Multi-Target Tracking of Cooperating Swarms by an Ensemble Gaussian Mixture Filter
University of Hawai‘i at Mānoa(夏威夷大学马诺阿分校)
针对现有标记随机有限集滤波器无法表示协作群体运动的问题,提出一种将联合粒子滤波与集成高斯混合滤波耦合的新滤波器,可更新每个粒子处的密度,并在粒子数极限下收敛于真实贝叶斯后验,实验验证了其有效性。
2026-10-06 cs.SY eess.SY math.PR
Multiple Target Tracking Using a UAV Swarm in Maritime Environments
本文提出协作MPC框架,结合NMIP控制器生成非短视轨迹,以最小化多目标跟踪误差,并在海上仿真中验证有效性。
2025-04-25 cs.SY eess.SY
Learning swarm behaviour from a flock of homing pigeons using inverse optimal control
Department of Mechanical and Materials Engineering, University College Dublin(都柏林大学机械与材料工程系)
本文利用GPS数据研究归巢鸽群的群体行为,将其建模为最优轨迹跟踪控制问题,提出基于最小原理的方法学习轨迹跟踪控制问题的成本函数权重。
2026-03-28 cs.SY eess.SY
Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms using Learned Interactions
California Institute of Technology(加州理工学院)
我们提出了Neural-Swarm 2,一种基于学习的运动规划和控制方法,允许群中的异构多旋翼安全地近距离飞行。由于复杂的空气动力学相互作用力,例如附近无人机产生的下洗和地面效应,无人机的这种操作具有挑战性。传统的规划和控制方法忽略了捕捉这些相互作用的力量,导致在飞行过程中稀疏的群体配置。我们的方法将基于物理的名义动力学模型与具有强Lipschitz特性的学习深度神经网络(DNN)相结合。我们利用两种技术来准确预测异质多旋翼之间的气动相互作用:i)谱归一化,用于稳定性和不可见数据的泛化保证; ii)异质深度集,用于以置换不变的方式支持任何数量的异质邻居,而不会降低表达能力。学习的剩余动力学的好处,提出的相互作用感知的多机器人运动规划和非线性跟踪控制设计,因为学习的相互作用力减少建模误差。实验结果表明,Neural-Swarm 2能够推广到训练案例之外的更大的群体,并显着优于基线非线性跟踪控制器,最坏情况下的跟踪误差减少了三倍。
2021-07-16 cs.AI cs.LG cs.RO
Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions
California Institute of Technology(加州理工学院)
在本文中,我们提出了神经网络群,一个非线性分散稳定控制器的多旋翼群近距离飞行。由于多旋翼之间复杂的气动干扰效应,例如从较高飞行器到较低飞行器的下洗,近距离控制具有挑战性。传统的方法往往不能正确地捕捉这些相互作用的影响,导致控制器,必须保持大的安全距离之间的车辆,因此不能近距离飞行。我们的方法将标称动力学模型与正则化的置换不变深度神经网络(DNN)相结合,该网络可以准确地学习高阶多车辆交互。我们设计了一个稳定的非线性跟踪控制器使用学习模型。实验结果表明,所提出的控制器显着优于基线非线性跟踪控制器的最坏情况下的高度跟踪误差小四倍。我们还经验证明了我们的学习模型推广到更大规模的群体的能力。
2020-03-06 cs.LG cs.RO cs.SY
Minimum energy density steering of linear systems with Gromov-Wasserstein terminal cost
本文针对离散时间线性高斯系统,提出以Gromov-Wasserstein距离作为终端代价的最优密度控制问题,利用其对平移和旋转不变的性质,将问题转化为凸差规划并用DC算法求解,从而以最小能量实现期望的终端分布形状。
2024-05-02 cs.SY eess.SY math.OC
Optimal Assignment and Motion Control in Two-Class Continuum Swarms
University of California Santa Barbara(加州大学圣塔芭芭拉分校);Rensselaer Polytechnic Institute(伦斯勒理工学院)
研究两类智能体(需求与资源)的最优集群控制问题,通过Wasserstein距离量化分配成本,证明一维情形下可转化为解耦的线性二次跟踪问题并给出解。
2025-10-10 cs.SY eess.SY math.OC
Autonomous Cooperative Flight Control for Airship Swarms
Heriot-Watt University(赫瑞-瓦特大学);University of Campinas (UNICAMP)(坎皮纳斯大学(UNICAMP))
本文研究了两种飞艇群自主协同飞行控制器的设计方法。第一个控制器是基于编队飞行的,第二个是基于群体智能策略。在这两种情况下,飞艇团队需要执行两项不同的任务:航路点路径跟踪和地面移动目标跟踪。在这项工作中考虑的无人机平台是在巴西开发的NOAMAY飞艇。我们使用模拟环境来测试所提出的方法。结果表明,固有的灵活性的群体智能的方法在这两个任务。
2020-04-16 cs.RO cs.SY eess.SY
