-
摘要: 针对复杂环境下机器人运动状态估计的精度改善问题, 提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法. 首先, 引入加权信息量概念来改进期望最大化算法目标函数惩罚项, 使得在优化过程中能考虑更全面的参数信息, 以达到减少期望最大化算法的迭代次数和提高收敛速度的目的. 此外, 以基于马氏距离和Kullback-Leibler (KL)距离的高斯项合并方法为基础, 提出一种能有效联合两类高斯项合并方式的融合模式. 先单独使用马氏距离和KL距离进行高斯混合项合并, 再对获得的高斯混合项进行加权融合处理, 以改善高斯和滤波中多高斯项的合并性能和保真度. 最后, 应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计. 理论分析与仿真结果表明, 该方法能实现对机器人运动更好的状态估计精度, 并具有更强的鲁棒性能.
-
关键词:
- 非线性非高斯系统 /
- 状态估计 /
- 高斯和容积卡尔曼滤波 /
- 鲁棒期望最大化算法 /
- 凸组合融合
Abstract: For robot motion state estimation accuracy under complex environment to improve the problem, an improved Gaussian summation cubature Kalman filter is proposed for a kind of nonlinear non-Gaussian system by improving expectation-maximum algorithm and Gauassian merging method. Firstly, the weighted information is introduced to help improve the penalty item of the objective function in the expectation-maximum algorithm, so that more comprehensive parameter information can be considered in the optimization process to achieve the purpose of reducing the number of iterations of the EM algorithm and increasing the convergence speed. Then, based on the Gaussian merging methods using the Mahalanobis distance and the Kullback-Leibler distance, respectively, one fusion mode that can effectively combine the two types of Gaussian merging method is proposed. The Mahalanobis distance and the Kullback-Leibler distance are used to merge the Gaussian mixture items separately, and then the obtained Gaussian mixture items are weighted and fused to improve the merging performance and fidelity of multiple Gaussian items in the Gaussian sum filtering. Finally, the Gaussian sum cubature Kalman filter framework of nonlinear non-Gaussian system is applied to estimate the motion state of the robot in complex environment. Theoretical analysis and simulation results show that the new method can achieve better state estimation accuracy for robot motion and obtain stronger robust performance. -
在工业生产和社会生活中, 存在着大量的复杂系统, 如非线性耦合机械系统[1]、超临界机组[2]等. 这些复杂系统线性化时通常包含了不可控模态, 给其控制器设计与分析带来了挑战. 在过去十几年里, 这类称之为高阶非线性系统的自适应控制问题吸引了很多研究者的关注. Lin等在文献[3-4]中提出了一种新的构造性设计框架−增加幂次积分法, 有效解决了高阶非线性系统的镇定与实际跟踪问题. 借助于这一方法, 文献[5-19]研究了不同条件下高阶不确定非线性系统的自适应控制问题, 取得了一系列研究成果. 值得指出的是, 上述绝大多数研究结果都要求系统的幂次信息完全已知. 然而, 在一些实际应用中, 由于控制系统本身与周围环境存在着各种不确定因素, 使得系统的幂次信息可能无法精确获取. 因此, 进一步探讨具有未知幂次的高阶非线性系统的控制器设计是很有意义并值得研究的问题.
针对具有未知幂次的高阶非线性系统, 文献[20-21]采用改进的增加幂次积分法, 分别给出了状态反馈和输出反馈控制算法. 然而, 这些算法没有考虑系统函数的不确定性, 且需要假设系统的幂次上界信息已知. 文献[22]结合增加幂次积分技术和自适应控制方法, 解决了具有未知幂次和不确定参数的高阶非线性系统的自适应控制问题. 最近, 针对一类具有未知时变幂次的高阶非线性系统, 文献[23]利用障碍李雅普诺夫方法给出了满足全状态约束条件的自适应控制方案. 但文献[22-23]所提控制方案仍然要求系统幂次的上界已知. 为去除这一假设条件, 文献[24]采用增加幂次积分技术和逻辑切换方法, 设计了一种全局切换自适应镇定方案. 该方案的不足在于切换控制信号是非光滑的, 可能会引起抖振问题, 从而激发系统中的高频未建模动态. 为此, 文献[25]利用动态增益法, 提出了一种光滑自适应状态反馈控制器, 但这种控制器仅适用于相对阶为2的非线性系统.
基于以上讨论, 本文研究了一类具有未知幂次的高阶不确定非线性系统的自适应跟踪控制问题. 结合积分反推技术和障碍李雅普诺夫函数, 提出了一种新颖的自适应状态反馈控制策略. 本文所得到的控制策略具有如下优点: 1) 采用对数型障碍李雅普诺夫函数[26-27]解决了系统幂次未知与模型不确定带来的技术难题; 2) 所提出的自适应控制策略中没有包含虚拟控制律的导数信息, 避免了积分反推法中的“计算膨胀”问题; 3) 所设计控制器能够确保闭环系统的所有信号一致有界. 最后, 仿真结果验证了本文理论结果的有效性.
