Finite‐Time Lyapunov‐Based Model Predictive Control of Unmanned Surface Vehicles Against Denial‐of‐Service Attacks: An Independent of Prediction Horizon Approach
Notice bibliographique
Résumé
ABSTRACT The resilience and robustness of model predictive control are typically contingent upon an adequately extended prediction horizon, yet it is constrained in real‐time applications by limited computational resources. To tackle this issue, this paper introduces a finite‐time Lyapunov‐based model predictive control (FTLMPC) approach, independent of the prediction horizon, for unmanned surface vehicles (USVs) subject to external disturbances and denial‐of‐service (DoS) attacks. Firstly, a finite‐time auxiliary control system is integrated within the FTLMPC framework. This system incorporates a finite‐time extended state observer (FTESO) for precise disturbance estimation and a finite‐time backstepping control law to guarantee zero tracking errors. Consequently, FTLMPC ensures finite‐time stability during each DoS attack interval, effectively preventing error accumulation despite the presence of disturbances and DoS attacks. Secondly, a novel compensation scheme is introduced to mitigate the information loss induced by DoS attacks, wherein the compensation signal is solely derived from the control signal at the moment of the last successful transmission, thus minimizing reliance on the prediction horizon. It enables flexible adaptation of the prediction horizon and control performance according to the available computational resources. Finally, the simulation results validate the superior control performance of the proposed strategy.
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) | 0,001 | 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 ».