Cooperative learning‐based practical formation‐containment control with prescribed performance for heterogeneous clusters of UAV/USV
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».