基于高斯过程的合作学习用于切换拓扑下欧拉-拉格朗日系统跟踪控制
Cooperative Learning with Gaussian Processes for Euler-Lagrange Systems Tracking Control under Switching Topologies
AI总结：
针对切换拓扑下部分未知动态的欧拉-拉格朗日多智能体系统，提出基于高斯过程回归的相关性感知合作学习控制方法，通过规避后验方差计算高效确定聚合权重，并经李雅普诺夫分析保证跟踪误差有界，仿真验证了其有效性。
摘要：
本文提出了一种创新的基于学习的方法，以解决在切换通信拓扑下运行、具有部分未知动态的欧拉-拉格朗日多智能体系统的跟踪控制问题。该方法利用基于高斯过程回归的、考虑相关性的合作算法框架，该框架能够熟练地捕获智能体间相关性以进行不确定性预测。其一个突出特点是，通过规避计算密集的后验方差计算，在推导聚合权重方面具有卓越的效率。通过李雅普诺夫稳定性分析，所提出的分布式控制律以高概率保证有界的跟踪误差。仿真实验验证了该协议在有效管理复杂场景方面的有效性，使其成为在具有不确定动态和动态通信结构的多智能体系统中实现鲁棒跟踪控制的一种有前景的解决方案。
英文摘要：
This work presents an innovative learning-based approach to tackle the tracking control problem of Euler-Lagrange multi-agent systems with partially unknown dynamics operating under switching communication topologies. The approach leverages a correlation-aware cooperative algorithm framework built upon Gaussian process regression, which adeptly captures inter-agent correlations for uncertainty predictions. A standout feature is its exceptional efficiency in deriving the aggregation weights achieved by circumventing the computationally intensive posterior variance calculations. Through Lyapunov stability analysis, the distributed control law ensures bounded tracking errors with high probability. Simulation experiments validate the protocol's efficacy in effectively managing complex scenarios, establishing it as a promising solution for robust tracking control in multi-agent systems characterized by uncertain dynamics and dynamic communication structures.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
