Рой дронов держит строй без GPS: адаптивный консенсус и цена его точности

—

от автора

Рой дронов держит строй без GPS: адаптивный консенсус и цена его точности

Адаптивный закон настройки коэффициентов, который я взял из классической литературы по мультиагентным системам, удерживал строй роя из шести дронов лучше всех: при порыве ветра ошибка 0,36 м против 0,89 м у вручную настроенного регулятора. Но при этом 67 % времени хотя бы один аппарат работал на пределе тяги, а затраты на управление были в 3,5 раза выше. Коэффициенты регулятора подскакивали на каждом крупном манёвре и обратно уже не опускались. В статье разберу, откуда берётся этот эффект и как одна строчка в законе адаптации превращает его в управляемый компромисс между точностью и энергией.

Текст написан по мотивам нашей с научным руководителем В. В. Семеновым статьи и является частью моей выпускной работы на кафедре инженерной кибернетики НИТУ «МИСИС».

Задача: строй без глобальных координат

Группы небольших дронов летают на мониторинг местности, поисково-спасательные работы, ретрансляцию связи и картографирование. Несколько дешёвых аппаратов покрывают большую площадь, чем один дорогой, и переживают потерю отдельных участников [1, 2]. Многие такие задачи требуют полёта строем: фигуру нужно держать на манёврах, перестраивать по команде и не терять при порывах ветра.

Управлять строем с наземной станции можно, но такая схема плохо масштабируется и перестаёт работать вместе с каналом связи. Поэтому в групповом управлении обычно используют распределённый подход: каждый аппарат считает своё управление сам, по информации только от ближайших соседей [3, 4]. Математическая основа — консенсусные протоколы, в которых агенты приходят к согласованным координатам и скоростям через локальный обмен данными [5, 6].

Я добавил ещё одно ограничение: никакой спутниковой навигации. Каждый дрон знает только относительное положение и скорость соседей — например, от UWB-радиомодулей [7] или камер. Это не экзотика: рой микродронов уже летал в лесу на одних бортовых датчиках и относительной локализации [8].

Модель

Будем считать, что автопилот отрабатывает заданное ускорение. Тогда каждый из N аппаратов — двойной интегратор:

\dot{\mathbf p}_i = \mathbf v_i,\qquad \dot{\mathbf v}_i = \operatorname{sat}_{u_{\max}}(\mathbf u_i) + \mathbf d_i(t).

Здесь \mathbf p_i и \mathbf v_i — положение и скорость, \mathbf u_i — командное ускорение, \operatorname{sat} ограничивает его величину значением u_{\max}, а \mathbf d_i(t) — неизвестное возмущение, например ветер.

Кто кого видит, задаёт граф связи с матрицей смежности A = [a_{ij}]: a_{ij} = 1, если аппараты i и j измеряют взаимное положение и скорость. Траекторию строя задаёт виртуальный лидер с номером 0, но видят его не все, а только агенты с b_i = 1. Строй — это набор смещений \mathbf h_i относительно лидера, а ошибка строя i-го аппарата равна

\tilde{\mathbf p}_i = \mathbf p_i - \mathbf h_i - \mathbf p_0.

Нужно, чтобы эта ошибка сходилась к нулю, строй перестраивался по команде и переживал обрыв части каналов. И чтобы коэффициенты регулятора и затраты на управление оставались ограниченными при шуме измерений и неизвестном ускорении лидера. Последнее требование окажется самым интересным.

Сразу оговорю две вещи, которые модель выносит за скобки. Во-первых, «видеть» виртуального лидера без GPS можно двумя способами. Либо лидер — реальный аппарат со своей навигацией, и соседи измеряют положение относительно него. Либо лидер — точка, заданная в системе бортовой одометрии агента (например, визуально-инерциальной), и тогда дрейф одометрии превращается в медленный дрейф всего строя. Во-вторых, относительные векторы от разных аппаратов складываются, только если выражены в общих осях, то есть дронам нужен согласованный курс. В модели оба условия считаются выполненными.

Рис. 1. Граф связи (штриховые рёбра обрываются в полёте, красным — связи с виртуальным лидером 0) и смещения агентов в двух строях

Консенсус на пальцах

Удобно работать в координатах строя. Для каждого аппарата берём вектор состояния из его смещённого положения и скорости. Тогда по каждой оси динамика линейная:

\xi_i = \begin{bmatrix}\mathbf p_i - \mathbf h_i\\ \mathbf v_i\end{bmatrix},\qquad \dot x = Ax + Bu,\qquad A = \begin{bmatrix}0 & 1\\ 0 & 0\end{bmatrix},\quad B = \begin{bmatrix}0\\ 1\end{bmatrix}.

