⚡ ingeniería eléctrica

H∞ Leader–Following Control for Heterogeneous Nonlinear Multi-Agent Systems via Alternating LMIs

Este artículo propone un marco de control de seguimiento de líder $H_{\infty}$ distribuido para sistemas multiagente no lineales heterogéneos sujetos a perturbaciones externas, utilizando un modelo compacto de error de seguimiento y un procedimiento de LMI alternante basado en verificación para resolver las condiciones de BMI no convexas para la estabilidad y la atenuación de perturbaciones.

Autores originales: Liangzhi Xu, Xin Zhang, Hao Zhang, Fei Ye

Publicado 2026-09-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Liangzhi Xu, Xin Zhang, Hao Zhang, Fei Ye

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la ingeniería moderna, una sola máquina suele ser impresionante, pero un grupo de máquinas trabajando juntas es transformador. Este es el reino de los sistemas multiagente, donde robots, drones o vehículos coordinan sus acciones no mediante un comandante central que grita órdenes, sino hablando con sus vecinos. El objetivo es que todo el grupo se mueva como uno solo, o siga a un líder específico, incluso si están dispersos por un campo. Para que esto funcione, cada miembro debe ser capaz de percibir qué están haciendo sus vecinos y ajustar su propio camino en consecuencia. Sin embargo, los grupos del mundo real rara vez son perfectos. Las máquinas suelen tener diferentes tamaños, pesos y motores internos, lo que significa que reaccionan a las órdenes de maneras distintas. Además, el entorno nunca está quieto; el viento, la fricción y los golpes inesperados actúan como perturbaciones constantes que desvían al grupo de su curso. El desafío para los ingenieros es diseñar un conjunto de reglas que permita a estas máquinas desiguales e imperfectas mantener la formación y seguir a un líder, todo ello ignorando el ruido y el caos del mundo exterior.

Un equipo de investigadores ha abordado este difícil problema desarrollando un nuevo método para controlar grupos de máquinas que son tanto diferentes entre sí como gobernadas por reglas complejas y no lineales. En términos sencillos, no lineal significa que duplicar la entrada no necesariamente duplica la salida; las máquinas se comportan de maneras más difíciles de predecir que el movimiento simple y rectilíneo. Los investigadores se centraron en un tipo específico de coordinación llamada seguimiento de líder (leader-following), donde un grupo de seguidores intenta igualar la trayectoria de un único líder. Tuvieron que tener en cuenta el hecho de que cada seguidor podría tener un motor o un cuerpo único, lo que hace que la matemática de su movimiento sea distinta a la de sus vecinos. Para resolver esto, crearon un modelo matemático unificado que trata las diferencias entre las máquinas y los giros impredecibles en su comportamiento como un único error manejable. Esto les permitió diseñar un sistema de control que garantiza que el grupo eventualmente se asiente en un movimiento suave y coordinado, incluso cuando es empujado por fuerzas externas.

El núcleo de su descubrimiento es una nueva forma de calcular las señales de control que cada máquina necesita enviar a sus vecinos. En el pasado, encontrar estas señales para un grupo tan complejo era como intentar resolver un rompecabezas donde las piezas cambiaban de forma mientras intentabas encajarlas. Los investigadores descubrieron que las herramientas estándar utilizadas para problemas más simples no eran lo suficientemente potentes para manejar la mezcla de diferentes tipos de máquinas y comportamientos complejos. En su lugar, idearon un procedimiento paso a paso que alterna entre dos formas diferentes de ver el problema. Primero, fijan las reglas de cómo las máquinas se comunican entre sí y resuelven la mejor manera de medir la estabilidad. Luego, fijan esa medición y resuelven las mejores reglas de comunicación. Al repetir este proceso, fueron capaces de encontrar un conjunto de instrucciones que funciona para todo el grupo. Crucialmente, no se limitaron a suponer que este método funcionaría; incorporaron una verificación rigurosa en el proceso. Una vez que los pasos alternos produjeron una solución, realizaron una prueba final y estricta para demostrar que la solución realmente cumple con todos los requisitos de seguridad y rendimiento.

Para comprobar si su teoría se sostenía en la práctica, los investigadores realizaron simulaciones computacionales detalladas. En un escenario, simularon una red de cuatro máquinas diferentes siguiendo a un líder. Estas máquinas tenían dinámicas internas diferentes y fueron sometidas a perturbaciones aleatorias y fluctuantes que imitaban el ruido del mundo real. Los investigadores establecieron un objetivo específico para la cantidad de efecto que las perturbaciones podrían tener en el movimiento del grupo, pidiendo esencialmente al sistema que amortiguara el ruido hasta un nivel muy bajo. La simulación mostró que, a pesar de que las máquinas comenzaban en lugares diferentes y tenían propiedades físicas distintas, todas lograron seguir la trayectoria del líder. Los errores entre los seguidores y el líder disminuyeron rápidamente, y el sistema se mantuvo estable incluso cuando el ruido externo los empujaba. La verificación final confirmó que la capacidad del sistema para rechazar perturbaciones estaba bien dentro de los límites de seguridad establecidos, demostrando que el método de control podía manejar la complejidad del mundo real.

