⚡ electrical engineering

A Novel Adaptive Formation Control Strategy for Teams of Unmanned Vehicles Under Complete Dynamic Uncertainty

Dit artikel presenteert een nieuwe adaptieve formatiebesturingsstrategie voor teams van onbemande voertuigen met volledig onzekere dynamiek, die gebruikmaakt van kunstmatige neurale netwerken om nauwkeurige formatievolging te garanderen en theoretisch en numeriek is gevalideerd voor toepassingen zoals persistente luchtwaarneming.

Oorspronkelijke auteurs: Maryam Norouzi, Mingxi Zhou, Chengzhi Yuan

Gepubliceerd 2026-03-11

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Maryam Norouzi, Mingxi Zhou, Chengzhi Yuan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groep van vier drones hebt die samen een complexe dans moeten uitvoeren in een stormachtige lucht. Ze moeten een strakke formatie behouden, precies op de plek waar ze moeten zijn, terwijl ze worden geplaagd door onvoorspelbare windstoten en terwijl niemand precies weet hoe zwaar ze zijn of hoe hun motoren reageren.

Dit is precies het probleem dat dit wetenschappelijke artikel oplost. Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het Probleem: Dansen in de Mist

In de wereld van onbemande voertuigen (zoals drones, boten of ballonnen) willen we vaak dat ze in groepen werken. Ze moeten een vorm behouden, zoals een V-vorm of een vierkant, terwijl ze bewegen.

Het probleem is dat de echte wereld chaotisch is:

Onzekerheid: We weten niet precies hoe zwaar de drone is (misschien heeft hij een pakketje meegenomen) of hoe de luchtweerstand werkt.
Storingen: Er is wind, regen of andere onbekende krachten.
De leider: Meestal volgt een groep een "leider". Maar wat als de leider zelf ook door onbekende krachten wordt geduwd?

Tot nu toe waren de meeste methoden te star. Ze dachten: "We weten precies hoe de drone werkt." Maar in de echte wereld is dat zelden zo.

2. De Oplossing: Een Slimme, Lerende Groep

De auteurs van dit artikel hebben een nieuwe manier bedacht om deze groep drones te besturen. Ze noemen het een "Coöperatieve Adaptieve Formatiesturing". Laten we dit opsplitsen in twee slimme onderdelen:

Deel A: De "Gokkers" (De Schatting)

Omdat niemand de leider precies kan zien of meten (misschien is de verbinding slecht), moeten de drones de positie van de leider schattingen.

De Analogie: Stel je voor dat je in een donker bos loopt met een groep vrienden. Je ziet de leider niet, maar je hoort zijn stem en voelt de trillingen van de grond. Als één vriend zegt "Hij is links", en een ander zegt "Hij is rechts", praten ze met elkaar en komen ze tot een gezamenlijke, steeds nauwkeurigere schatting van waar de leider is.
In de paper: De drones gebruiken een wiskundig algoritme om de staat van de leider te "voorspellen" op basis van wat hun buren zien. Zelfs als de leider een onbekend pad volgt, komen de drones erachter.

Deel B: De "Neurale Netwerken" (De Lerende Drones)

Dit is het meest innovatieve deel. De drones hebben een kunstmatig brein (een Neuraal Netwerk) aan boord.

De Analogie: Stel je voor dat je een nieuwe dans leert. Eerst struikel je, want je weet niet hoe je spieren reageren op de muziek. Maar als je vaak oefent, "leert" je lichaam de bewegingen.
In de paper: De drones weten niet hoe hun eigen motoren werken (dat is de "onbekende dynamiek"). Maar ze gebruiken hun kunstmatige brein om dit tijdens het vliegen te leren. Ze proberen een beweging, kijken wat er gebeurt, en passen hun "hersenen" direct aan.
De Coöperatie: Het slimme is dat ze niet alleen voor zichzelf leren. Als Drone A ontdekt hoe de wind zijn motor beïnvloedt, deelt hij die kennis met Drone B. Het is alsof ze een gezamenlijk geheugen hebben. Als één drone iets leert, leren ze allemaal sneller.

3. Hoe het Werkt in de Praktijk

De auteurs hebben dit getest in een computer-simulatie (alsof ze het in een virtuele wereld hebben laten vliegen):

Ze hadden 4 drones en 1 virtuele leider.
De leider bewoog op een onvoorspelbaar pad (zoals een danseres die spontaan van richting verandert).
De drones hadden "onbekende" eigenschappen (alsof hun gewicht continu veranderde).
Het resultaat: Ondanks de chaos en de onwetendheid, bleven de drones perfect in vorm. Ze volgden de leider nauwkeurig en hielden hun afstand tot elkaar. De fouten (het verschil tussen waar ze moesten zijn en waar ze waren) werden zo klein dat ze bijna verdwenen.

