⚡ génie électrique

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

Cet article propose un cadre de commande de suivi de leader $H_{\infty}$ distribué pour des systèmes multi-agents non linéaires hétérogènes soumis à des perturbations externes, en utilisant un modèle compact d'erreur de poursuite et une procédure d'LMI alternée basée sur la vérification pour résoudre les conditions BMI non convexes de stabilité et d'atténuation des perturbations.

Auteurs originaux : Liangzhi Xu, Xin Zhang, Hao Zhang, Fei Ye

Publié 2026-09-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Liangzhi Xu, Xin Zhang, Hao Zhang, Fei Ye

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de l'ingénierie moderne, une seule machine est souvent impressionnante, mais un groupe de machines travaillant ensemble est transformateur. C'est le domaine des systèmes multi-agents, où des robots, des drones ou des véhicules coordonnent leurs actions non pas par un commandant central criant des ordres, mais en discutant avec leurs voisins. L'objectif est que l'ensemble du groupe se déplace comme un seul être, ou suive un leader spécifique, même s'ils sont dispersés à travers un champ. Pour que cela fonctionne, chaque membre doit être capable de percevoir ce que font ses voisins et d'ajuster sa propre trajectoire en conséquence. Cependant, les groupes du monde réel sont rarement parfaits. Les machines ont souvent des tailles, des poids et des moteurs internes différents, ce qui signifie qu'elles réagissent de manières différentes aux commandes. De plus, l'environnement n'est jamais immobile ; le vent, la friction et les chocs imprévus agissent comme des perturbations constantes qui font dévier le groupe de sa trajectoire. Le défi pour les ingénieurs est de concevoir un ensemble de règles permettant à ces machines disparates et imparfaites de maintenir une formation et de suivre un leader, tout en ignorant le bruit et le chaos du monde extérieur.

Une équipe de chercheurs a abordé ce problème difficile en développant une nouvelle méthode pour contrôler des groupes de machines qui sont à la fois différentes les unes des autres et régies par des règles non linéaires complexes. En termes simples, non linéaire signifie que doubler l'entrée ne produit pas nécessairement le double en sortie ; les machines se comportent de manières plus difficiles à prédire qu'un mouvement simple et rectiligne. Les chercheurs se sont concentrés sur un type spécifique de coordination appelé « suivi de leader » (leader-following), où un groupe de suiveurs tente de correspondre à la trajectoire d'un leader unique. Ils ont dû tenir compte du fait que chaque suiveur pourrait avoir un moteur ou un corps unique, rendant la mathématique de son mouvement distincte de celle de ses voisins. Pour résoudre cela, ils ont créé un modèle mathématique unifié qui traite les différences entre les machines et les torsions imprévisibles de leur comportement comme une erreur unique et gérable. Cela leur a permis de concevoir un système de contrôle qui garantit que le groupe finira par s'installer dans un mouvement fluide et coordonné, même lorsqu'il est poussé par des forces externes.

Le cœur de leur découverte est une nouvelle façon de calculer les signaux de commande que chaque machine doit envoyer à ses voisins. Par le passé, trouver ces signaux pour un groupe aussi complexe revenait à essayer de résoudre un puzzle dont les pièces changeaient de forme au fur et à mesure que l'on tentait de les assembler. Les chercheurs ont constaté que les outils standards utilisés pour des problèmes plus simples n'étaient pas assez puissants pour gérer le mélange de différents types de machines et de comportements complexes. Au lieu de cela, ils ont conçu une procédure étape par étape qui alterne entre deux façons différentes de considérer le problème. D'abord, ils fixent les règles de communication entre les machines et résolvent la meilleure façon de mesurer la stabilité. Ensuite, ils fixent cette mesure et résolvent les meilleures règles de communication. En répétant ce processus, ils ont pu trouver un ensemble d'instructions qui fonctionne pour l'ensemble du groupe. Crucialement, ils ne se sont pas contentés de supposer que cette méthode fonctionnerait ; ils ont intégré un contrôle rigoureux dans le processus. Une fois que les étapes alternées ont produit une solution, ils ont effectué un test final et strict pour prouver que la solution satisfait réellement toutes les exigences de sécurité et de performance.

Pour voir si leur théorie tenait la route en pratique, les chercheurs ont réalisé des simulations informatiques détaillées. Dans un scénario, ils ont simulé un réseau de quatre machines différentes suivant un leader. Ces machines possédaient des dynamiques internes différentes et étaient soumises à des perturbations aléatoires et fluctuantes imitant le bruit du monde réel. Les chercheurs ont fixé une cible précise pour la quantité de perturbations pouvant affecter le mouvement du groupe, demandant essentiellement au système d'atténuer le bruit à un niveau très bas. La simulation a montré que malgré le fait que les machines partaient de points différents et possédaient des propriétés physiques distinctes, elles ont toutes réussi à suivre la trajectoire du leader. Les erreurs entre les suiveurs et le leader ont diminué rapidement, et le système est resté stable alors que le bruit externe les poussait. La vérification finale a confirmé que la capacité du système à rejeter les perturbations était bien en deçà des limites de sécurité qu'ils avaient fixées, prouvant que la méthode de contrôle pouvait gérer la complexité du monde réel.