En una segunda simulación, los investigadores aplicaron su método a un ejemplo más práctico: un convoy de vehículos terrestres no tripulados, similares a coches autónomos o vehículos militares. En este caso, los vehículos tenían diferentes masas y coeficientes de fricción, lo que significa que un camión pesado y un rover ligero reaccionarían de forma diferente ante la misma orden de dirección. El objetivo era mantenerlos en una formación estrecha mientras se movían. La simulación demostró que los vehículos podían sincronizar sus posiciones y velocidades, comenzando desde ubicaciones ampliamente dispersas y convergiendo en una línea suave. Incluso sin añadir ruido externo en esta ejecución específica, el sistema mostró que los diferentes vehículos podían superar sus diferencias físicas para moverse como una sola unidad. Cuando volvieron a introducir las perturbaciones en la mezcla, el sistema demostró nuevamente ser capaz de mantener la formación, con las entradas de control ajustándose automáticamente para mantener al grupo unido.

La importancia de este trabajo reside en su capacidad para manejar el desorden de la realidad. Los métodos anteriores a menudo asumían que todas las máquinas en un grupo eran idénticas o que su comportamiento era simple y predecible. Este nuevo enfoque reconoce que las máquinas son diferentes y que su comportamiento puede ser complejo, pero aun así proporciona una forma fiable de hacer que trabajen juntas. Al utilizar un proceso basado en la verificación, los investigadores aseguraron que las soluciones encontradas no fueran solo aproximaciones, sino que estuvieran matemáticamente garantizadas para funcionar bajo las condiciones especificadas. Esto abre la puerta a sistemas robóticos más robustos y flexibles que puedan operar en entornos impredecibles, desde misiones de búsqueda y rescate donde robots de diferentes tipos deben cooperar, hasta flotas de logística automatizada donde vehículos de diversos tamaños deben navegar juntos. El estudio confirma que, con el marco matemático adecuado, un grupo de máquinas diversas e imperfectas puede lograr un nivel de coordinación que es tanto preciso como resiliente.

Resumen Técnico: Control de Seguimiento de Líder con $H_\infty$ para Sistemas Multiagente No Lineales Heterogéneos mediante LMIs Alternantes

Planteamiento del Problema
Este artículo aborda el problema de control distribuido de seguimiento de líder $H_\infty$ para sistemas multiagente (MAS) no lineales heterogéneos sujetos a perturbaciones externas. Mientras que la investigación existente ha cubierto extensamente el control de consenso y de seguimiento de líder para sistemas homogéneos o estructuras no lineales específicas, las aplicaciones prácticas a menudo involucran agentes con distintos parámetros físicos, configuraciones de hardware y entornos operativos (heterogeneidad). Además, estos sistemas frecuentemente exhiben dinámicas no lineales complejas y están expuestos a perturbaciones externas de energía finita. El desafío central radica en manejar simultáneamente las dinámicas de agentes heterogéneos, los incrementos no lineales que exceden las condiciones de Lipschitz convencionales, y la síntesis de controladores distribuidos que garanticen un nivel de atenuación de perturbación $H_\infty$ prescrito. Un obstáculo técnico específico identificado es que el diseño simultáneo de las matrices de Lyapunov y las ganancias de retroalimentación distribuida resulta en condiciones de Desigualdad Matriz Bilineal (BMI) no convexas, las cuales los métodos de optimización de Desigualdades Matriz Lineal (LMI) estándar no pueden resolver directamente.

Metodología
El marco propuesto avanza a través de tres componentes secuenciales: modelado del sistema, análisis de estabilidad y síntesis de control.

