⚡ electrical engineering

Leader-following Consensus over Jointly Connected Switching Networks is Achievable for Exponentially Unstable Linear Systems

本文突破了现有研究仅适用于边际稳定系统的限制，证明了即使在系统矩阵指数不稳定的情况下，一般线性多智能体系统仍能在联合连通的切换网络下实现领导者跟随指数一致性，并进一步解决了相应分布观测器设计问题。

原作者： Yuhan Chen, Tao Liu, Jie Huang

发布于 2026-03-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuhan Chen, Tao Liu, Jie Huang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文解决了一个在“多智能体系统”（比如一群无人机、机器人或自动驾驶汽车）控制领域非常棘手的问题。为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“如何在混乱的指挥链中，让一群‘叛逆’的队员完美跟随队长的步伐”**。

以下是用通俗语言和创意比喻对这篇论文的解读：

1. 背景：一群“不听话”的机器人和断断续续的信号

想象你是一名指挥官，你有一群机器人（跟随者），你需要它们紧紧跟随你的指令（领导者），保持队形一致。

过去的难题：以前的研究认为，只有当这些机器人本身很“温顺”（数学上叫“边际稳定”）时，你才能指挥它们。如果机器人自己有点“发疯”（数学上叫“指数不稳定”，比如它们自己会越跑越快、越飞越远），以前的理论就束手无策了。这就好比，如果机器人自己会失控加速，以前的理论说：“别想了，你指挥不了它们。”
现实的网络：在现实中，机器人之间的通讯网络（Wi-Fi、蓝牙等）经常断断续续。有时候 A 能联系 B，有时候 B 联系 C，但并不是每一秒所有人都能连上。这叫做**“联合连通切换网络”**。只要在一定的时间段内，大家能连成一个整体，就算合格。

这篇论文的突破点在于：即使机器人自己有点“发疯”（指数不稳定），即使通讯网络经常断连，只要满足特定条件，你依然能让它们完美跟随队长！

2. 核心比喻：如何驯服“发疯”的机器人？

比喻一：弹簧与橡皮筋（稳定性 vs. 不稳定性）

温顺的机器人（边际稳定）：就像挂在弹簧上的小球，你松手它自己会慢慢停下来。以前的理论只能指挥这种小球。
发疯的机器人（指数不稳定）：就像装了火箭推进器的小球，你松手它会自己加速飞走。以前的理论说：“这种没法指挥。”
论文的魔法：作者发现，只要你的指挥频率（控制策略）足够快，且通讯网络在一段时间内足够紧密，你就能用一股强大的“拉力”（控制力）抵消掉机器人的“火箭推力”。哪怕机器人想飞走，你的控制力能把它硬生生拉回队形里。

比喻二：接力赛中的“接力棒”（联合连通）

想象一个接力赛，队员之间传递接力棒（信息）。

传统观点：要求每一秒每个队员都能互相看到对方，否则比赛就乱套了。
新观点（联合连通）：不需要每一秒都连通。只要在一个“时间窗口”内（比如 10 秒内），A 传给 B，B 传给 C，C 再传给 D，虽然中间有断档，但信息最终能传遍全队。
论文的贡献：作者计算出了这个“时间窗口”和“断档程度”的极限。只要机器人的“发疯程度”（不稳定性）没有超过这个极限，哪怕网络断断续续，大家也能在“时间窗口”内把信息传开，把队形拉齐。

3. 关键发现：两个“安全指标”

论文提出了两个关键数字，就像两个**“安全仪表盘”**，用来判断能不能指挥这群发疯的机器人：

网络紧密度指标 ( $\delta$ )：这衡量了网络在“断断续续”的情况下，信息传递得有多快、多有效。网络越紧密，这个值越小，你就越容易控制。
时间窗口指标 ( $T_c$ )：这是指网络必须保持“联合连通”的最短时间。

结论公式（简化版）：

机器人的“发疯程度” < 网络紧密度 / 时间窗口

只要机器人的“疯劲”没超过这个公式算出来的安全红线，你的控制策略就能成功！

4. 另一个突破：给机器人装“透视眼”（分布式观测器）

论文不仅解决了“怎么控制”，还解决了“怎么观察”。

问题：有时候你只能看到队长的脸（输出信号），看不到队长的全身（完整状态），而机器人之间也不能直接看队长的全身。
解决方案：作者设计了一种**“分布式观测器”。这就像给每个机器人发了一副“透视眼镜”。虽然它们只能看到队长的局部信息，但通过互相交流、互相猜测，它们能拼凑出队长的完整状态**。
厉害之处：以前这种“透视眼镜”只能给温顺的机器人用。现在，作者证明，即使队长自己也在“发疯”（指数不稳定），只要满足上面的安全红线，这副眼镜依然能让所有机器人精准地“看”到队长的真实状态。