本文采用如下符号:
$ {\bf{R}} $ ,${\bf{R}}_{\geq{{0}}}$ ,${\bf{R}}_{ > {{0}}}$ 分别表示实数、非负实数和正实数集合.$ {{\bf{R}}}^n $ 表示$ n $ 维实向量集合.$ {\rm{sign}}(s) $ 表示变量$ s $ 的符号函数. 对任意正常数$ q $ , 定义$ [s]^q = {\rm{sign}}(s)|s|^q $ .${\bf{Q}}_{{\rm{odd}}}^{\ge 1}$ 表示分子和分母都是正奇整数的所有有理数的集合.1. 问题描述与预备知识
1.1 问题描述
考虑如下高阶不确定非线性系统
$$ \begin{split} & \dot{x}_i = f_i(t,{\boldsymbol{x}},u)+g_i(t,{\boldsymbol{x}},u)[x_{i+1}]^{p_i}\\ &\qquad\qquad\qquad\;\;\;\;\quad i = 1,\cdots,n-1\\ &\dot{x}_n = f_n(t,{\boldsymbol{x}},u)+g_n(t,{\boldsymbol{x}},u)[u]^{p_n}\\& y = x_1 \end{split} $$ (1) 其中,
${\boldsymbol{x}} = [x_1,\cdots,x_n]^{\rm{T}}\in {{\bf{R}}}^n$ 是系统的状态向量, 初始值${\boldsymbol{x}}(0) = [x_1(0),\cdots,x_n(0)]^{\rm{T}}$ ,$\bar{{\boldsymbol{x}}}_i = [x_1,\cdots,x_i]^{\rm{T}}\in {{\bf{R}}}^i$ ,$i = 1,\cdots,n$ ;$ u \in {{\bf{R}}} $ 和$ y \in {{\bf{R}}} $ 分别是控制输入和系统输出;$ p_i\in {\bf{Q}}_{{\rm{odd}}}^{\ge 1} $ ,$i = 1,\cdots,n$ 是系统(1)的未知幂次. 系统函数$ f_i, g_i:{{\bf{R}}}_{\ge0}\times {{\bf{R}}}^n\times {{\bf{R}}}\rightarrow {{\bf{R}}} $ ,$i = 1,\cdots,n$ 在$ t $ 上分段连续, 且关于$ {\boldsymbol{x}} $ 和$ u $ 满足局部Lipschitz条件. 本文的控制目标是设计自适应控制器$ u $ , 使得系统输出$ y $ 跟踪期望轨迹$ y_r $ , 同时确保闭环系统的所有信号皆有界.注 1. 不同于文献[20-25]中的研究结果, 本文中系统幂次无需满足
$ p_1\ge p_2\ge \cdots\ge p_n $ .假设 1. 存在未知的连续函数
$\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i) : {{\bf{R}}}^{i}\rightarrow {{\bf{R}}}_{\geq0}$ ,$ \underline{g}_i(\bar{{\boldsymbol{x}}}_i): {{\bf{R}}}^{i}\rightarrow {{\bf{R}}}_{>0} $ 和$ \bar{g}_i(\bar{{\boldsymbol{x}}}_i): {{\bf{R}}}^{i}\rightarrow {{\bf{R}}}_{>0} $ , 满足$$ |f_i(t,{\boldsymbol{x}},u)|\le \sum\limits_{l = 1}^{j_i}|x_{i+1}|^{q_{il}}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i) $$ (2) $$ 0<\underline{g}_i(\bar{{\boldsymbol{x}}}_i)\le g_i(t,{\boldsymbol{x}},u)\le \bar{g}_i(\bar{{\boldsymbol{x}}}_i) $$ (3) 其中,
$i = 1,\cdots,n$ ,$l = 1,\cdots,j_i$ ,$ j_i $ 为有限正整数,$ q_{il} $ 为满足$ 0\le q_{i1}<q_{i2}<\cdots<q_{ij_i}<p_i $ 的正常数.注 2. 假设1表明了本文所提控制算法无需知晓系统函数
$ g_i(t,{\boldsymbol{x}},u) $ ,$ f_i(t,{\boldsymbol{x}},u) $ 及相应的界函数$ \underline{g}_i(\bar{{\boldsymbol{x}}}_{i}) $ ,$ \bar{g}_i(\bar{{\boldsymbol{x}}}_{i}) $ ,$ \bar{f}_{il}(\bar{{\boldsymbol{x}}}_i) $ 的解析表达式.假设 2. 期望轨迹
$ y_r $ 为连续可微函数, 且存在未知正常数$ B_r $ , 满足$$ |y_r(t)|+|\dot{y}_r(t)|\le B_r,t\ge 0 $$ (4) 1.2 预备知识
引理 1[28]. 考虑初值问题
$$ \dot{\boldsymbol{\eta}}_r(t) = h_r(t,{\boldsymbol{\eta}}_r),\; {\boldsymbol{\eta}}_r(0) = {\boldsymbol{\eta}}^0_r\in \Xi_r $$ (5) 其中,
$h_r:{{\bf{R}}}_{\ge0}\times \Xi_r\rightarrow {{\bf{R}}}^{{N}}$ 在$ t $ 上分段连续, 且关于$ {\boldsymbol{\eta}}_r $ 满足局部Lipschitz条件,$\Xi_r\subset {{\bf{R}}}^{{N}}$ 为非空开子集.$ {\boldsymbol{\eta}}_r(t) $ 是初值问题(5)在最大存在区间$ [0,t'_f) $ 上的解,$ t'_f<+\infty $ . 设$ \Xi'_r $ 是$ \Xi_r $ 的紧子集, 则存在$t_s\in [0,t'_f)$ , 使得$ {\boldsymbol{\eta}}_r(t_s)\not\in\Xi'_r $ .引理 2[29]. 对任意