Матрицу усиления удобно взять из алгебраического уравнения Риккати. Для двойного интегратора у него есть решение в замкнутом виде, его легко проверить подстановкой:

A^{\mathsf T}P + PA - PBB^{\mathsf T}P + I = 0\ \Rightarrow\ P = \begin{bmatrix}\sqrt3 & 1\\ 1 & \sqrt3\end{bmatrix},\qquad K = -B^{\mathsf T}P = -\begin{bmatrix}1 & \sqrt3\end{bmatrix}.

Сам протокол — это сумма рассогласований с соседями и лидером, умноженная на K:

\mathbf u_i = K\Bigl[\sum_{j=1}^{N}\alpha_{ij}\,a_{ij}\,(\xi_i - \xi_j) + \beta_i\,b_i\,(\xi_i - \xi_0)\Bigr].

Каждый аппарат тянется к соседям и, если видит лидера, к лидеру. Коэффициенты \alpha_{ij} и \beta_i говорят, насколько сильно. В простейшем варианте все они равны одному числу \alpha.

Какое \alpha выбрать? Сведём граф в матрицу H = L + \operatorname{diag}(b_i), где L — лапласиан графа. Для связного графа, где лидера видит хотя бы один агент, она положительно определена. Система распадается на независимые моды по собственным числам \lambda матрицы H, и для каждой моды характеристический многочлен равен

s^2 + \sqrt3\,\alpha\lambda\, s + \alpha\lambda.

Все коэффициенты положительны, так что для двойного интегратора строй сходится при любом \alpha > 0, если не упираться в ограничение тяги. Известное условие \alpha \ge 1/(2\lambda_{\min}(H)) [9] нужно для общих линейных агентов, а здесь оно лишь достаточное. Для моего графа \lambda_{\min}(H) \approx 0{,}27, и \alpha = 1 этому условию не удовлетворяет, но рой всё равно собирается.

Проблема в другом: от \alpha зависит качество. Малое \alpha даёт медленный строй с большой ошибкой, большое усиливает шум измерений и тратит энергию. Где лучшая точка, зависит от собственных чисел всего графа и от уровня шума. Отдельный дрон графа целиком не знает, а граф меняется при обрывах каналов.

Пусть коэффициенты подстраиваются сами

Чтобы обойтись без глобальной информации, коэффициенты каждого ребра и связи с лидером настраивают по локальной ошибке [10, 11]:

\dot\alpha_{ij} = \kappa\,a_{ij}\,(\xi_i - \xi_j)^{\mathsf T}\Gamma(\xi_i - \xi_j),\qquad \dot\beta_i = \kappa\,b_i\,(\xi_i - \xi_0)^{\mathsf T}\Gamma(\xi_i - \xi_0),\qquad \Gamma = PBB^{\mathsf T}P.

Здесь \kappa > 0 — скорость адаптации, стартуют все коэффициенты с одного значения \alpha_0. Каждый аппарат считает этот закон по тем же относительным измерениям, что и управление. Чтобы \alpha_{ij} и \alpha_{ji} совпадали, оба конца ребра должны работать с одним и тем же измерением. Если каждый аппарат меряет сам, со своим шумом, коэффициенты на концах ребра начнут расходиться, и их придётся согласовывать по каналу связи.

У формулы простой смысл. Если подставить P, по каждой оси получится

e^{\mathsf T}\Gamma e = (e_p + \sqrt3\, e_v)^2,

где e_p и e_v — рассогласование по положению и скорости. В скобках стоит тот же сигнал, на который реагирует регулятор K. Коэффициент растёт пропорционально квадрату «того, что регулятору не нравится»: большая ошибка — быстрый рост связи.

Для фиксированного связного графа, без шума и возмущений и при лидере с постоянной скоростью сходимость доказывается функцией Ляпунова

V = \frac12\sum_{i=1}^{N}\tilde\xi_i^{\mathsf T}P\,\tilde\xi_i + \sum_{i<j}\frac{a_{ij}(\alpha_{ij} - \bar\alpha)^2}{2\kappa} + \sum_i\frac{b_i(\beta_i - \bar\alpha)^2}{2\kappa},

где \tilde\xi_i = \xi_i - \xi_0 — ошибка относительно лидера, а \bar\alpha — константа, не меньшая 1/(2\lambda_{\min}(H)). Слагаемые с коэффициентами сокращаются, и производная получается не больше -\tfrac12\|\tilde\xi\|^2. Отсюда коэффициенты ограничены, а ошибки сходятся к нулю [10, 11]. Константа \bar\alpha нужна только для доказательства, в реализации её нет.

Ловушка: коэффициенты только растут

Обратите внимание на оговорку «без шума и возмущений». В законе адаптации стоят только неотрицательные слагаемые, поэтому коэффициенты никогда не убывают. Любой большой переходный процесс — сборка роя, команда на перестроение — поднимает их, и опуститься обратно они уже не могут. А когда ошибка не обнуляется до конца из-за шума или неизвестного ускорения лидера, коэффициенты продолжают медленно ползти вверх. В адаптивном управлении это давно известный эффект — параметрический дрейф [12].

Против него есть стандартные средства: σ-модификация (утечка), зона нечувствительности и проекция [12, 13]. Для адаптивного консенсуса их тоже применяли, например в [14]. Модифицированный закон выглядит так:

\dot\alpha_{ij} = \kappa\,a_{ij}\Bigl[D_\delta\bigl(e_{ij}^{\mathsf T}\Gamma e_{ij}\bigr) - \sigma(\alpha_{ij} - \alpha_0)\Bigr],\qquad D_\delta(q) = \max(q - \delta,\,0),

где e_{ij} = \xi_i - \xi_j. Три изменения:

  • зона нечувствительности D_\delta: маленькие рассогласования, на уровне шума, коэффициент не трогают;

  • утечка с коэффициентом \sigma: тянет коэффициент обратно к базовому \alpha_0, когда ошибка мала; постоянная времени возврата равна 1/(\kappa\sigma);

  • проекция: коэффициент обрезается до отрезка [\alpha_0, \alpha_{\max}].

Закон для \beta_i меняется так же. Утечка добавляет в производную функции Ляпунова слагаемое, которое при больших коэффициентах отрицательно и растёт как -\sigma(\alpha_{ij} - \bar\alpha)^2. Поэтому ошибки и коэффициенты остаются ограниченными при ограниченных возмущениях и шуме. Платить за это приходится остаточной ошибкой, которая растёт с \sigma. Меня интересовало, сколько именно стоит этот компромисс на дронах, поэтому дальше — численный эксперимент.

Как это выглядит в коде

Упрощённая иллюстрация одного шага протокола с робастной настройкой (на numpy, для наглядности, без векторизации по агентам и без шума):

import numpy as npSQ3 = np.sqrt(3.0)def s(e):    """B^T P e по каждой оси. e[0] -- ошибка положения, e[1] -- скорости."""    return e[0] + SQ3 * e[1]def step(xi, xi0, adj, b, alpha, beta, dt, kappa=0.5, sigma=0.05,         delta=0.05, a0=1.0, amax=50.0, umax=6.0):    """Один шаг консенсусного протокола с робастной настройкой.    xi -- (N, 2, 3): [p_i - h_i, v_i] по трём осям для каждого агента;    xi0 -- (2, 3): положение и скорость лидера;    adj -- (N, N) матрица смежности, b -- (N,) доступ к лидеру;    alpha -- (N, N) коэффициенты рёбер, beta -- (N,) связи с лидером.    """    n = len(xi)    u = np.zeros((n, 3))    d_alpha = np.zeros_like(alpha)    d_beta = np.zeros_like(beta)    for i in range(n):        acc = np.zeros(3)        for j in range(n):            if adj[i, j]:                e = s(xi[i] - xi[j])                acc += alpha[i, j] * e                q = e @ e                          # e^T Γ e по всем осям                d_alpha[i, j] = kappa * (max(q - delta, 0.0)                                         - sigma * (alpha[i, j] - a0))        if b[i]:            e = s(xi[i] - xi0)            acc += beta[i] * e            q = e @ e            d_beta[i] = kappa * (max(q - delta, 0.0)                                 - sigma * (beta[i] - a0))        u[i] = -acc                                # K = -B^T P        norm = np.linalg.norm(u[i])        if norm > umax:                            # насыщение            u[i] *= umax / norm    alpha = np.clip(alpha + dt * d_alpha, a0, amax)  # проекция    beta = np.clip(beta + dt * d_beta, a0, amax)    return u, alpha, beta

Если подать на вход шесть аппаратов в случайных точках и лидера, летящего по прямой, рой собирается в шестиугольник, а коэффициенты сначала подскакивают, потом возвращаются вниз.

Эксперимент

Шесть дронов. Граф связи — кольцо и две диагонали, лидера видят агенты 1 и 4 (рис. 1). Сценарий на 80 секунд:

  • старт из случайного положения, сборка в правильный шестиугольник радиусом 5 м;

  • на 25-й секунде команда перестроиться в клин с эшелонированием по высоте;

  • лидер летит 4 м/с по прямой, с 30-й секунды — по окружности радиусом 50 м, его ускорение остальным неизвестно;

  • на 45-й секунде обрываются каналы 2–3 и 1–4, граф остаётся связным;

  • с 55-й по 65-ю секунду на всех действует порыв ветра около 2,2 м/с² с колебательной составляющей 0,5 Гц;

  • шум относительных измерений: СКО 0,05 м по положению и 0,025 м/с по скорости.

Параметр

Значение

Число агентов N

6

Шаг интегрирования / длительность

0,01 с / 80 с

Ограничение ускорения u_{\max}

6 м/с²

Начальный коэффициент \alpha_0

1

Скорость адаптации \kappa

0,5

Коэффициент утечки \sigma

0,05

Зона нечувствительности \delta

0,05

Верхняя граница \alpha_{\max}

50

СКО шума положения / скорости

0,05 м / 0,025 м/с

Сравнивал четыре варианта протокола: фиксированный коэффициент \alpha = 1; фиксированный \alpha = 8, подобранный вручную перебором под этот сценарий; адаптивный закон без регуляризации (\sigma = 0); робастный закон (\sigma = 0{,}05). Начальные условия и реализация шума у всех одинаковые.

Метрики: время установления t_s (после него максимальная ошибка строя не превышает 0,5 м), СКО ошибки строя на развороте, после обрыва и при порыве, максимальная ошибка при порыве, доля времени в насыщении и затраты на управление

E_u = \frac1N\int_0^T\sum_i\|\mathbf u_i\|^2\,dt.

Вот как летит рой с робастным протоколом: собирается в шестиугольник, перестраивается в клин и держит его на развороте, после обрыва связей и при порыве ветра.

Рис. 2. Траектории дронов в горизонтальной плоскости при робастном адаптивном протоколе (σ = 0,05); точками отмечены положения агентов в указанные моменты времени

Результаты

Показатель

Фикс. α = 1

Фикс. α = 8

Адапт. σ = 0

Адапт. σ = 0,05

t_s сборки, с

11,9

4,3

4,4

4,4

t_s перестроения, с

—

6,3

6,7

6,6

СКО на развороте, м

1,36

0,15

0,08

0,10

СКО после обрыва, м

1,18

0,15

0,07

0,12

СКО при порыве, м

7,78

0,89

0,36

0,77

Макс. ошибка при порыве, м

10,9

1,15

0,57

1,17

E_u, м²/с³

110

360

1259

536

Доля времени в насыщении, %

1,4

3,1

67,4

18,4

Макс. коэффициент в конце

1

8

39,3

9,4

С \alpha = 1 рой собирается почти 12 секунд и не успевает перестроиться до обрыва связей. При порыве ошибка доходит до 10,9 м — вдвое больше радиуса строя. Остальные три варианта собираются за 4,3–4,4 с и перестраиваются за 6,3–6,7 с.

На развороте адаптивные протоколы точнее настроенного вручную: 0,08–0,10 м против 0,15 м. Но сравнение не совсем равное. К развороту их максимальные коэффициенты после перестроения уже 20–40, то есть они просто работают с более сильной связью, чем \alpha = 8.

Рис. 3. Максимальная по агентам ошибка строя; вертикальные линии — смена строя и обрыв каналов связи, серая полоса — порыв ветра, пунктир — порог 0,5 м

Чемпион по точности, который сжигает батарею

Адаптивный закон без регуляризации даёт наименьшую ошибку: при порыве 0,36 м против 0,89 м у \alpha = 8, почти в 2,5 раза меньше. Но затраты на управление в 3,5 раза больше, хотя бы один аппарат 67 % времени висит в насыщении, а коэффициенты к концу полёта доходят до 39,3.