The Design of a Space-based Observation and Tracking System for Interstellar Objects
最近对穿越太阳系的星际天体1I/Oumuamua和2I/Borisov的观测为行星科学和行星防御提供了新的机会。作为第一个被证实起源于太阳系以外的天体,有无数的起源问题需要探索和讨论,包括它们来自哪里,它们是如何到达这里的,它们是由什么组成的。此外,还需要认识到,特别是如果这种星际物体经过地球,则有可能发生撞击的危险。具体来说,在Oumuamua的情况下,它在近日点之后被检测到,以大约0.2 AU的速度通过地球,估计相对于地球的额外速度为60公里/秒。如果没有足够的预警时间,与这种高速物体的碰撞可能对地球上的所有生命构成灾难性的危险。这些挑战强调了探测和探索系统对研究这些星际访客的重要性。探测系统可以包括具有天顶指向望远镜航天器的航天器星座。在探测到一个事件后,一个航天器群可以从地球上部署,飞越访问者。然后,飞越可以被设计为执行感兴趣的接近操作。这项工作的目的是开发算法,通过IDEAS(群的集成设计工程和自动化)架构设计这些群任务。具体来说,我们开发自动化算法来设计一个基于地球的探测星座和一个航天器群,在会合过程中生成详细的游客表面地图,以及他们的日心巡航轨迹。
2020-02-03 astro-ph.IM cs.NE cs.SY
Continuous-Time Output Feedback Adaptive Control for Stabilization and Tracking with Experimental Results
本文提出受离散时间回溯代价自适应控制启发的连续时间输出反馈方法,并用粒子群优化自动调节超参数,在双积分器、双旋翼跟踪及姿态镇定实验中验证了其无模型控制有效性。
2025-06-06 cs.SY eess.SY
Online Stochastic Convex Optimization: Wasserstein Distance Variation
Department of Electrical and Electronic Engineering, The University of Melbourne(墨尔本大学电气与电子工程学院)
分布鲁棒优化通常是针对一组固定的分布而不是随时间推移而显著漂移的时变分布进行研究(例如,由于经济的潜在扩张和人口统计的演变,金融和社会学中的情况)。这激发了对概率分布的理解条件,使用Wasserstein距离,可用于对时变环境进行建模。然后,我们可以将这些条件与在线随机最优化结合使用,以调整决策。我们考虑了一个在线的近似梯度法来跟踪光滑凸函数的期望值的最小化,该函数由一个随机变量参数化,其概率分布随着时间的推移以与决策者行为的速率相似的速率连续演化。我们重新审视的概念,估计和跟踪误差的启发系统和控制文献,并提供他们的边界下强凸性,Lipschitz的梯度,和界限上的概率分布漂移。此外,注意到计算预测的一般可行集可能不适合在线实现(由于计算的限制),我们提出了一个精确惩罚法。这样做使我们能够放松梯度的一致有界性,并建立跟踪和估计误差的动态遗憾界。我们进一步引入了一个约束收紧的方法,并与收紧量满足约束的概率。
2020-09-29 cs.LG cs.SY eess.SY
Navigating Robot Swarm Through a Virtual Tube with Flow-Adaptive Distribution Control
School of Mathematical Sciences, Beihang University(北京航空航天大学数学科学学院);School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院)
针对机器人集群在狭窄虚拟管道中的拥堵问题,提出结合改进人工势场与密度反馈控制的新方法,生成全局速度场实现无碰撞导航和局部输入状态稳定性,数值模拟与实际应用验证了其有效性。
2025-08-13 cs.RO cs.SY eess.SY
Design of Planar Collision-free Trochoidal Paths for a Multi-robot Swarm
International Institute of Information Technology Bangalore(班加罗尔国际信息技术学院)
本文为3个非完整约束机器人集群设计分布式一致性协议参数,生成满足几何与速度约束的无碰撞周期性次摆线轨迹,确保通信范围与跟踪可行性,并支持动态注入机器人提升刷新率,已在室内平台验证。
2023-11-20 cs.RO cs.SY eess.SY
Control-Certified Wireless Resource Allocation for Digital-Twin-Enabled UAV Swarms
School of Telecommunication Engineering, Xidian University(西安电子科技大学通信工程学院)
本文提出了一种面向数字孪生的无人机蜂群无线资源分配框架,通过证书引导的方法,结合状态条件的随机漂移测试和动态规划,实现网络可行性和闭环控制的安全性,验证了在相同通信预算下,该框架在跟踪精度和高风险状态抑制方面优于现有方法。
2026-05-18 cs.SY eess.SY
Feedforward Density-Driven Optimal Control (D2OC) for Tracking Time-Varying Distributions
New Mexico Institute of Mining and Technology(新墨西哥矿业理工学院)
