基于鲁棒零化神经网络的未知异构非线性多智能体系统数据驱动迭代学习一致性跟踪控制

《IEEE/CAA Journal of Automatica Sinica》：Data-Driven Iterative Learning Consensus Tracking Based on Robust Neural Models for Unknown Heterogeneous Nonlinear Multiagent Systems with Input Constraints

本刊推荐：针对存在输入约束和噪声污染的未知异构非线性多智能体系统（MASs）一致性跟踪难题，研究团队开展了数据驱动迭代学习一致性控制（ILCC）研究。通过动态线性化技术（DLT）建立数据模型，采用抗噪零化神经网络（NT-ZNNs）求解伪偏导数（PPD）估计和带约束二次规划（QP）问题，理论证明该方法具有无残差收敛性和噪声抑制鲁棒性。该研究为复杂MASs控制提供了不依赖精确模型的新途径。

　　

在智能系统协同控制领域，多智能体系统（MASs）的协同作业能力已成为实现复杂任务的关键技术。无论是无人机编队飞行、智能电网调度还是自动驾驶车队协同，都要求多个智能体在缺乏集中指挥的情况下实现步调一致的行动。然而现实应用中，智能体往往存在动态特性未知、非线性强度高、个体差异显著等挑战，更棘手的是执行器输入饱和、测量噪声干扰等实际问题常常导致控制算法失效。

传统模型驱动控制方法依赖于精确的物理建模，而面对高度不确定的异构非线性系统时往往力不从心。特别是在需要重复执行任务的场景中，如工业生产线上的机械臂协同作业，如何让智能体通过多次迭代学习逐步提升跟踪精度，同时克服输入约束和噪声影响，成为制约技术落地的瓶颈问题。

针对这一难题，发表在《IEEE/CAA Journal of Automatica Sinica》上的最新研究提出了一种创新解决方案。该研究聚焦于未知异构非线性MASs的共识跟踪问题，特别考虑了实际应用中不可避免的输入约束和噪声污染环境。研究人员摒弃了传统依赖精确物理模型的思路，转而采用数据驱动的新型控制策略，通过迭代学习方式让智能体在重复执行任务过程中不断优化控制性能。

研究团队首先运用动态线性化技术（DLT）将复杂的非线性系统转化为等效的数据模型，其中核心是伪偏导数（PPD）这一时变参数。创新性地，他们将PPD估计问题转化为时变零点寻求任务，并设计出具有噪声耐受能力的零化神经网络（NT-ZNNs）进行求解。理论分析证实，该方法不仅能实现无残差收敛，还对常数噪声、速度噪声和随机噪声具有不同的抑制能力。

更为重要的是，研究人员将带输入约束的一致性跟踪问题转化为时变二次规划（QP）问题，同样采用NT-ZNNs进行求解。这一转化使得系统能够在满足执行器物理限制的前提下实现最优控制。理论证明显示，该方法对迭代初值条件没有严格要求，大大提升了实际应用的便利性。

关键技术方法主要包括：基于动态线性化技术的数据模型构建、抗噪零化神经网络设计、时变二次规划问题转化与求解。研究通过四智能体数值仿真验证，系统在噪声污染环境下仍能保持良好跟踪性能，控制输入始终约束在预设范围内。

主要研究结果方面：

动态线性化数据模型建立：通过DLT技术将异构非线性MASs转化为伪偏导数描述的线性数据模型，为数据驱动控制奠定基础。

PPD估计的零点寻求求解：将伪偏导数估计问题构建为时变零点寻求任务，NT-ZNNs求解器在噪声环境下表现出全局收敛性和鲁棒性。

输入约束问题转化：带输入约束的共识跟踪问题被重新表述为时变二次规划问题，通过Karush-Kuhn-Tucker（KKT）条件理论确保最优解存在性。

控制协议收敛性证明：理论分析证实跟踪误差随迭代次数增加而渐近收敛至零，且对各类噪声具有差异化抑制能力。

仿真验证结果：数值实验显示，在200次迭代后系统能够精确跟踪期望轨迹，均值绝对误差（MAE）显著降低，控制输入始终保持在约束范围内。

研究结论表明，这种基于NT-ZNNs的数据驱动ILCC协议能够有效解决未知异构非线性MASs的共识跟踪难题。方法论的优势在于完全依赖系统输入输出数据，无需精确数学模型，同时主动处理输入约束和噪声抑制问题。该研究为复杂环境下多智能体协同控制提供了新思路，特别适用于具有重复运行特性的工业应用场景，对推动智能制造、智能交通等领域发展具有重要意义。