5. 总结：这对我们意味着什么？

这篇论文就像是在说：

“以前我们以为，如果无人机群本身不稳定，或者信号不好，它们就会散伙。现在我们证明了，只要网络在一段时间内是通的，而且控制得法，哪怕无人机本身想‘炸’，我们也能把它们牢牢控制在队形里，让它们像训练有素的士兵一样，哪怕在狂风暴雨（不稳定）和信号盲区（网络切换）中，也能完美跟随队长。”

实际应用前景：
这意味着未来的无人机编队表演、自动驾驶车队、太空卫星群，即使硬件本身有点不稳定，或者在复杂环境中通讯时断时续，我们依然能设计出更鲁棒、更聪明的控制算法，让它们安全、高效地完成任务。

一句话总结：
这篇论文打破了“系统必须稳定才能控制”的旧教条，证明了只要网络配合得当，再“疯”的机器人也能被驯服，再“乱”的网络也能传好指令。

这是一份关于论文《Leader-following Consensus over Jointly Connected Switching Networks is Achievable for Exponentially Unstable Linear Systems》（指数不稳定线性系统在联合连通切换网络下的领导者 - 跟随者一致性可实现性）的详细技术总结。

1. 研究问题 (Problem Statement)

本文旨在解决多智能体系统（Multi-Agent Systems, MAS）中的**领导者 - 跟随者指数一致性（Leader-following Exponential Consensus）**问题。具体挑战在于：

系统动态： 考虑一般的线性多智能体系统，其系统矩阵 $A$ 可以是指数不稳定的（即特征值具有正实部）。这打破了以往研究通常要求系统矩阵仅具有“边际稳定”（Marginal Stability，即特征值实部非正）的限制。
网络拓扑： 通信网络是切换的（Switching）且联合连通的（Jointly Connected）。这意味着在任意单一时刻，网络可能是不连通的，但在一段时间内（联合时间窗口），所有节点都能通过路径连接到领导者。
核心难点： 在系统本身不稳定的情况下，如何利用不稳定的切换网络实现指数收敛的一致性？现有的文献大多局限于边际稳定系统，甚至无法处理最常见的双积分器（Double-integrator）系统。

此外，本文还研究了该问题的对偶问题：在相同条件下，为指数不稳定的领导者系统设计基于输出的分布式观测器（Output-based Distributed Observer）。

2. 方法论 (Methodology)

作者采用了一套严谨的数学分析框架，主要包含以下步骤：

A. 问题建模

系统描述： 领导者系统 $\dot{x}_0 = Ax_0$ ，跟随者系统 $\dot{x}_i = Ax_i + Bu_i$ 。
控制律： 设计分布式静态状态反馈控制律 $u_i(t) = K \sum a_{ij}(t)(x_j - x_i)$ 。
误差动力学： 定义一致性误差 $\bar{x}_i = x_i - x_0$ ，推导出闭环误差系统为线性切换系统：
$\dot{\bar{x}}(t) = (I_N \otimes A - H_{\sigma(t)} \otimes BK) \bar{x}(t)$
其中 $H_{\sigma(t)}$ 是领导者 - 跟随者矩阵（Leader-follower matrix），由拉普拉斯矩阵和连接领导者的对角矩阵组成。

B. 关键数学工具与引理

联合连通性量化：
- 利用联合连通条件，定义了一个关键参数 $\delta$ ( $0 < \delta < 1$ )。该参数通过计算在联合连通时间窗口内，投影到领导者 - 跟随者矩阵 $H_{\sigma(t)}$ 零空间（Kernel）上的正交投影矩阵的乘积范数上界得到。
- 证明了在联合连通条件下，这些投影矩阵的乘积范数严格小于 1。
特征值下界估计：
- 证明了在联合连通且无向的切换图中，领导者 - 跟随者矩阵 $H_{\sigma(t)}$ 的非零特征值存在一个统一的下界 $\lambda_H = \frac{4}{N(N^2 - N + 4)}$ 。这一结果扩展了经典拉普拉斯矩阵特征值下界的结论。
李雅普诺夫/Gramian 方法：
- 构造加权可控性 Gramian $W_c(\alpha, t^*)$ 来设计反馈增益矩阵 $K$ 。
- 利用对偶性原理，将观测器增益 $L$ 的设计转化为对偶系统的可控性问题，利用加权可观测性 Gramian $W_o(\alpha, t^*)$ 。

