分布式集员滤波框架：面向具有绝对与相对测量的多智能体系统
动力系统
2023-06-28 v1 混沌动力学
摘要
本文研究具有绝对（来自智能体自身）和相对（来自邻居）测量的多智能体系统的分布式集员滤波（SMFing）问题。现有文献中，相对测量难以处理，且SMF高度依赖特定的集合描述。因此，建立具有相对测量的一般分布式SMFing框架仍是一个开放问题。为解决该问题，首先，我们基于由两个智能体间相对测量所确定的不确定变量提供集合描述作为基础。令人惊讶的是，精确描述仅需单步计算而非多次迭代，可有效降低计算复杂度。基于所推导的称为不确定范围的集合描述，我们提出两种分布式SMFing框架：一种计算智能体自身及其邻居的联合不确定范围，另一种仅计算各局部系统的边缘不确定范围。此外，我们将所提两种分布式SMFing框架与基准——集中式SMFing框架的性能进行比较。严格的集合分析表明，分布式SMF本质上可视为计算边缘不确定范围以对外界定集中式SMF在相应子空间上所获不确定范围投影的过程。仿真结果证实了所提分布式框架的有效性并验证了理论分析。
引用
@article{arxiv.2305.15796,
title = {Nonlinear Model Reduction to Fractional and Mixed-Mode Spectral Submanifolds},
author = {George Haller and Bálint Kaszás and Aihui Liu and Joar Axås},
journal= {arXiv preprint arXiv:2305.15796},
year = {2023}
}
备注
To appear in Chaos