4. Waarom is dit belangrijk?

Dit onderzoek is als een doorbraak voor toekomstige missies:

Zoek- en reddingsacties: Drones kunnen samen een bos in vliegen om verdwaalde mensen te vinden, zelfs als GPS uitvalt of de wind hard waait.
Atmosferisch onderzoek: Een groep ballonnen of drones kan samen data verzamelen over de lucht, waarbij ze zich aanpassen aan veranderende weersomstandigheden.
Communicatie: Ze kunnen een netwerk opzetten in gebieden waar geen internet is.

Samenvattend

Stel je voor dat je een groep robots hebt die niet weten hoe ze werken, in een storm vliegen, en een leider moeten volgen die ze nauwelijks kunnen zien. In plaats van te panikeren, leren ze samen van elkaar, passen ze zich continu aan en houden ze een perfecte dansvorm. Dat is de kracht van deze nieuwe methode: Robuustheid door samenwerking en leren.

Titel: Adaptieve Formatiebesturingsstrategie voor Teams van Onbemande Voertuigen onder Volledige Onzekerheid

1. Probleemstelling

De paper adresseert het uitdagingrijke probleem van formatiebesturing voor een team van onbemande systemen (zoals luchtschepen, drones of onderwatervoertuigen) in dynamische en onvoorspelbare omgevingen. De kern van het probleem ligt in de aanwezigheid van volledige onzekerheid in de dynamica van de systemen.

Specifiek worden de volgende beperkingen van bestaande methoden geïdentificeerd:

Onbekende dynamica: Traditionele modellen gaan vaak uit van bekende inertiematrices of vereenvoudigde dynamica. In de praktijk zijn parameters zoals massa, traagheidsmomenten, Coriolis-krachten en wrijving vaak onbekend, tijdsvariërend en moeilijk te modelleren.
Complexe leider-dynamica: Bestaande "leader-following" benaderingen gaan vaak uit van lineaire, tijd-invariante leiders zonder externe invoer. Realistische missies vereisen echter dat de leider complexe, niet-lineaire trajecten volgt die worden aangedreven door tijdsvariërende externe signalen.
Schalbaarheid en Robuustheid: Gecentraliseerde besturing is kwetsbaar voor uitval en schaalproblemen. Gedistribueerde besturing is robuuster, maar vereist geavanceerde protocollen om convergentie te garanderen zonder globale informatie.

Het doel is een besturingsstrategie te ontwikkelen die een groep agenten in staat stelt een vooraf gedefinieerde geometrische formatie te behouden terwijl ze een virtuele leider volgen, zelfs wanneer de dynamica van de agenten volledig onbekend is en de leider complexe bewegingen uitvoert.

2. Methodologie

De auteurs stellen een novel, tweelaags, cooperatief adaptief besturingskader voor dat gebaseerd is op Radial Basis Function Neural Networks (RBF NNs) en deterministisch leren. Het systeem werkt binnen een "Virtual Leader-Following" raamwerk.

A. Architectuur:
Het besturingskader bestaat uit twee lagen:

Bovenste laag: Cooperatieve niet-lineaire schatting.
- Omdat niet alle agenten direct toegang hebben tot de staat van de leider, gebruiken agenten een cooperatief discontinu niet-lineair schattingsprotocol.
- Agenten schatten de staat van de leider ( $\hat{x}_i$ ) op basis van lokale informatie en communicatie met buren.
- Dit zorgt ervoor dat alle agenten een nauwkeurige schatting van de leider's positie en snelheid hebben, zelfs als de leider externe, tijdsvariërende invoer heeft.
Onderste laag: Cooperatieve deterministische leerbesturing.
- Een terugstap-ontwerp (backstepping) wordt gebruikt om een adaptieve regelaar te ontwerpen.
- RBF Neural Networks worden ingezet om de onbekende niet-lineaire dynamica (inclusief de onbekende traagheidsmatrix $M$ , Coriolis-krachten $C$ , en wrijving $D$ ) te benaderen.
- Cooperatief Leren: Een innovatief aspect is het gebruik van geschatte NN-gewichten van buren. Agenten delen hun geleerde kennis (geschatte gewichten $\hat{W}$ ) via het communicatienetwerk. Dit versnelt de convergentie en verbetert de prestaties in onzekere omgevingen door "knowledge consensus" te bereiken.