Dans une seconde simulation, les chercheurs ont appliqué leur méthode à un exemple plus pratique : un convoi de véhicules terrestres sans pilote, similaires à des voitures autonomes ou des véhicules militaires de reconnaissance. Dans ce cas, les véhicules avaient des masses et des coefficients de friction différents, ce qui signifie qu'un camion lourd et un rover léger réagiraient différemment à la même commande de direction. L'objectif était de les maintenir en une formation serrée lors de leurs déplacements. La simulation a démontré que les véhicules pouvaient synchroniser leurs positions et leurs vitesses, partant de lieux largement dispersés pour converger vers une ligne fluide. Même sans ajouter de bruit externe dans ce cas précis, le système a montré que les différents véhicules pouvaient surmonter leurs différences physiques pour se déplacer comme une seule unité. Lorsqu'ils ont réintroduit les perturbations, le système a de nouveau prouvé sa capacité à maintenir la formation, les entrées de commande s'ajustant automatiquement pour maintenir le groupe ensemble.

La signification de ce travail réside dans sa capacité à gérer le désordre de la réalité. Les méthodes précédentes supposaient souvent que toutes les machines d'un groupe étaient identiques ou que leur comportement était simple et prévisible. Cette nouvelle approche reconnaît que les machines sont différentes et que leur comportement peut être complexe, tout en fournissant un moyen fiable de les faire travailler ensemble. En utilisant un processus de vérification, les chercheurs se sont assurés que les solutions trouvées n'étaient pas de simples approximations, mais qu'elles étaient mathématiquement garanties de fonctionner sous les conditions spécifiées. Cela ouvre la voie à des systèmes robotiques plus robustes et flexibles capables d'opérer dans des environnements imprévisibles, qu'il s'agisse de missions de recherche et de sauvetage où des robots de types différents doivent coopérer, ou de flottes de logistique automatisées où des véhicules de tailles variées doivent naviguer ensemble. L'étude confirme qu'avec le bon cadre mathématique, un groupe de machines diverses et imparfaites peut atteindre un niveau de coordination qui est à la fois précis et résilient.

Résumé Technique : Contrôle de type $H_\infty$ de type Leader-Following pour les Systèmes Multi-Agents Non Linéaires Hétérogènes via des LMI Alternées

Énoncé du Problème
Cet article traite du problème de contrôle distribué de type $H_\infty$ leader-following pour des systèmes multi-agents (SMA) non linéaires hétérogènes soumis à des perturbations externes. Bien que la recherche existante ait largement couvert le contrôle de consensus et de leader-following pour les systèmes homogènes ou des structures non linéaires spécifiques, les applications pratiques impliquent souvent des agents dotés de paramètres physiques, de configurations matérielles et d'environnements opérationnels distincts (hétérogénéité). De plus, ces systèmes présentent fréquemment des dynamiques non linéaires complexes et sont exposés à des perturbations externes à énergie finie. Le défi central consiste à gérer simultanément la dynamique des agents hétérogènes, les incréments non linéaires dépassant les conditions de Lipschitz conventionnelles, et la synthèse de contrôleurs distribués garantissant un niveau d'atténuation de perturbation $H_\infty$ prescrit. Un obstacle technique spécifique identifié est que la conception simultanée des matrices de Lyapunov et des gains de rétroaction distribués entraîne des conditions d'Inégalité Matricielle Bilinéaire (BMI) non convexes, que les méthodes d'optimisation par Inégalités Matricielles Linéaires (LMI) standards ne peuvent pas résoudre directement.

Méthodologie
Le cadre proposé se déroule en trois composantes séquentielles : modélisation du système, analyse de la stabilité et synthèse du contrôleur.

