \begin{aligned} A&=\left(\sum_{i\in\mathcal V_l}p_i\tilde r_i^T\right)\left(\sum_{i\in\mathcal V_l}\tilde r_i\tilde r_i^T\right)^{-1},\\ b&=\frac{1}{n_l}\sum_{i\in\mathcal V_l}p_i-A\bar r, \end{aligned} Ab=(iVlpir~iT)(iVlr~ir~iT)1=nl1iVlpiArˉ
    其中 r ˉ = ∑ i ∈ V l r i / n l \bar r=\sum_{i\in\mathcal V_l}r_i/n_l rˉ=iVlri/nl r ~ i = r i − r ˉ \tilde r_i=r_i-\bar r r~i=rirˉ

    由推论1可知, { r i } i ∈ V l \{r_i\}_{i\in\mathcal V_l} {ri}iVl仿射展开 R d \mathbb R^d Rd当且仅当 ∑ i ∈ V l r ~ i r ~ i T \sum_{i\in\mathcal V_l}\tilde r_i\tilde r_i^T iVlr~ir~iT非奇异。

    下面研究什么样的 Ω \Omega Ω满足仿射可定位。定义 Ω ˉ = Ω ⊗ I d = [ Ω ˉ l l Ω ˉ l f Ω ˉ f l Ω ˉ f f ] \bar \Omega=\Omega\otimes I_d=\begin{bmatrix}\bar \Omega_{ll}&\bar \Omega_{lf}\\\bar \Omega_{fl}&\bar \Omega_{ff}\end{bmatrix} Ωˉ=ΩId=[ΩˉllΩˉflΩˉlfΩˉff]

    定理2:满足假设1、2的情况下,nominal formation ( G , r ) (\mathcal G,r) (G,r)仿射可定位当且仅当 Ω ˉ f f \bar \Omega_{ff} Ωˉff非奇异。此时, p f p_f pf被唯一确定,即 p f = − Ω ˉ f f − 1 Ω ˉ f l p l p_f=-\bar \Omega_{ff}^{-1}\bar \Omega_{fl}p_l pf=Ωˉff1Ωˉflpl

    假设3:nominal formation ( G , r ) (\mathcal G,r) (G,r)仿射可定位。

    假设1、2保证 Ω \Omega Ω的零空间正好是affine image。假设3保证 Ω ˉ f f \bar \Omega_{ff} Ωˉff是正定的(因为 Ω ˉ \bar \Omega Ωˉ半正定,且 Ω ˉ f f \bar \Omega_{ff} Ωˉff非奇异)。

    参考schur complement condition4,对于 X = [ A , B ; B T , C ] X=[A,B;B^T,C] X=[A,B;BT,C],有:

    1. X > 0 X>0 X>0 ⇔ A > 0 , C − B T A − 1 B > 0 \Leftrightarrow A>0, C-B^T A^{-1}B>0 A>0,CBTA1B>0
    2. X > 0 X>0 X>0 ⇔ C > 0 , A − B C − 1 B T > 0 \Leftrightarrow C>0, A-B C^{-1} B^T>0 C>0,ABC1BT>0
    3. 如果 A > 0 A>0 A>0,那么 X ≥ 0 X\geq 0 X0 ⇔ \Leftrightarrow C − B T A − 1 B ≥ 0 C-B^TA^{-1}B\geq 0 CBTA1B0
    4. 如果 C > 0 C>0 C>0,那么 X ≥ 0 X\geq 0 X0 ⇔ \Leftrightarrow A − B C − 1 B T ≥ 0 A-BC^{-1}B^T\geq 0 ABC1BT0

    如何构建Stress Matrix

    H ∈ R ∣ E ∣ × n H\in\mathbb R^{|\mathcal E|\times n} HRE×n为incidence matrix。已知formation ( G , r ) (\mathcal G,r) (G,r)如何求取 Ω \Omega Ω满足平衡条件?

    首先,由 Ω = H T diag ⁡ ( ω ) H \Omega=H^T\operatorname{diag}(\omega)H Ω=HTdiag(ω)H Ω P ˉ ( r ) = 0 \Omega\bar P(r)=0 ΩPˉ(r)=0,知 P ˉ T ( r ) H T diag ⁡ ( ω ) H = P ˉ T ( r ) H T diag ⁡ ( ω ) [ h 1 , ⋯   , h n ] = 0 \bar P^T(r)H^T\operatorname{diag}(\omega)H=\bar P^T(r)H^T\operatorname{diag}(\omega)[h_1,\cdots,h_n]=0 PˉT(r)HTdiag(ω)H=PˉT(r)HTdiag(ω)[h1,,hn]=0

    diag ⁡ ( ω ) h i = diag ⁡ ( h i ) ω \operatorname{diag}(\omega)h_i=\operatorname{diag}(h_i)\omega diag(ω)hi=diag(hi)ω,两者位置互换,得到 P ˉ T ( r ) H T diag ⁡ ( h i ) w = 0 \bar P^T(r)H^T\operatorname{diag}(h_i)w=0 PˉT(r)HTdiag(hi)w=0