本文提出前馈增强的D²OC框架,通过引入参考速度场模型,解决多智能体在时间变化环境中的分布跟踪滞后问题,理论分析和数值结果表明该方法能有效降低跟踪延迟,保证鲁棒性和高保真度。
2026-11-03 cs.SY eess.SY
Dynamic multi-agent assignment via discrete optimal transport
我们提出了一个确定性的动态分配问题的最佳解决方案,利用连接到离散最优运输理论转换成一个易于处理的线性规划的组合分配问题。我们试图让一个多车辆群来完成一个动态变化的任务,例如跟踪一个多目标群。我们的方法同时确定最优分配和控制的个别代理。因此,分配策略考虑了代理和目标的异构集合的动态和能力。与大多数现有的分配方案相比,这种方法通过考虑底层动态流形的成本度量来改进基于距离的分配度量。我们提供了一个理论上的理由,这个问题的重新制定,并表明,动态分配问题的最小值是等价的最优运输所产生的相关蒙赫问题的最小值。我们证明,占动态,我们只需要计算一次分配的操作寿命-显着降低计算费用。此外,我们表明,我们的方法实现的成本效益增加的群体规模的增加,实现近50%的成本降低相比,基于距离的指标。我们证明了我们的方法,通过模拟几个线性和线性化的问题。
2019-10-23 cs.MA cs.SY eess.SY
Receding Horizon Control in Deep Structured Teams: A Provably Tractable Large-Scale Approach with Application to Swarm Robotics
在本文中,一个深结构化的跟踪问题,大量的决策者。该问题被表述为一个线性二次深度结构团队,其中决策者希望在考虑局部目标的同时合作跟踪全局目标。对于无约束的设置,规范变换技术被用来分解所产生的优化问题,以获得一个低维的最优控制策略的局部和全局Riccati方程。然而,对于约束的情况下,可行集不一定是可分解的规范变换。为了克服这一障碍,我们提出了一个家庭的本地和全球滚动时域控制问题,其中精心构造的线性组合的解决方案提供了一个可行的解决方案,为原来的约束问题。上述解决方案的突出特性是,它们相对于决策者的数量是易处理的,并且可以以分布式方式实现。此外,主要结果被推广到多个子种群和多特征的情况下,包括领导者-追随者设置,内聚代价函数和软结构约束。此外,根据扰动影响因素提出了一类网络物理攻击。一个数值例子来证明结果的有效性。
2021-10-20 cs.SY eess.SY
A distributed motion planning approach to cooperative underwater acoustic source tracking
University of Genova(热那亚大学);ISME, Interuniversity Center of Integrated Systems for the Marine Environment(海洋环境集成系统跨大学中心);Institute for Systems and Robotics, Instituto Superior Técnico(高级技术研究所系统与机器人研究所)
本文提出了一种基于分布式模型预测控制的水下声源跟踪方法,通过优化多代理协同运动规划提升跟踪性能。
2025-12-01 cs.SY eess.SY
Toward Mission-Critical ISAC: Reliable Energy-Aware Coordination in UAV Swarms
ICTFICIAL Oy(ICTFICIAL Oy公司);Ruhr University Bochum(波鸿鲁尔大学)
针对任务关键型无人机群,提出两层架构与后退时域交替优化算法,联合优化轨迹、时间分配与无线充电,显著降低感知误差并保障能量可持续性。
2026-09-22 cs.IT cs.MA cs.NI
Optimal Measurement Policy for Predicting UAV Network Topology
Northern Arizona University(北亚利桑那大学);University of Alabama(阿拉巴马大学)
本文提出基于粒子群优化与卡尔曼滤波的算法,用于优化无人机在时变信道条件下感知周围网络配置,以最小化整体网络估计误差。
2017-10-30 cs.SY eess.SY
Automated Tuning of Nonlinear Kalman Filters for Optimal Trajectory Tracking Performance of AUVs
本文针对无DVL的微型AUV,提出使用贝叶斯优化自动调优两种不同预测模型的UKF参数,蒙特卡洛仿真表明该方法使中值跟踪误差最多降低50%。
2023-04-07 cs.SY eess.SY
Trajectory tracking control of a Remotely Operated Underwater Vehicle based on Fuzzy Disturbance Adaptation and Controller Parameter Optimization
Purdue University(普渡大学)
针对冰下探索中ROV精确轨迹跟踪需求,提出融合模糊自适应扰动抑制与PSO参数优化的MIMO非线性控制器,经仿真验证性能优于基线方法,助力冰下探索技术发展。
2024-05-16 cs.RO cs.SY eess.SY
Advanced Maximum Adhesion Tracking Strategies in Railway Traction Drives
针对现有铁路牵引最大黏着跟踪方法的缺陷,提出基于模糊逻辑控制器和粒子群优化的两种新策略,经仿真与缩比滚轮台实验验证,其牵引能力、搜索效率与稳定性更优,调参和计算需求更低。
2024-06-19 cs.SY eess.SY