MétaCan
Menu
Retour à la cohorte
Enregistrement W4403932459 · doi:10.1016/j.ifacol.2024.10.196

Periodic Event-Triggered Consensus Using Relative-State Measurements: A Hybrid System Approach

2024· article· en· W4403932459 sur OpenAlexafffund
Jiang Li, Mani H. Dhullipalla, Tongwen Chen

Notice bibliographique

RevueIFAC-PapersOnLine · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueDistributed Control Multi-Agent Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésState (computer science)ConsensusComputer scienceEvent (particle physics)Control theory (sociology)Statistical physicsArtificial intelligenceAlgorithmPhysicsMulti-agent system

Résumé

récupéré en direct d'OpenAlex

Often in practical applications, such as coordinated motion of autonomous vehicles, multi-agent systems (MASs) utilize information obtained from sensors to accomplish complex tasks, asynchronously. In this work, we consider the problem of consensus where the agents obtain relative-state measurements, at their own sampling frequencies, and employ a distributed event-triggered protocol to dictate when to update control. For the designed event-triggered protocol, only local intermittent relative-state measurements are utilized, where they are obtained and evaluated only at pre-determined event-monitoring instants; these instants are governed by sampling periods whose bounds are explicitly pre-computed, individually, for each agent. Hence, the designed protocol is inherently asynchronous and avoid Zeno behaviour by construction. To cope with the continuous-time dynamics of the agents and discrete-time sensing and controller updates, the overall MAS is modelled using the hybrid system framework. A numerical example is provided to clearly demonstrate the effectiveness of the designed protocol.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,275
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIFAC-PapersOnLineMême sujetDistributed Control Multi-Agent SystemsTravaux en français237 207