未知动力学多刚体网络的最优姿态一致的事件触发方法
最优化与控制
2022-02-08 v1
摘要
本文针对未知动力学多刚体网络的最优姿态一致问题，提出了一种事件触发的强化学习（RL）方法。首先，通过姿态动力学构造一致误差。根据贝尔曼最优原理，得到最优控制器的隐式形式及相应的哈密顿-雅可比-贝尔曼（HJB）方程。由于增广系统，最优控制器可直接获得，无需依赖系统动力学。其次，采用自触发机制以降低更新控制器时的计算与通信负担。为解决HJB方程难以解析求解的问题，提出一种仅需在事件触发时刻测量数据的RL方法。对于每个智能体，仅设计一个神经网络来逼近最优值函数。每个神经网络仅在事件触发时刻更新。同时，获得了闭环系统的一致最终有界（UUB），并避免了芝诺行为。最后，在多刚体网络上的仿真结果验证了所提方法的有效性。
引用
@article{arxiv.2202.02547,
title = {Event-Triggered Optimal Attitude Consensus of Multiple Rigid Body Networks with Unknown Dynamics},
author = {Xin Jin and Shuai Mao and Ljupco Kocarev and Chen Liang and Saiwei Wang and Yang Tang},
journal= {arXiv preprint arXiv:2202.02547},
year = {2022}
}