Cooperative learning‐based practical formation‐containment control with prescribed performance for heterogeneous clusters of UAV/USV
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary In this paper, a new approach for formation‐containment control with prescribed performances is introduced for heterogeneous autonomous vehicles involving a cluster of leader unmanned aerial vehicles (UAVs) and follower unmanned surface vessels (USVs). We introduce a two‐layer distributed control system: The upper layer focuses on guiding the UAVs to form a scalable lattice while synchronizing their movement along a predefined path, and the second layer guides the USVs to enter the convex hull formed by the UAVs, ensuring collision‐free operation with static/dynamic objects. To prevent collisions and ensure lattice formation, a set of well‐defined bump functions are utilized in the design of the backstepping control algorithm. Managing virtual controls, we incorporate a nonlinear dynamic surface control (NDSC), while a universal barrier function enhances the convergence of formation tracking errors. Furthermore, each USV employs a cooperative adaptive learning neural network to handle uncertainties in heterogeneous vehicle models. Utilizing the Lyapunov theorem, the stability of the formation‐containment of UAV/USV is achieved, and all signals in the formation‐containment systems are semiglobal uniform ultimate bounded (SGUUB). A simulation example showcases the effectiveness of our proposed approach, highlighting contributions in collision avoidance, synchronization speed, and adaptive learning. Our work advances the heterogeneous formation‐containment literature towards more realistic scenarios with safety‐critical considerations amidst multiple layers of uncertainties and unknown parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle