线性系统多智能体相关论文阅读

cooperative Output Regulation of linear Multi-Agent Systems

《线性多智能体系统的协同输出调节问题》论文阅读
关于其中dynamic compensator(或者也叫做distributed observer)从一个agent扩展到N个整体系统时其中关于克罗内克积写法的推导

首先在ren的书中《Distributed Consensus in Multi-vehicle Cooperative Control》中，我们提到过对于一阶积分器连续系统模型
${\dot{\xi }}_i=u_i$, 其中$i=1,\cdots ,n$,${\xi }_i\in {\mathbb{R}}^m$,$u_i\in {\mathbb{R}}^m$
我们提出的一阶连续系统的一致性算法
$u_i=-{\sum }_{j=1}^n{a}_{ij}(t)({\xi }_i-{\xi }_j)$ 其中$i=1,\cdots ,n$，$a_{ij}(t)$ 是邻接矩阵A的第$(i,j)$个元素
那么当我们考虑n个agent组成的整体系统时，$\xi =[{\xi }_1^T,\cdots ,{\xi }_n^T{]}^T$,${\mathcal{L}}_n(t)\in {\mathbb{R}}^{n\times n}$，整个系统写成矩阵形式
$\dot{\xi }=-[{\mathcal{L}}_n(t)\otimes I_m]\xi$
下面是上面式子到下面式子的证明:

$$\begin{array}{rl}{u}_i& =-\sum _{j=1}^n{a}_{ij}(t)({\xi }_i-{\xi }_j)\\ & =-\sum _{j=1}^n{a}_{ij}(t){\xi }_i+\sum _{j=1}^n{a}_{ij}(t){\xi }_j\end{array}$$
直接针对条件证明结论等于直接看出来，我是绝对看不出来的，所以我们从结论演化到条件
我们知道其中$\mathcal{L}=\mathcal{D}-\mathcal{A}$
上面结论的式子就可以演化为
$$\begin{array}{rl}\dot{\xi }& =-[{\mathcal{L}}_n(t)\otimes I_m]\xi \\ & =-[{\mathcal{D}}_n(t)\otimes I_m]\xi +[{\mathcal{A}}_n(t)\otimes I_m]\xi \end{array}$$
其中关于邻接矩阵，我们有
$$\mathcal{A}=\left[\begin{array}{cccc}0& a_{12}& \cdots & a_{1n}\\ a_{21}& 0& \cdots & a_{2n}\\ ⋮& ⋮& ⋮& ⋮\\ a_{n1}& a_{n2}& \cdots & 0\end{array}\right]$$
关于度矩阵$\mathcal{D}$,我们有
$$\mathcal{D}=\left[\begin{array}{cccc}{\sum }_{j=1}^n{a}_{1j}& 0& \cdots & 0\\ 0& {\sum }_{j=1}^n{a}_{2j}& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & {\sum }_{j=1}^n{a}_{nj}\end{array}\right]$$
其中关于${\mathcal{D}}_n(t)\otimes I_m$，令$S_i$是$m\times m$的数量矩阵，$0_m$是$m\times m$的全零矩阵。
$$S_i=\left[\begin{array}{cccc}{\sum }_{j=1}^n{a}_{ij}& 0& \cdots & 0\\ 0& {\sum }_{j=1}^n{a}_{ij}& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & {\sum }_{j=1}^n{a}_{ij}\end{array}\right]$$