Откуда берётся такой рост, хорошо видно на рис. 4. Коэффициенты растут не плавно, а ступенями. При сборке максимальный подскакивает примерно до 20, при команде на перестроение — примерно до 38. Обе ступени — реакция на большое рассогласование, когда дронам надо пролететь несколько метров до своих мест. После этого рост почти останавливается: за следующие 50 секунд разворота, обрыва связей и порыва и максимум, и среднее по рёбрам прибавляют меньше единицы. Это и есть дрейф от неизвестного ускорения лидера и шума, но за 80 секунд он вносит немного. Главная беда в том, что поднятые на манёврах коэффициенты больше не опускаются.

На сами коэффициенты шум почти не влияет: без шума к концу полёта они доходят до 38,2. Зато он решает всё в затратах. При СКО шума 0; 0,02; 0,05 и 0,1 м затраты на управление составили 412, 684, 1259 и 1836 м²/с³. Большие коэффициенты умножают шум измерений, и команда на ускорение упирается в ограничение.

Для настоящего дрона это плохо. Постоянное насыщение — это моторы на пределе и быстро севшая батарея, а шум, умноженный на большие коэффициенты, превращается в дрожание аппарата.

Рис. 4. Эволюция адаптивных коэффициентов: жирные линии — максимум по рёбрам и связям с лидером, тонкие — среднее по рёбрам. Скачок средних при t = 45 с вызван тем, что оборванные рёбра выпадают из среднего

Робастный закон ведёт себя иначе. При сборке и перестроении коэффициенты так же подскакивают — до 19 и 31. Но когда ошибка входит в зону нечувствительности, утечка возвращает их к базовому уровню с постоянной времени 1/(\kappa\sigma) = 40 с. К концу полёта максимальный коэффициент — 9,4. Точность при этом близка к вручную настроенному протоколу: при порыве 0,77 м против 0,89 м. Затраты на управление в 1,5 раза выше, в основном из-за пика коэффициентов при перестроении.

Главное: \alpha = 8 я нашёл перебором под конкретный сценарий. Адаптивному протоколу не нужно знать ни граф, ни возмущения. Его собственные параметры (\kappa, \sigma, \delta, \alpha_{\max}) подобраны один раз, и графа они не касаются.

Ручка «точность — энергия»

Главный параметр, которым задаётся рабочая точка, — коэффициент утечки \sigma. При росте \sigma от 0 до 0,2 затраты на управление падают с 1259 до 228 м²/с³, максимальный коэффициент — с 39,3 до 2,5, а СКО ошибки при порыве растёт с 0,36 до 1,63 м.

Рис. 5. Компромисс между СКО ошибки строя при порыве и затратами на управление; подписи точек — значения σ

Честно скажу: протокол с вручную подобранным \alpha = 8 лежит чуть ниже кривой адаптивных протоколов. Если сценарий известен заранее, хорошо настроенный фиксированный коэффициент энергетически выгоднее. Преимущество адаптации должно проявляться, когда условия отличаются от расчётных. Я увеличил амплитуду порыва:

Протокол

СКО при порыве ×1, м

СКО при порыве ×2, м

Рост

Фикс. α = 1

7,78

15,30

1,97

Фикс. α = 8

0,89

1,80

2,04

Адапт. σ = 0

0,36

0,84

2,32

Адапт. σ = 0,05

0,77

1,31

1,70

При удвоенном порыве ошибка настроенного вручную протокола выросла в 2 раза, а робастного адаптивного — в 1,7 раза, и он стал на 27 % точнее. При утроенном порыве (около 6,6 м/с²) возмущение превышает предельное ускорение 6 м/с², и строй не держит ни один протокол. Эта граница определяется тягой аппаратов, а не алгоритмом.

Здесь нужна важная оговорка. Порыв в моём сценарии начинается через 30 секунд после перестроения. Коэффициенты робастного протокола к этому моменту ещё не вернулись к базе: на рис. 4 видно, что во время порыва они около 13–16, то есть выше, чем \alpha = 8. При этом во время порыва они не растут, а продолжают снижаться. Значит, часть выигрыша может объясняться тем, что порыв пришёл вскоре после манёвра, а не реакцией адаптации на сам порыв. Чтобы это разделить, нужен прогон, где порыв приходит после того, как коэффициенты вернулись к базовому уровню. Это ближайший эксперимент в моём списке.

Ограничения

  • Модель двойного интегратора не учитывает ориентацию и задержки автопилота. Для агрессивных манёвров нужна модель высокого порядка или каскадная схема управления.

  • Доказательство устойчивости не охватывает насыщение управления и переключение графа. Эти эффекты проверены только численно.