Modélisation du Système : Les auteurs formulent un modèle compact d'erreur de poursuite pour un réseau de $N$ suiveurs hétérogènes et un leader. En introduisant un « terme de décalage non linéaire regroupé » ( $\Delta\Phi$ ), la dynamique de l'erreur est convertie en une représentation en boucle fermée. Ce terme agrège à la fois les incréments de fonctions non linéaires et les décalages découlant des matrices de systèmes hétérogènes ( $A_i \neq A_0$ ).
Analyse de la Stabilité : Pour caractériser les termes induits par la non linéarité et l'hétérogénéité sans nécessiter de formes fonctionnelles explicites, l'article emploie une contrainte quadratique incrémentale (IQC) avec une matrice de multiplicateur diagonale $\Lambda$ . Cette approche offre plus de degrés de liberté que les multiplicateurs scalaires, ce qui peut réduire le conservatisme. En utilisant la théorie de la stabilité de Lyapunov, des conditions suffisantes sont dérivées pour assurer la stabilité asymptotique interne et un niveau d'atténuation de perturbation $H_\infty$ ( $\gamma$ ) prescrit.
Synthèse du Contrôleur : Les conditions de synthèse sont formulées comme une BMI en raison du couplage bilinéaire entre la matrice de Lyapunov $P$ $P$ et les gains de rétroaction distribués $K$ $K$ . Pour résoudre ce problème non convexe, les auteurs proposent une procédure de LMI alternée basée sur la vérification. Cet algorithme itératif alterne entre :
- La fixation des gains de rétroaction $K$ et la résolution de $P$ et $\Lambda$ via une LMI.
- La fixation de la matrice de Lyapunov $P$ et la résolution de $K$ et $\Lambda$ via une LMI.
  Crucialement, le contrôleur final n'est accepté que s'il satisfait directement la condition BMI stricte originale, servant de certificat numérique de stabilité plutôt que de se fier uniquement à la convergence de l'itération.

Principales Contributions
L'article présente trois contributions primaires :

Cadre Unifié : Établissement d'un cadre de contrôle distribué $H_\infty$ leader-following spécifiquement pour les SMA non linéaires hétérogènes avec perturbations externes. Contrairement aux formulations homogènes, celui-ci rend compte explicitement des dynamiques dépendantes de l'agent et des topologies de communication dirigées.
Analyse Basée sur l'IQC : Développement d'un cadre d'analyse utilisant des contraintes quadratiques incrémentales pour caractériser les termes non linéaires et induits par l'hétérogénéité. Cela évite le besoin de formes de fonctions non linéaires explicites et généralise les résultats précédents qui reposaient sur des conditions de Lipschitz.
Synthèse par LMI Alternée : Proposition d'une procédure de LMI alternée basée sur la vérification pour traiter la BMI découlant de la conception couplée des matrices de Lyapunov et des gains de rétroaction. La méthode résout deux sous-problèmes convexes de manière itérative et valide la solution finale par rapport à la condition non convexe originale.

Résultats
L'efficacité de la méthode proposée est démontrée par deux exemples numériques :

Exemple A (Simulation Numérique) : Un SMA non linéaire hétérogène comprenant quatre suiveurs et un leader est simulé. Le système présente des matrices de dynamique linéaire ( $A_i$ ) et des non linéarités appariées distinctes. La procédure LMI alternée a convergé après 34 itérations, produisant des gains de contrôle qui satisfaisaient la condition $H_\infty$ stricte ( $\lambda_{max} < 0$ ). Les simulations temporelles ont montré que tous les états des suiveurs suivaient la trajectoire du leader malgré les dynamiques hétérogènes, les termes non linéaires, les conditions initiales différentes et les perturbations externes. L'énergie de l'erreur de poursuite globale a diminué de manière significative, et le ratio de performance $H_\infty$ ( $\|z\|_2 / \|\varpi\|_2$ ) a été vérifié comme étant inférieur au niveau prescrit de 5.
Exemple B (Application Orientée) : La méthode a été appliquée à un peloton d'engins terrestres sans pilote (UGV) hétérogènes présentant des masses et des coefficients de friction variables. La simulation a confirmé que le contrôleur distribué a atteint la coordination de type leader-following et la stabilité exponentielle de la dynamique de l'erreur. Les erreurs de poursuite ont convergé vers un voisinage de zéro, et la performance d'atténuation des perturbations a été, là encore, vérifiée dans les limites prescrites.

Signification et Revendications
L'article affirme que sa principale signification réside dans la prise en compte simultanée de la dynamique non linéaire hétérogène, de l'atténuation de perturbation $H_\infty$ prescrite et de la synthèse de contrôleur distribué basée sur la BMI — une combinaison que la littérature existante n'a pas suffisamment étudiée. Les auteurs notent que bien que la procédure LMI alternée fournisse une recherche locale de solutions réalisables, l'inclusion d'une étape de vérification finale garantit que les garanties de stabilité et de performance reposent sur la satisfaction directe de la condition BMI originale, et non simplement sur la convergence de l'algorithme. Le cadre est présenté comme une généralisation des résultats de consensus linéaires et de certaines non linéarités existantes, offrant un outil flexible pour les systèmes présentant de forts couplages non linéaires où les multiplicateurs scalaires pourraient être insuffisants. Les travaux futurs sont identifiés comme l'extension du cadre aux topologies commutantes et la réduction de l'effort de contrôle.

Articles similaires