基于完全不确定性的协作AUV自适应编队学习控制

本文提出了一种用于自主水下车辆(AUV)的两层控制框架，以处理不确定的非线性动力学问题，包括质量矩阵等此前假设为已知的参数。与先前研究不同，本方法使控制器独立于机器人的配置以及变化的环境条件。该框架适用于影响AUV的不同环境条件，包括水密度和流动的变化，这些变化会影响AUV的有效质量和阻尼动力学。第一层协作估计器通过共享关键系统估计实现无缝代理间通信，无需依赖全局信息。第二层中心化确定性学习控制器利用局部反馈调整每个AUV的轨迹，以确保准确的编队控制和动态适应性。径向基函数神经网络实现局部学习和知识存储，使AUV在系统重启后能够高效地重新应用所学动力学。仿真结果验证了该框架的有效性，使其成为分布式自适应控制系统在AUVs方面的重要进步，增强了在不可预测海洋环境中操作的灵活性和韧性。