C. 稳定性证明策略

分段分析： 将时间轴划分为切换区间，利用正交变换将误差系统分解为与 $H_{\sigma(t)}$ 零空间相关的部分和与其正交补空间相关的部分。
乘积界分析： 结合 $\delta$ （反映网络连通性带来的衰减）和系统矩阵 $A$ 的不稳定增长率，通过矩阵乘积的范数分析，证明只要系统的不稳定程度在一定范围内，整体误差系统的状态范数将以指数速率收敛到零。

3. 主要贡献 (Key Contributions)

突破了稳定性限制： 首次证明了在联合连通切换网络下，指数不稳定的线性多智能体系统可以实现领导者 - 跟随者指数一致性。这解决了长期存在的理论瓶颈，使得双积分器等常见不稳定模型在切换网络下的控制成为可能。
量化了不稳定性容忍度： 提出了一个明确的可解性条件：
$\lambda_{\max}(A) < -\frac{\ln \delta}{T_c}$
其中 $\lambda_{\max}(A)$ 是系统矩阵 $A$ 的最大实部特征值， $T_c$ 是联合连通的时间窗口长度， $\delta$ 是由网络拓扑决定的衰减因子。该不等式明确界定了系统允许的最大不稳定程度。
对偶问题的解决： 利用对偶性原理，将上述结论推广到基于输出的分布式观测器设计。证明了即使领导者系统指数不稳定，只要满足上述条件，跟随者也能通过仅测量领导者输出的方式，指数收敛地估计领导者的全状态。
理论框架的完善： 通过引入正交投影矩阵乘积的范数分析，为处理切换网络下的不稳定系统提供了一套通用的数学工具，克服了以往仅依赖线性矩阵不等式（LMI）或假设网络始终连通的局限性。

4. 研究结果 (Results)

理论结果： 定理 1 和定理 2 分别给出了领导者 - 跟随者一致性问题和分布式观测器设计问题的充分条件。只要系统的不稳定程度满足 $\lambda_{\max}(A) < -\ln \delta / T_c$ ，则存在反馈增益 $K$ 和观测器增益 $L$ 使得系统指数稳定。
数值仿真： 论文通过一个包含 1 个领导者和 8 个跟随者的算例进行了验证。
- 系统矩阵 $A$ 的特征值为 $\{0.195, 0.319 \pm j2.40\}$ ，明显不稳定。
- 切换网络在两个子图之间切换，每个子图不连通，但联合连通。
- 计算得到 $\delta = 0.863, T_c = 0.1$ ，临界值为 $1.47 $。由于$ 0.319 < 1.47$，条件满足。
- 仿真结果： 尽管领导者的轨迹呈指数发散，但在设计的控制律和观测器作用下，所有跟随者的状态均指数收敛至领导者的状态，验证了理论的正确性。

5. 意义与影响 (Significance)

理论突破： 本文打破了“联合连通切换网络一致性仅适用于边际稳定系统”的传统认知，极大地扩展了多智能体协同控制的适用范围。
实际应用价值： 许多实际系统（如无人机编队、移动机器人、电力网络）的动态模型往往包含不稳定模态，且通信网络常受干扰导致瞬时断开。本文成果为这些实际场景下的鲁棒协同控制提供了坚实的理论基础。
方法论创新： 提出的基于投影矩阵乘积范数来量化网络连通性与系统稳定性之间权衡的方法，为未来研究更复杂的非线性或时变系统切换网络问题提供了新的视角。
对偶性应用： 成功将一致性控制问题转化为观测器设计问题，展示了控制理论中对偶原理在处理复杂切换系统时的强大威力。

综上所述，该论文在多智能体系统控制领域取得了突破性进展，解决了指数不稳定系统在动态切换网络下的协同控制难题，具有重要的理论深度和实际应用前景。