$ a\in {{\bf{R}}} $ ,$ b \in {{\bf{R}}} $ ,$ m\in {{\bf{R}}}_{>0} $ ,$ n\in {{\bf{R}}}_{>0} $ 和函数$ \rho(a,b)>0 $ , 下列不等式成立$$\begin{split} |a|^m|b|^n \le\;& \frac{m}{m+n}\rho(a,b)|a|^{m+n}\;+\\&\frac{n}{m+n}\rho(a,b)^{-\tfrac{m}{n}}|b|^{m+n} \end{split}$$ (6) 引理 3[29-30]. 对任意
$ p\ge 1 $ ,$ a\in {{\bf{R}}} $ ,$ b \in {{\bf{R}}} $ , 下列不等式成立$$ \|a|^{p}-|b|^{p}|\le |[a]^{p}-[b]^{p}| \hspace{37pt} $$ (7) $$ \begin{split} \,|[a]^{p}-[b]^{p}|\le\; &c_{p}|a-b|\times\\ &(|a-b|^{{p}-1}+|b|^{{p}-1}) \end{split} $$ (8) $$ |a|^{p}+|b|^{p}\le(|a|+|b|)^{p} \hspace{45pt}$$ (9) 其中,
$ c_{p} = 2^{p-2}+2 $ .引理 4[31]. 对任意
$ \delta\in {{\bf{R}}}_{>0} $ 和$ \xi \in {{\bf{R}}} $ , 下列不等式成立$$ 0\le |\xi|-\frac{\xi^2}{\sqrt{\xi^2+\delta^2}}<\delta $$ (10) 引理 5[32]. 对满足
$ 0\le d<c $ 的$ c\in {{\bf{R}}} $ 和$ d\in {{\bf{R}}} $ , 下列不等式成立$$ \log\frac{c}{c-d} \le \frac{d}{c-d} $$ (11) 2. 自适应跟踪控制策略
本节设计了一种基于障碍李雅普诺夫函数的自适应跟踪控制器, 并给出了闭环系统的稳定性证明.
2.1 自适应控制器设计
定义如下误差坐标变换
$$ z_1 = x_1-y_r $$ (12) $$ z_i = x_i-\alpha_{i-1},\;i = 2,\cdots,n $$ (13) 其中,
$ \alpha_{i-1} $ 是第$ i-1 $ 步的虚拟控制律.步骤
$ {\boldsymbol{i}} $ ${\boldsymbol{(i = 1,\cdots,n-1)}}$ . 选取正常数$ \mu_i $ 满足$ \mu_i>|z_i(0)| $ , 设计第$ i $ 步虚拟控制律和自适应律为$$ \alpha_i = -\xi_i\left(k_i+\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right) $$ (14) $$ \dot{\hat{\vartheta}}_i = \gamma_i\left(\frac{\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}-\lambda_i\hat{\vartheta}_i\right) $$ (15) 其中,
$\xi_i = \dfrac{z_i}{\mu_i^2-z_i^{2}}$ ,$ \hat{\vartheta}_i $ 是$ \vartheta_i $ 的估计值,$ \hat{\vartheta}_i(0)\ge 0 $ ,$ k_i $ ,$ \sigma_i $ ,$ \gamma_i $ 和$ \lambda_i $ 为正常数.步骤 n. 选取正常数
$ \mu_n $ 满足$ \mu_n>|z_n(0)| $ , 设计实际控制律和自适应律为$$ u = -\xi_n\left(k_n+\frac{\sigma_n\hat{\vartheta}_n}{\sqrt{\xi_n^2+\delta_n^2}}\right) $$ (16) $$ \dot{\hat{\vartheta}}_n = \gamma_n\left(\frac{\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}-\lambda_n\hat{\vartheta}_n\right) $$ (17) 其中,
$\xi_n = \dfrac{z_n}{\mu_n^2-z_n^{2}}$ ,$ \hat{\vartheta}_n $ 是$ \vartheta_n $ 的估计值且满足,$\hat{\vartheta}_n(0)\ge 0$ ,$ k_n $ ,$ \sigma_n $ ,$ \gamma_n $ 和$ \lambda_n $ 为正常数.上述自适应控制器的设计过程如图1所示.
注 3. 如式(14) ~ (17)所示, 本文提出的自适应反推控制策略不依赖于系统幂次
$ p_i $ 及其上界信息, 且无需知晓系统函数$ f_i(t,{\boldsymbol{x}},u) $ ,$ g_i(t,{\boldsymbol{x}},u) $ 及相应的界函数$ \bar{f}_{il}(\bar{{\boldsymbol{x}}}_i) $ ,$ \underline{g}_i(\bar{{\boldsymbol{x}}}_{i}) $ ,$ \bar{g}_i(\bar{{\boldsymbol{x}}}_{i}) $ 的解析表达式. 同时, 该控制策略未包含虚拟控制律$ \alpha_i $ 的导数, 消除了积分反推法中“计算膨胀”问题.2.2 稳定性分析
在给出闭环系统的稳定性分析之前, 先引入如下命题.
