Distributed Safe Event-Triggered Optimal Data-Driven Learning for Nonlinear MASs

doi:10.1109/jiot.2026.3742493

Distributed Safe Event-Triggered Optimal Data-Driven Learning for Nonlinear MASs

2026-10-12

0

PRE

AI

DOI：10.1109/jiot.2026.3742493

原文链接

原文求助

摘要

En 中文

本文针对差分图博弈下的非线性多智能体系统（MASs）分布式安全动态事件触发（ET）最优控制问题进行研究。安全决策问题被表述为耦合哈密顿-雅可比-贝尔曼（HJB）方程的求解。首先，设计了一种分布式观测器，仅利用局部邻域信息估计每个智能体的领导者状态，从而消除了对全局拓扑结构的依赖。此外，与现有的动态ET方法不同，通过引入平滑调度函数，开发了一种基于安全区的完全动态ET机制，以在避障约束下增强资源利用率和跟踪性能。为放宽对系统动态的要求，采用沿系统轨迹进行积分运算的积分强化学习（IRL）。因此，建立了一个嵌入状态跟踪核（SFK）函数的演员-评论家神经网络（NN）框架，用于逼近代价函数，同时避免安全关键系统中对噪声敏感的测量。最后，仿真结果验证了所提出控制方案的有效性和正确性。

Keyword:

Nonlinear multi-agent systems

event-triggered control

neural networks

optimal control

obstacle avoidance

Distributed Safe Event-Triggered Optimal Data-Driven Learning for Nonlinear MASs

摘要

期刊

机构

引用论文