$$\mathcal{D}\otimes I_m=\left[\begin{array}{cccc}{S}_1& 0_m& \cdots & 0_m\\ 0_m& S_2& \cdots & 0_m\\ ⋮& ⋮& ⋮& ⋮\\ 0_m& 0_m& \cdots & S_n\end{array}\right]$$
同理，对于${\mathcal{A}}_n(t)\otimes I_m$,同样的
令$R_{ij}$是$m\times m$的数量矩阵
$$R_{ij}=\left[\begin{array}{cccc}{a}_{ij}& 0& \cdots & 0\\ 0& a_{ij}& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & a_{ij}\end{array}\right]$$
则
$${\mathcal{A}}_n(t)\otimes I_m=\left[\begin{array}{cccc}{0}_m& R_{12}& \cdots & R_{1n}\\ R_{21}& 0_m& \cdots & R_{2n}\\ ⋮& ⋮& ⋮& ⋮\\ R_{n1}& R_{n2}& \cdots & 0_m\end{array}\right]$$
在上面要注意的是${\xi }_i$本身就是$m\times 1$维的，所以在不用kroncker积的情况下，是用一个数去乘一个向量，数与向量的每一个元素相乘。当我们用kroncker积的时候，全用矩阵表达需要注意维数的匹配，自然而然就能推导成功。
其实上面的是在用数乘以一个向量，和我们用矩阵乘不矛盾，对角矩阵就有这样的能力。
在某一些情况下，化成矩阵的时候要考虑维数匹配，这样就知道$\otimes$所要加入的单位矩阵的维数。
本文在已经有了多智能体基础以及输出调节基础的情况下，推导的难点在于关于v的估计量$\eta$的kroncker积推导。
在后面得到矩阵方程的时候，与输出调节中证明的内容相同
$$\begin{array}{rl}{X}_c(I_N\otimes S)& =A_c{X}_c+B_c\\ 0& =C_c{X}_c+D_c\end{array}$$
这篇论文形成的一个最重要的条件是：$g_{n+1}$有有向生成树并且以要跟踪的leader为根节点。

LQR-based coupling gain for sychronization of linear systems

第一遍文献阅读：
记录下一些自己的想法和体会，后期再看对与不对
Main result中，黎卡提(Riccati)equation 有解的条件难道就是(A,B)是可镇定的，如果Riccati方程有唯一正定的解p，那么改写方程后得出$A-B{B}^{T}P$是Hurwitz的条件应该就是矩阵$PB{B}^{T}P$是正定的,后面我在具体证明，整个论文最中心的内容在于$V$与$v$的引入。
第二遍阅读文献：基本从数学的角度推过去了，这次推过去的主要用到的数学公式就是克罗内克积的逆的公式，但是仍然有几个点有待解决，如$\Delta$的对角线元素就是其特征值，我还没有证明。这一点过去也就没啥了。
第三遍阅读文献：从整个思想上去把握

1. couple:耦合的思想
   我只能隐约的记得我在chi-tsong chen的线性系统中有遇到过耦合的概念。
   $\Delta$第一个耦合是在书中的第二章中介绍系统的数学描述时出现的，系统的A,B,C矩阵都能拆分成block diagonal的形式，所以方程可以分解为uncoupled parts(解耦的各个部分)。对于各个部分可以分别考虑其各种特性：例如可控性、稳定性、能观性
   $\Delta$第二个耦合 在第9章中对于线性系统的POLE PLACEMENT AND MODEL MATCHING这一设计章节中，专门有介绍Decoupling的，思想还是转换成对角的形式
   在线性系统中耦合似乎是一件不好的事情，我们尽力的去除耦合，但是在多智能体系统中耦合是很重要且必要的，耦合描述了多个智能体之间的连通性，信息交互能力。耦合的刻画指标对于系统能否实现相应的功能至关重要。
2. 对于$v$与$V$的引入，其实是一种等价变换，相当于对状态x将其通过equivalence transformation转化为$\bar{x}$,然后再进行后续的工作
   借着这里的机会，我很想谈谈等价变换到底再做什么：首先，对于最一般的线性时不变系统的状态方程，A将n维实数空间映射到其本身，每一个状态空间方程都对应着一组正交基，我们做一个等价变换就是选择另外一组正交基来表示他们。

总体思路

多智能体中永恒的两个问题：状态的sychronization或者tracking,怎么样设计一个数学描述去表示sychronization或者tracking，对于线性系统，我们可以借助特征值分析整个系统的变化，所以其一般的方法有：

1. 有设计误差变量e(对于tracking的问题：直接与reference做差即可；对于sychronization，可以选择其中任意的两个状态做差${\delta }_i=x_i-x_j$，获得误差变量后，就是证明当时间趋向于无穷时，其误差能趋向于0。
2. 讨论加入控制输入$u_i$的状态方程，直接分析状态$x_i$的变化。