命题 1. 对式(14) ~ (17)的
$\hat{\vartheta}_1,\cdots,\hat{\vartheta}_n, \alpha_1,\cdots, \alpha_{n-1}$ 和$ u $ , 下列陈述成立i)
$ \hat{\vartheta}_i(t)\ge 0 $ ,$i = 1,\cdots,n$ .ii)
$\xi_i[\alpha_i]^{p_i} = -|\xi_i||\alpha_i|^{p_i} \le 0, \xi_n [u]^{p_n} = -|\xi_n| |u|^{p_n}$ ,$i = 1,\cdots,n-1$ .证明. i) 由于
$\dfrac{\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}\ge 0$ 和$ \hat{\vartheta}_i(0)\ge 0 $ , 根据式(15)和式(17), 可直接推出$ \hat{\vartheta}_i(t)\ge 0 $ ,$i = 1,\cdots,n$ .ii) 根据式(14)和式(16),
$ \alpha_i $ ,$i = 1,\cdots,n-1$ 和$ u $ 改写为$$ \alpha_i = \xi_i\phi_i,i = 1,\cdots,n-1 $$ (18) $$ u = \xi_n\phi_n\hspace{74pt} $$ (19) 其中,
$$ \phi_i = -k_i-\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}},\;\;i = 1,\cdots,n $$ (20) 从而, 有
$$ \begin{split} \xi_i[\alpha_i]^{p_i} =&\; \xi_i|\alpha_i|^{p_i}{\rm{sign}}(\xi_i\phi_i)\\& \quad i = 1,\cdots,n-1\end{split} $$ (21) $$ \xi_n [u]^{p_n} = \xi_n |u|^{p_n}{\rm{sign}}(\xi_n\phi_n) $$ (22) 另外, 由于
$ \hat{\vartheta}_i(t)\ge 0 $ ,$i = 1,\cdots,n$ , 从式(20)易知$ \phi_i\le 0 $ ,$i = 1,\cdots,n$ , 进而可得${\rm{sign}}(\xi_i\phi_i) = -{\rm{sign}}(\xi_i)$ ,$i = 1,\cdots,n$ . 故$$ \begin{split} \xi_i[\alpha_i]^{p_i} =&\; -|\xi_i||\alpha_i|^{p_i}\le 0\\ & i = 1,\cdots,n-1 \end{split}$$ (23) $$ \xi_n [u]^{p_n} = -|\xi_n| |u|^{p_n}\le 0 $$ (24) □
本文主要结论可总结为如下定理.
定理 1. 对满足假设1和假设2的高阶不确定非线性系统(1), 在任意初始条件
$ {\boldsymbol{x}}(0) $ 下, 控制器(16)以及自适应律(15)和(17)保证了闭环系统的所有信号一致有界, 并且输出跟踪误差可以收敛到残差为任意小的残差集.证明. 本证明共分为3部分. 首先, 证明由系统(1), 控制器(16), 自适应律(15)和(17)组成的闭环系统在最大存在区间
$ [0,t_f) $ 上存在唯一解${\pmb\eta}(t) = [z_1(t),\cdots,z_n(t),\hat{\vartheta}_1(t),\cdots,\hat{\vartheta}_n(t)]^{\rm{T}}$ . 然后, 采用反证法证明$ t_f = +\infty $ . 最后, 实现本文控制目标.Part 1. 根据式(14)和式(16), 虚拟控制律
$\alpha_1,\cdots, \alpha_{n-1}$ , 实际控制律$ u $ 以及系统状态$x_1,\cdots,x_n$ 可写为$$ \alpha_i = \check{\alpha}_i(z_i,\hat{\vartheta}_i),i = 1,\cdots,n-1 $$ (25) $$ u = \check{\alpha}_n(z_n,\hat{\vartheta}_n) $$ (26) $$ x_1 = z_1+y_r= \check{x}_1(t,z_1) $$ (27) $$ \begin{split} x_i =\; & z_i+\check{\alpha}_{i-1}(t,z_{i-1},\hat{\vartheta}_{i-1})=\\ & \check{x}_i(t,z_{i-1},z_i,\;\hat{\vartheta}_{i-1}),i = 2,\cdots,n \end{split} $$ (28) 因此, 由式(1)和式(14)
$ \sim $ (17)组成的闭环系统可改写为$$ \begin{split} \dot{z}_1 =\;& f_1(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)+g_1(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)[\check{x}_2]^{p_1}-\dot{y}_r=\\ &\varphi_1(t,z_1,\cdots,z_n,\hat{\vartheta}_1,\cdots,\hat{\vartheta}_n) \end{split} $$ (29) $$ \begin{split} \dot{z}_i = \;& f_i(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)+g_i(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)[\check{x}_{i+1}]^{p_i}\;-\\ &\frac{\partial \check{\alpha}_{i-1}}{\partial t}-\frac{\partial \check{\alpha}_{i-1}}{\partial z_{i-1}}\varphi_{i-1}-\gamma_{i-1}\frac{\partial \check{\alpha}_{i-1}}{\partial \hat{\vartheta}_{i-1}}\;\times\\ &\left(\frac{\xi_{i-1}^2}{\sqrt{\xi_{i-1}^2+\delta_{i-1}^2}}-\lambda_{i-1}\hat{\vartheta}_{i-1}\right)=\\ & \varphi_i(t,z_1,\cdots,z_n,\hat{\vartheta}_1,\cdots,\hat{\vartheta}_n),\\ &\qquad\qquad\qquad\qquad\;\; i = 2,\cdots,n-1 \end{split}$$ (30) $$ \begin{split} \dot{z}_n =\; &f_n(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)+g_n(t,\check{{\boldsymbol{x}}},\check{\alpha}_n)[\check{\alpha}_n]^{p_n}-\\ &\frac{\partial \check{\alpha}_{n-1}}{\partial t}-\frac{\partial \check{\alpha}_{n-1}}{\partial z_{n-1}}\varphi_{n-1}-\gamma_{n-1}\frac{\partial \check{\alpha}_{n-1}}{\partial \hat{\vartheta}_{n-1}}\times\\ &\left(\frac{\xi_{n-1}^2}{\sqrt{\xi_{n-1}^2+\delta_{n-1}^2}}-\lambda_{n-1}\hat{\vartheta}_{n-1}\right)=\\& \varphi_n(t,z_1,\cdots,z_n,\hat{\vartheta}_1,\cdots,\hat{\vartheta}_n) \end{split}$$ (31) $$ \begin{split} \dot{\hat{\vartheta}}_i =\;& \gamma_i\Big(\frac{\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}-\lambda_i\hat{\vartheta}_i\Big)=\\ & \varphi_{n+i}(t,z_i,\hat{\vartheta}_i),\;\;i = 1,\cdots,n \end{split} $$ (32) 其中,
$\check{{\boldsymbol{x}}} = [\check{x}_1,\cdots,\check{x}_n]^{\rm{T}}\in {{\bf{R}}}^n$ .定义开集
$$ \Xi = \underbrace{(-\mu_1,\mu_1)\times\cdots\times(-\mu_n,\mu_n)}_n\times {{\bf{R}}}^n $$ 由于
$\mu_i > |z_i(0)|$ ,$i = 1,\cdots,n$ , 可知${\boldsymbol{\eta}}(0) = [z_1(0), \cdots, z_n(0),\hat{\vartheta}_1(0),\cdots,\hat{\vartheta}_n(0)]^{\rm{T}}\in \Xi$ . 同时, 由于期望参考信号$ y_r $ 及其导数$ \dot{y}_r $ 有界, 函数$ f_i, g_i $ ,$i = 1,\cdots, n$ 在$ t $ 上分段连续, 且关于$ {\boldsymbol{x}} $ 和$ u $ 满足局部Lipschitz条件, 可推得$ \varphi_i:{{\bf{R}}}_{\ge0}\times \Xi\rightarrow {{\bf{R}}} $ 在$ t $ 上分段连续, 且关于$ {\boldsymbol{x}} $ 和$ u $ 满足局部Lipschitz条件. 根据微分方程解的存在唯一性定理[33], 对任意初始条件$ {\boldsymbol{\eta}}(0) $ , 闭环系统(29) ~ (32)在最大存在区间$ [0,t_f) $ 上存在唯一解${\boldsymbol{\eta}} = [z_1,\cdots,z_n,\hat{\vartheta}_1,\cdots,\hat{\vartheta}_n]^{\rm{T}}\in \Xi$ , 即, 对$\forall t\in [0,t_f)$ ,$ |z_i|<\mu_i $ ,$i = 1,\cdots,n$ .Part 2. 本部分采用反证法证明
$ t_f = +\infty $ . 为此, 不妨假设$ t_f<+\infty $ .考虑如下障碍李雅普诺夫函数[26]:
$$ V_i = \frac{1}{{2}}\log\frac{\mu_i^2}{\mu_i^2-z_i^{2}}+\frac{\sigma_i\omega_{il} }{2\gamma_i}\tilde{\vartheta}_i^2,\;\;i = 1,\cdots,n $$ (33) 其中,
$ \tilde{\vartheta}_i = \vartheta_i-\hat{\vartheta}_i $ ,$ \omega_{il} $ 是未知正常数.步骤
$ {\boldsymbol{i}} $ ${\boldsymbol{(i = 1,\cdots,n-1)}}$ .$ V_i $ 的导数为$$ \begin{split} \dot{V}_i = \;&\xi_i\Big(f_i(t,{\boldsymbol{x}},u)+g_i(t,{\boldsymbol{x}},u)[x_{i+1}]^{p_i}-\dot{\alpha}_{i-1}\Big)-\\ &\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i \\[-10pt]\end{split}$$ (34) 其中,
$ \alpha_0 = y_r $ .根据假设1和引理2, 下列不等式成立
$$ \begin{split} &|f_i(t,{\boldsymbol{x}},u)|\le\\ &\qquad\sum\limits_{l = 1}^{j_i}|x_{i+1}|^{q_{il}}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i)\le\\ &\qquad\sum\limits_{l = 1}^{j_i}\Bigg[\frac{g_i(t,{\boldsymbol{x}},u)|x_{i+1}|^{p_i}}{2j_i}+\\ &\qquad\frac{p_i-q_{il}}{p_i}\left(\frac{2j_iq_{il}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i)}{p_ig_i(t,{\boldsymbol{x}},u)}\right)^{\frac{q_{il}}{p_i-q_{il}}}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i)\Bigg]\le\\ &\qquad\frac{g_i(t,{\boldsymbol{x}},u)|x_{i+1}|^{p_i}}{2}+\psi_i(\bar{{\boldsymbol{x}}}_i) \end{split} $$ (35) 其中,