Modelado del Sistema: Los autores formulan un modelo compacto de error de seguimiento para una red de $N$ seguidores heterogéneos y un líder. Al introducir un "término de desajuste no lineal agrupado" ( $\Delta\Phi$ ), la dinámica del error se convierte en una representación de bucle cerrado. Este término agrega tanto los incrementos de la función no lineal como los desajustes derivados de las matrices de sistema heterogéneas ( $A_i \neq A_0$ ).
Análisis de Estabilidad: Para caracterizar los términos no lineales e inducidos por la heterogeneidad sin requerir formas funcionales explícitas, el artículo emplea una restricción cuadrática incremental (IQC) con una matriz multiplicadora diagonal $\Lambda$ . Este enfoque ofrece más grados de libertad que los multiplicadores escalares, lo que potencialmente reduce el conservadurismo. Utilizando la teoría de estabilidad de Lyapunov, se derivan condiciones suficientes para asegurar la estabilidad asintótica interna y un nivel de atenuación de perturbación $H_\infty$ ( $\gamma$ ) prescrito.
Síntesis de Control: Las condiciones de síntesis se formulan como una BMI debido al acoplamiento bilineal entre la matriz de Lyapunov $P$ $P$ y las ganancias de retroalimentación distribuida $K$ $K$ . Para resolver este problema no convexo, los autores proponen un procedimiento de LMI alternante basado en verificación. Este algoritmo iterativo alterna entre:
- Fijar las ganancias de retroalimentación $K$ y resolver para $P$ y $\Lambda$ mediante una LMI.
- Fijar la matriz de Lyapunov $P$ y resolver para $K$ y $\Lambda$ mediante una LMI.
  Crucialmente, el controlador final solo se acepta si satisface directamente la condición BMI estricta original, sirviendo como un certificado numérico de estabilidad en lugar de depender únicamente de la convergencia de la iteración.

Contribuciones Clave
El artículo describe tres contribuciones primarias:

Marco Unificado: Establecimiento de un marco de control de seguimiento de líder $H_\infty$ distribuido específicamente para MAS no lineales heterogéneos con perturbaciones externas. A diferencia de las formulaciones homogéneas, este considera explícitamente las dinámicas dependientes del agente y las topologías de comunicación dirigidas.
Análisis Basado en IQC: Desarrollo de un marco de análisis utilizando restricciones cuadráticas incrementales para caracterizar los términos no lineales e inducidos por la heterogeneidad. Esto evita la necesidad de formas funcionales no lineales explícitas y generaliza los resultados previos que dependían de condiciones de Lipschitz.
Síntesis de LMI Alternante: Propuesta de un procedimiento de LMI alternante basado en la verificación para manejar la BMI resultante del diseño acoplado de las matrices de Lyapunov y las ganancias de retroalimentación. El método resuelve dos subproblemas convexos de forma iterativa y valida la solución final contra la condición no convexa original.

Resultados
La efectividad del método propuesto se demuestra a través de dos ejemplos numéricos:

Ejemplo A (Simulación Numérica): Se simula un MAS no lineal heterogéneo con cuatro seguidores y un líder. El sistema presenta matrices de dinámica lineal ( $A_i$ ) y no linealidades acopladas distintas. El procedimiento de LMI alternante convergió tras 34 iteraciones, produciendo ganancias de control que satisfacían la condición $H_\infty$ estricta ( $\lambda_{max} < 0$ ). Las simulaciones en el dominio del tiempo mostraron que todos los estados de los seguidores siguieron la trayectoria del líder a pesar de las dinámicas heterogéneas, los términos no lineales, las diferentes condiciones iniciales y las perturbaciones externas. La energía del error de seguimiento global disminuyó significativamente, y se verificó que la relación de desempeño $H_\infty$ ( $\|z\|_2 / \|\varpi\|_2$ ) fuera inferior al nivel prescrito de 5.
Ejemplo B (Orientado a la Aplicación): El método se aplicó a una formación de Vehículos Terrestres No Tripulados (UGV) heterogéneos con masas y coeficientes de fricción variables. La simulación confirmó que el controlador distribuido logró la coordinación de seguimiento de líder y la estabilidad exponencial de la dinámica del error. Los errores de seguimiento convergieron a un entorno de cero, y el desempeño de atenuación de perturbación fue nuevamente verificado dentro de los límites prescritos.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en abordar la consideración simultánea de la dinámica no lineal heterogénea, la atenuación de perturbación $H_\infty$ prescrita y la síntesis de control distribuido basada en BMI —una combinación que la literatura existente no ha investigado suficientemente—. Los autores señalan que, si bien el procedimiento de LMI alternante proporciona una búsqueda local de soluciones factibles, la inclusión de un paso de verificación final asegura que las garantías de estabilidad y desempeño se basen en la satisfacción directa de la condición BMI original, y no meramente en la convergencia del algoritmo. El marco se presenta como una generalización de los resultados de consenso lineales y de ciertas estructuras no lineales existentes, ofreciendo una herramienta flexible para sistemas con fuertes acoplamientos no lineales donde los multiplicadores escalares podrían ser insuficientes. El trabajo futuro se identifica como la extensión del marco a topologías conmutantes y la reducción del esfuerzo de control.

Más como este