B. Wiskundige Formulering:

De agenten worden gemodelleerd als niet-lineaire mechanische systemen met onbekende parameters.
De leidingsdynamica wordt gemodelleerd met een begrensd, tijdsvariërend invoersignaal ( $r$ ).
De stabiliteit en convergentie worden bewezen met behulp van Lyapunov-stabiliteitstheorie. De auteurs tonen aan dat het gesloten-luipsysteem Uniformly Ultimately Bounded (UUB) is en dat de volgfouten exponentieel convergeren naar een kleine omgeving rond nul.

3. Belangrijkste Bijdragen

De paper introduceert drie fundamentele innovaties ten opzichte van bestaande literatuur:

Generalisatie van het systeemmodel: Het framework behandelt systemen met een onbekende traagheidsmatrix en volledig onbekende niet-lineaire dynamica, wat een significant vooruitgang is ten opzichte van methoden die aannemen dat de inertie bekend is.
Cooperatief Online Leren: Er wordt een geavanceerd protocol ontwikkeld waarbij agenten geschatte NN-gewichten van buren gebruiken voor online kennisdeling. Dit verbetert de consensus en de leersnelheid in onzekere omgevingen.
Diverse Referentietrajecten: Het systeem kan volgen van een leider met tijdsvariërende externe invoer, waardoor complexere en expressievere trajecten mogelijk zijn dan bij de gebruikelijke lineaire, statische leiders.

4. Resultaten

De effectiviteit van de voorgestelde strategie is gevalideerd via zowel theoretische analyse als numerieke simulaties in MATLAB.

Theoretische Bewijzen: Er is strikt bewezen dat alle signalen in het gesloten-luipsysteem UUB zijn en dat de volgfouten exponentieel naar nul convergeren (binnen een kleine marge bepaald door de benaderingsfout van het NN).
Simulatiescenario:
- Een groep van vier agenten met volledig onbekende parameters (inclusief een complexe traagheidsmatrix en niet-lineaire demping) werd getest.
- De leider volgde een gladde, tijdsvariërende referentietrajectie gegenereerd door een cosinus-golf.
- Schatting: De schattingsfouten van de leider's staat door de agenten convergeerden snel en exponentieel naar nul (zie Figuur 3).
- Volgprestaties: De agenten volgden de gewenste formatie (een specifieke geometrische vorm ten opzichte van de leider) met hoge nauwkeurigheid. De posities van de agenten ( $p_i$ ) volgden de gewenste trajecten ( $p_{r,i}$ ) in alle drie dimensies.
- Figuur 5 toont visueel hoe de agenten de geometrische formatie behouden terwijl ze gezamenlijk een cirkelvormige baan volgen, ondanks de aanwezigheid van niet-lineariteiten en onzekerheden.

5. Betekenis en Toepassingsgebied

Deze studie heeft aanzienlijke implicaties voor de ontwikkeling van intelligente, schaalbare robotteams:

Robuustheid in Onbekende Omgevingen: De methode maakt het mogelijk om formaties te besturen zonder gedetailleerde kennis van de fysieke eigenschappen van de voertuigen, wat cruciaal is voor missies in ongestructureerde omgevingen (bijv. bosbrandbestrijding, zoek- en reddingsoperaties).
Toepassingen: De techniek is direct toepasbaar op:
- Aanhoudende luchtwaarneming: Coördinatie van meerdere luchtschepen voor langdurige surveillance.
- Atmosferische datacollectie: Verzamelen van gegevens in veranderende weersomstandigheden.
- Communicatieondersteuning: Het handhaven van een communicatienetwerk over een groot gebied.
Decentralisatie: Door het gebruik van gedistribueerde besturing en lokale communicatie, is het systeem minder kwetsbaar voor uitval van een centrale eenheid en schaalbaar naar grotere teams.

Conclusie:
De auteurs hebben een robuust en adaptief besturingskader ontwikkeld dat de kloof overbrugt tussen complexe, onzekere dynamica en de behoefte aan nauwkeurige formatievolging. Door RBF-neurale netwerken te combineren met cooperatief leren en een geavanceerde leiderschatting, bieden ze een oplossing die zowel theoretisch gefundeerd als praktisch toepasbaar is voor de volgende generatie onbemande systemen.