$$ \begin{split} \psi_i(\bar{{\boldsymbol{x}}}_i) =& \sum\limits_{l = 1}^{j_i}\frac{p_i-q_{il}}{p_i}\times\\ &\left(\frac{2j_iq_{il}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i)}{p_i\underline{g}_i(\bar{{\boldsymbol{x}}}_i)}\right)^{\tfrac{q_{il}}{p_i-q_{il}}}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i) \end{split}$$ 将式(35)代入式(34), 可得
$$ \begin{split} \dot{V}_i\le\; &g_i(t,{\boldsymbol{x}},u)\xi_i [x_{i+1}]^{p_i}+\frac{g_i(t,{\boldsymbol{x}},u)|\xi_i|}{2}|x_{i+1}|^{p_i}+\\& |\xi_i|\Big(\psi_i(\bar{{\boldsymbol{x}}}_i)+|\dot{\alpha}_{i-1}|\Big)-\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i \\[-10pt]\end{split}$$ (36) 根据命题1, 可得
$$ \begin{split} \dot{V}_i\le \;&g_i(t,{\boldsymbol{x}},u)\xi_{i}([x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i})+\\ &\frac{g_i(t,{\boldsymbol{x}},u)|\xi_i|}{2}\Big(|x_{i+1}|^{p_i}-|\alpha_{i}|^{p_i}\Big)+\\ &|\xi_i|\Big(\psi_i(\bar{{\boldsymbol{x}}}_i)+|\dot{\alpha}_{i-1}|\Big)+\\ &\frac{g_i(t,{\boldsymbol{x}},u)\xi_{i}}{2}[\alpha_i]^{p_i}-\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i\le\\ &\frac{3g_i(t,{\boldsymbol{x}},u)|\xi_i|}{2}|[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}|+\\ &|\xi_i|\Big(\psi_i(\bar{{\boldsymbol{x}}}_i)+|\dot{\alpha}_{i-1}|\Big)-\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i+\\& \frac{g_i(t,{\boldsymbol{x}},u)\xi_{i}}{2}[\alpha_i]^{p_i} \end{split}$$ (37) 为了处理式(37)中的项
$ |\xi_i||[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}| $ , 考虑以下两种情形.情形 1. 当
$ p_i = 1 $ 时. 由Part 1可得:$|z_{i+1}| < \mu_{i+1}$ ,$ \forall t\in [0,t_f) $ , 因而$$ \begin{split} &|\xi_i||[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}|= |\xi_i||z_{i+1}|\le\\ &\qquad \mu_{i+1}|\xi_i|, \;\;\forall t\in [0,t_f) \end{split} $$ (38) 情形 2. 当
$ p_i>1 $ 时. 由引理2和引理3以及$|z_{i+1}| < \mu_{i+1}$ ,$ \forall t\in [0,t_f) $ , 可得$$\begin{split} &|\xi_i||[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}|=\\ &\quad\; \; \; \; |\xi_i||[z_{i+1}+\alpha_{i}]^{p_i}-[\alpha_{i}]^{p_i}|\le\\ &\quad\; \; \; \; c_{p_i}|\xi_i|(\mu_{i+1}^{p_i}+\mu_{i+1}|\alpha_i|^{p_i-1})\le\\ &\quad\; \; \; \; |\xi_i|\Big(\frac{|\alpha_i|^{p_i}}{6}+\bar{\varepsilon}_{i1}\Big),\;\;\forall t\in [0,t_f) \end{split}$$ (39) 其中,
$$ \begin{split} &c_{p_i} = p_i(2^{p_i-2}+2)\\ &\bar{\varepsilon}_{i1} = c_{p_i}\mu_{i+1}^{p_i}+\frac{1}{p_i}\left(\frac{6(p_i-1)}{p_i}\right)^{p_i-1}(c_{p_i}\mu_{i+1})^{p_i} \end{split}$$ 综合情形1和情形2, 项
$ |\xi_i||[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}| $ 放缩为$$ \begin{split} &|\xi_i||[x_{i+1}]^{p_i}-[\alpha_{i}]^{p_i}| \le\\ &\quad|\xi_i|\Big(\frac{|\alpha_i|^{p_i}}{6}+\bar{\varepsilon}_{i1}+\mu_{i+1}\Big),\;\forall t\in [0,t_f) \end{split} $$ (40) 将式(40)代入式(37)中, 并结合命题1, 易得
$$ \begin{split} \dot{V}_i\le\;&\omega_i\xi_{i}[\alpha]^{p_i}-\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i\;+\\ &|\xi_i|\nu_i,\;\;\forall t\in [0,t_f) \end{split} $$ (41) 其中,
$\omega_i = \dfrac{\underline{g}_i(\bar{{\boldsymbol{x}}}_i)}{4}$ ,$\nu_i = \psi_i(\bar{{\boldsymbol{x}}}_i)+|\dot{\alpha}_{i-1}|+\dfrac{3}{2}\bar{g}_i(\bar{{\boldsymbol{x}}}_{i})\times (\bar{\varepsilon}_{i1}+ \mu_{i+1})$ .由Part 1可知, 对