    定义 E = [ P ˉ T ( r ) H T diag ⁡ ( h 1 ) ⋮ P ˉ T ( r ) H T diag ⁡ ( h n ) ] E=\begin{bmatrix}\bar P^T(r)H^T\operatorname{diag}(h_1)\\ \vdots\\\bar P^T(r)H^T\operatorname{diag}(h_n)\end{bmatrix} E=PˉT(r)HTdiag(h1)PˉT(r)HTdiag(hn)。则 E ω = 0 E\omega=0 Eω=0,因此 ω \omega ω E E E的零空间里。

    定义 z 1 , ⋯   , z q ∈ R ∣ E ∣ z_1,\cdots,z_q\in\mathbb R^{|\mathcal E|} z1,,zqRE E E E的零空间上的一组基。则 ω = ∑ i = 1 q c i z i \omega=\sum_{i=1}^qc_iz_i ω=i=1qcizi,其中 c 1 , ⋯   , c n ∈ R c_1,\cdots,c_n\in\mathbb R c1,,cnR是一组待定系数。

    对于宽(fat)矩阵 A ∈ R m × n A\in\mathbb R^{m\times n} ARm×n,其零空间可以写为 I n − A † A I_n-A^\dagger A InAA,然而 E ∈ R n ( d + 1 ) × ∣ E ∣ E\in\mathbb R^{n(d+1)\times |\mathcal E|} ERn(d+1)×E也可能是长(slim)矩阵。

    对于长矩阵 A ∈ R m × n A\in\mathbb R^{m\times n} ARm×n,可以通过奇异值分解求 A A A的零空间。

    然后,我们继续确定系数 c 1 , ⋯   , c n ∈ R c_1,\cdots,c_n\in\mathbb R c1,,cnR。令 P ˉ ( r ) = U Σ V T \bar P(r)=U\Sigma V^T Pˉ(r)=UΣVT。令 U = [ U 1 , U 2 ] U=[U_1,U_2] U=[U1,U2],其中 U 1 U_1 U1包含 U U U的前 d + 1 d+1 d+1列。因为 P ˉ ( r ) \bar P(r) Pˉ(r)的秩为 d + 1 d+1 d+1,所以 U 1 U_1 U1是非零奇异值对应的左奇异向量,即 P ˉ ( r ) \bar P(r) Pˉ(r)的列空间。同理 U 2 U_2 U2 P ˉ T ( r ) \bar P^T(r) PˉT(r)的零空间。

    根据假设2和引理2,我们要求 Ω \Omega Ω是半正定,且秩为 n − d − 1 n-d-1 nd1

    因为 Ω P ˉ ( r ) = 0 \Omega \bar P(r)=0 ΩPˉ(r)=0,故 Ω U 1 = 0 \Omega U_1=0 ΩU1=0,所以 Ω \Omega Ω在前 d + 1 d+1 d+1维秩为0,于是剩下的 n − d − 1 n-d-1 nd1维需要满秩,即 Ω \Omega Ω P ˉ T ( r ) \bar P^T(r) PˉT(r)的零空间上正定,对任意 x ∈ Null ⁡ ( P ˉ T ( r ) ) x\in\operatorname{Null}(\bar P^T(r)) xNull(PˉT(r)),有 x T Ω x > 0 x^T\Omega x>0 xTΩx>0。换句话说,对任意 y ∈ R n y\in\mathbb R^n yRn y T ( U 2 T Ω U 2 ) y > 0 y^T(U_2^T\Omega U_2)y>0 yT(U2TΩU2)y>0

    命题: rank ⁡ ( Ω ) = n − d − 1 \operatorname{rank}(\Omega)=n-d-1 rank(Ω)=nd1当且仅当 U 2 T Ω U 2 = U 2 T H T diag ⁡ ( ω ) H U 2 > 0 U_2^T\Omega U_2=U_2^TH^T\operatorname{diag}(\omega)H U_2>0 U2TΩU2=U2THTdiag(ω)HU2>0

    ω = ∑ i = 1 q c i z i \omega=\sum_{i=1}^qc_iz_i ω=i=1qcizi代入 U 2 T H T diag ⁡ ( ω ) H U 2 U_2^TH^T\operatorname{diag}(\omega)H U_2 U2THTdiag(ω)HU2,得到 ∑ i = 1 n c i U 2 T H T diag ⁡ ( z i ) H U 2 > 0 \sum_{i=1}^nc_iU_2^TH^T\operatorname{diag}(z_i)H U_2>0 i=1nciU2THTdiag(zi)HU2>0