  • Все цифры получены на одной реализации шума. Статистика по серии запусков и лётный эксперимент — следующие шаги.

  • Смещения \mathbf h_i при перестроении меняются ступенькой. Из-за этого адаптивный закон воспринимает команду как огромную ошибку, и коэффициенты подскакивают. Плавная смена смещений или заморозка адаптации на время перестроения, вероятно, заметно снизит пики коэффициентов и затраты.

Итог

Распределённый протокол с адаптивной настройкой коэффициентов держит строй роя на одних относительных измерениях, без GPS и без знания глобальных свойств графа. Классический адаптивный закон даёт наименьшую ошибку, но его коэффициенты только растут. Они поднимаются на каждом крупном манёвре, а в сочетании с шумом это оборачивается насыщением моторов 67 % времени и затратами в 3,5 раза выше. Робастная модификация с утечкой и зоной нечувствительности держит коэффициенты в рамках и без знания графа достигает точности вручную подобранного регулятора. Коэффициент утечки \sigma работает как ручка компромисса между точностью строя и энергией. При вдвое более сильном порыве робастный протокол в моём сценарии оказался на 27 % точнее, но эту цифру ещё предстоит проверить на сценарии, где порыв не следует сразу за манёвром.

Дальше в планах — задержки связи и динамика ориентации, доказательство устойчивости при переключаемом графе и ограниченном управлении и проверка на группе FPV-дронов с относительной навигацией по UWB.

Литература

  1. Chung S.-J., Paranjape A.A., Dames P., Shen S., Kumar V. A survey on aerial swarm robotics // IEEE Transactions on Robotics. 2018. Vol. 34, No. 4. P. 837–855.

  2. Coppola M., McGuire K.N., De Wagter C., de Croon G.C.H.E. A survey on swarming with micro air vehicles: Fundamental challenges and constraints // Frontiers in Robotics and AI. 2020. Vol. 7. Art. 18.

  3. Olfati-Saber R., Fax J.A., Murray R.M. Consensus and cooperation in networked multi-agent systems // Proceedings of the IEEE. 2007. Vol. 95, No. 1. P. 215–233.

  4. Ren W., Beard R.W. Distributed Consensus in Multi-vehicle Cooperative Control: Theory and Applications. London: Springer, 2008.

  5. Olfati-Saber R., Murray R.M. Consensus problems in networks of agents with switching topology and time-delays // IEEE Transactions on Automatic Control. 2004. Vol. 49, No. 9. P. 1520–1533.

  6. Ren W., Beard R.W. Consensus seeking in multiagent systems under dynamically changing interaction topologies // IEEE Transactions on Automatic Control. 2005. Vol. 50, No. 5. P. 655–661.

  7. Guo K., Qiu Z., Meng W., Xie L., Teo R. Ultra-wideband based cooperative relative localization algorithm and experiments for multiple unmanned aerial vehicles in GPS denied environments // International Journal of Micro Air Vehicles. 2017. Vol. 9, No. 3. P. 169–186.

  8. Zhou X. et al. Swarm of micro flying robots in the wild // Science Robotics. 2022. Vol. 7, No. 66. eabm5954.

  9. Li Z., Duan Z., Chen G., Huang L. Consensus of multiagent systems and synchronization of complex networks: A unified viewpoint // IEEE Transactions on Circuits and Systems I: Regular Papers. 2010. Vol. 57, No. 1. P. 213–224.

  10. Li Z., Ren W., Liu X., Fu M. Consensus of multi-agent systems with general linear and Lipschitz nonlinear dynamics using distributed adaptive protocols // IEEE Transactions on Automatic Control. 2013. Vol. 58, No. 7. P. 1786–1791. arXiv:1109.3799

  11. Li Z., Ren W., Liu X., Xie L. Distributed consensus of linear multi-agent systems with adaptive dynamic protocols // Automatica. 2013. Vol. 49, No. 7. P. 1986–1995.

  12. Ioannou P.A., Sun J. Robust Adaptive Control. Upper Saddle River: Prentice Hall, 1996.

  13. Фрадков А.Л. Адаптивное управление в сложных системах: беспоисковые методы. М.: Наука, 1990.

  14. Lv Y., Li Z., Duan Z., Feng G. Novel distributed robust adaptive consensus protocols for linear multi-agent systems with directed graphs and external disturbances. arXiv:1511.01331

ссылка на оригинал статьи https://habr.com/ru/articles/1110098/