$ \forall t\in [0,t_f) $ ,$ |z_j|<\mu_j $ ,$j = 1, \cdots, i$ . 同时, 依据假设1和假设2,$ y_r $ ,$ \dot{y}_r $ 有界, 且$ \bar{f}_{il} $ ,$ \underline{g}_i $ 和$ \bar{g}_i $ 为连续函数. 此外, 根据第$ i-1 $ 步设计, 可推知$x_1,\cdots,x_i$ ,$ \dot{\alpha}_{i-1} $ 有界,$ \forall t\in [0,t_f) $ . 因此, 运用极值定理, 对$ \forall t\in [0,t_f) $ , 有$$ 0< \omega_{il}\le \omega_i \, $$ (42) $$ 0\le \nu_i\le \nu_{im} $$ (43) 其中,
$ \omega_{il} $ 和$ \nu_{im} $ 为未知正常数.将式(42)和式(43)代入式(41)中, 有
$$ \begin{split} \dot{V}_i\le\;&\omega_{il}\xi_{i}[\alpha_i]^{p_i}-\frac{\sigma_i\omega_{il} }{\gamma_i}\tilde{\vartheta}_i\dot{\hat{\vartheta}}_i+\\ &\nu_{im}|\xi_i|,\;\;\forall t\in [0,t_f) \end{split} $$ (44) 通过式(14)和式(15), 并结合引理3, 可得
$$ \begin{split} \dot{V}_i\le\;&-\omega_{il}|\xi_{i}|^{p_i+1}\left(k_i+\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right)^{p_i}-\\& \sigma_i\omega_{il} \tilde{\vartheta}_i\left(\frac{\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}-\lambda_i\hat{\vartheta}_i\right)+\nu_{im}|\xi_i|\le\\ &-\omega_{il} |\xi_{i}|^{p_i+1}\left(\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right)^{p_i}+\sigma_i\omega_{il} \vartheta_i|\xi_i|-\\ &\frac{\sigma_i\omega_{il} \tilde{\vartheta}_i\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}-\omega_{il} k_i^{p_i}|\xi_{i}|^{p_i+1}+\\ &\sigma_i\omega_{il} \lambda_i\tilde{\vartheta}_i\hat{\vartheta}_i,\;\;\forall t\in [0,t_f) \end{split} $$ (45) 其中,
$\vartheta_i = \dfrac{\nu_{im}}{\sigma_i\omega_{il}}$ .根据引理2和引理4, 式(45)中的项
$ \sigma_i\omega_{il}\vartheta_i|\xi_i| $ 放缩为$$ \begin{split} \sigma_i\omega_{il} \vartheta_i|\xi_i|\le\;&\frac{\sigma_i\omega_{il} \vartheta_i\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}+\delta_i\sigma_i\omega_{il} \vartheta_i\le\\ &\frac{\sigma_i\omega_{il} \hat{\vartheta}_i\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}+\frac{\sigma_i\omega_{il} \tilde{\vartheta_i}\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}+\delta_i\sigma_i\omega_{il} \vartheta_i\le\\& \omega_{il} |\xi_{i}|^{p_i+1}\left(\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right)^{p_i}+\bar{\varepsilon}_{i2}\omega_{il} |\xi_i|+\\ &\frac{\sigma_i\omega_{il} \tilde{\vartheta_i}\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}+\delta_i\sigma_i\omega_{il} \vartheta_i\le\\ & \omega_{il} |\xi_{i}|^{p_i+1}\left(\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right)^{p_i}+\\ &\frac{1}{2}\omega_{il} k_i^{p_i}|\xi_{i}|^{p_i+1}+\frac{\sigma_i\omega_{il} \tilde{\vartheta_i}\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}}+\\ &\bar{\varepsilon}_{i3}+\delta_i\sigma_i\omega_{il} \vartheta_i,\;\;\forall t\in [0,t_f) \\[-10pt]\end{split} $$ (46) 其中,
$$ \begin{split} &{{\bar \varepsilon }_{i2}} = \left\{ {\begin{array}{*{20}{l}} {0,}&{{p_i} = 1}\\ {\dfrac{{{p_i} - 1}}{{{p_i}}}{{\left(\dfrac{1}{{{p_i}}}\right)}^{\tfrac{1}{{{p_i} - 1}}}},}&{{p_i} > 1} \end{array}} \right.\\ &{{\bar \varepsilon }_{i3}} = \left\{ {\begin{array}{*{20}{l}} {0,}&{{{\bar \varepsilon }_{i2}} = 0}\\ {\dfrac{{{{\bar \varepsilon }_{i2}}{\omega _{il}}{p_i}}}{{{p_i} + 1}}{{\left(\dfrac{{2{{\bar \varepsilon }_{i2}}}}{{k_i^{{p_i}}({p_i} + 1)}}\right)}^{\tfrac{1}{{{p_i}}}}}},&{{{\bar \varepsilon }_{i2}} > 0} \end{array}} \right. \end{split}$$ 由式(45)和式(46), 可得