    定义 M i = U 2 T H T diag ⁡ ( z i ) H U 2 M_i=U_2^TH^T\operatorname{diag}(z_i)HU_2 Mi=U2THTdiag(zi)HU2。可知系数 c 1 , ⋯   , c n ∈ R c_1,\cdots,c_n\in\mathbb R c1,,cnR需要满足条件 ∑ i = 1 n c i M i > 0 \sum_{i=1}^nc_iM_i>0 i=1nciMi>0

    奇异值分解的原理和应用

    我们回顾一下奇异值分解(singular value decomposition)。

    特征值和特征向量

    如果 A ∈ R n × n A\in \mathbb R^{n\times n} ARn×n是实矩阵,其特征值和特征向量定义为 A q = λ q Aq=\lambda q Aq=λq,那么 A = Q D Q T A=QD Q^T A=QDQT是它的特征分解(谱分解),其中 Q = [ q 1 , ⋯   , q n ] Q=[q_1,\cdots,q_n] Q=[q1,,qn]是它的特征向量, D = diag ⁡ { λ i } i = 1 n D=\operatorname{diag}\{\lambda_i\}_{i=1}^n D=diag{λi}i=1n是它的特征根。

    一般我们会将特征向量转化为标准正交基,使得 Q Q Q是标准正交矩阵。

    # Eigenvalues and eigenvectors in MATLAB
    # such that e are eigenvalues and D = diag(e)
    e = eig(A)
    # such that A*V=V*D (right) and W'*A=D*W' (left)
    [V,D,W] = eig(A)
    

    奇异值分解

    如果 A ∈ R m × n A\in\mathbb R^{m\times n} ARm×n不是方阵,可以进行奇异值分解,即 A = U Σ V T A=U\Sigma V^T A=UΣVT,其中 U ∈ R m × m U\in\mathbb R^{m\times m} URm×m V ∈ R n × n V\in \mathbb R^{n\times n} VRn×n是正交矩阵, Σ ∈ R m × n \Sigma\in\mathbb R^{m\times n} ΣRm×n是(矩形)对角阵。

    U U U V V V分别是对 A A A正交输出和输入的基向量,也是 A A T AA^T AAT A T A A^TA ATA的特征向量,即
    ( A A T ) U = U D u , ( A T A ) V = V D v 。 (AA^T)U=UD_u,\\ (A^TA)V=VD_v。 (AAT)U=UDu(ATA)V=VDv
    证明: A = U Σ V T ⇒ A T = V Σ T U T ⇒ A T A = V Σ T U T U Σ V T = V ( Σ T Σ ) V T A=U\Sigma V^T\Rightarrow A^T=V\Sigma^T U^T\Rightarrow A^TA=V\Sigma^TU^TU\Sigma V^T=V(\Sigma^T\Sigma) V^T A=UΣVTAT=VΣTUTATA=VΣTUTUΣVT=V(ΣTΣ)VT

    # Singular value decomposition
    # such that s are non-zero sigular values
    s = svd(A)
    # such that A = U*S*V'
    [U,S,V] = svd(A)
    

    常见应用

    • 求伪逆

    如果 A = U Σ V T A=U\Sigma V^T A=UΣVT,那么 A † = V Σ † U T A^\dagger=V\Sigma^\dagger U^T A=VΣUT,其中 Σ † \Sigma^\dagger Σ是将 Σ \Sigma Σ非零主对角元求倒数,再转置得到。

    • 列空间、零空间和秩

    对角矩阵 Σ \Sigma Σ的非零对角元素的个数对应于矩阵 A A A的秩。

    与零奇异值对应的右奇异向量生成矩阵 A A A的零空间,与非零奇异值对应的左奇异向量则生成矩阵 A A A的列空间。


    1. Zhao, S. (2018). Affine Formation Maneuver Control of Multiagent Systems. IEEE Transactions on Automatic Control, 63(12), 4140–4155. https://doi.org/10.1109/TAC.2018.2798805 ↩︎

    2. Wikipedia contributors. (2020, September 5). Rank–nullity theorem. In Wikipedia, The Free Encyclopedia. Retrieved 13:55, September 24, 2020, from https://en.wikipedia.org/w/index.php?title=Rank%E2%80%93nullity_theorem&oldid=976828687 ↩︎

    3. Connelly, R., & Guest, S. D. (2015). Frameworks, Tensegrities and Symmetry: Understanding Stable Structures. Section 7.2. ↩︎

    4. Wikipedia contributors. (2020, August 12). Schur complement. In Wikipedia, The Free Encyclopedia. Retrieved 13:06, September 25, 2020, from https://en.wikipedia.org/w/index.php?title=Schur_complement&oldid=972571695 ↩︎

    展开全文
  • 针对一类仿射非线性系统,研究其模糊建模与控制问题。通过介绍一种线性化处理的方法,可将原非线性系统用一组局部TS模糊模型来描述。在此基础上,采用并行分布补偿(PDC)技术对每个局部模型进行状态反馈控制器的...
  • 仿射多智能体系统的自适应神经网络控制.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,493
精华内容 2,597
关键字:

仿射控制