$$\begin{split} \dot{V}_i\le\; &-\frac{1}{2}\omega_{il} k_i^{p_i}|\xi_{i}|^{p_i+1}+\sigma_i\omega_{il} \lambda_i\tilde{\vartheta}_i\hat{\vartheta}_i\;+\\ &\bar{\varepsilon}_{i3}+\delta_i\sigma_i\omega_{il} \vartheta_i,\;\;\forall t\in [0,t_f) \end{split} $$ (47) 依据引理2和引理5, 以及Young不等式, 则有
$$ \begin{split} \dot{V}_i\le&-\frac{1}{2}\omega_{il} k_i^{p_i}\xi_{i}^2-\frac{1}{2}\sigma_i\omega_{il} \lambda_i\tilde{\vartheta}_i^2+\varepsilon_i\le\\ &-\frac{\omega_{il} k_i^{p_i}}{2\mu_i^2}\log\frac{\mu_i^2}{\mu_i^2-z_i^{2}}-\frac{1}{2}\sigma_i\omega_{il} \lambda_i\tilde{\vartheta}_i^2+\varepsilon_i\le\\ &-\chi_iV_i+\varepsilon_i,\;\;\forall t\in [0,t_f) \end{split}$$ (48) 其中,
$$ \begin{split} &{\chi _i} = \min \left\{ \frac{{{\omega _{il}}k_i^{{p_i}}}}{{\mu _i^2}},{\gamma _i}{\lambda _i}\right\} \\ &{{\bar \varepsilon }_{i4}} = \frac{1}{2}{\sigma _i}{\omega _{il}}{\lambda _i}\vartheta _i^2 + {{\bar \varepsilon }_{i3}} + {\delta _i}{\sigma _i}{\omega _{il}}{\vartheta _i}\\ &{\varepsilon _i} = \left\{ \begin{array}{*{20}{l}} {{{\bar \varepsilon }_{i4}},}&{{p_i} = 1}\\ {\dfrac{{{\omega _{il}}k_i^{{p_i}}({p_i} - 1)}}{{2({p_i} + 1)}}{{\left(\dfrac{2}{{{p_i} + 1}}\right)}^{\tfrac{2}{{{p_i} - 1}}}} + {{\bar \varepsilon }_{i4}},}&{{p_i} > 1} \end{array} \right. \end{split} $$ 因此, 存在正常数
$ \chi_i^* $ 和$ \varepsilon_i^* $ 满足$$ 0<\chi_i^*\le\chi_i $$ (49) $$ 0<\varepsilon_i\le\varepsilon_i^* $$ (50) 由式(48) ~ (50), 可得
$$ \dot{V}_i\le-\chi_i^*V_i+\varepsilon_i^*,\;\forall t\in [0,t_f) $$ (51) 因此, 对
$ \forall t\in [0,t_f) $ 中, 有$$ \frac{1}{2}\log\frac{\mu_i^2}{\mu_i^2-z_i^{2}}\le V_i\le \varpi_i $$ (52) $$ \frac{\sigma_i\omega_{il} }{2\gamma_i}\tilde{\vartheta}_i^2\le V_i\le \varpi_i\;\; \qquad $$ (53) 其中,
$\varpi_i = \max\{V_i(0),\dfrac{\varepsilon_i^*}{\chi_i^*}\}$ .从式(52)和式(53), 可得
$$ |z_i|\le\bar{\mu}_i = \mu_i\sqrt{1-\exp(-{2}\varpi_i)}<\mu_i $$ (54) $$ |\hat{\vartheta}_i|\le\bar{\vartheta}_i = \sqrt{\frac{2\gamma_i\varpi_i}{\sigma_i\omega_{il}}}+\vartheta_i,\;\forall t\in [0,t_f) $$ (55) 进而可推出, 对
$ \forall t\in [0,t_f) $ ,$ \alpha_i $ 和$ x_{i+1} $ 有界. 接着, 对$ \alpha_i $ 和$ \xi_i $ 分别求导, 可得$$ \begin{split}|\dot{\alpha}_i|\le&\left\{-\left(k_i+\frac{\sigma_i\hat{\vartheta}_i}{\sqrt{\xi_i^2+\delta_i^2}}\right)+\frac{\sigma_i\hat{\vartheta}_i\xi_i^2}{\sqrt{(\xi_i^2+\delta_i^2)^3}}\right\}\dot{\xi}_i+\\ & \frac{\gamma_i\sigma_i\xi_i}{\sqrt{\xi_i^2+\delta_i^2}}\left(\frac{\xi_i^2}{\sqrt{\xi_i^2+\delta_i^2}} -\lambda_i\hat{\vartheta}_i\right),\;\;\forall t\in [0,t_f) \end{split}$$ (56) $$ \begin{split} |\dot{\xi}_i| =\; &\frac{(\mu_i^2+z_i^2)}{(\mu_i^2-z_i^2)^2}\Big(f_i(t,{\boldsymbol{x}},u)\;+\\ &g_i(t,{\boldsymbol{x}},u)[x_{i+1}]^{p_i}-\dot{\alpha}_{i-1}\Big)\le\\ &\frac{(\mu_i^2+z_i^2)}{(\mu_i^2-z_i^2)^2}\Big(\sum\limits_{l = 1}^{j_i}|x_{i+1}|^{q_{il}}\bar{f}_{il}(\bar{{\boldsymbol{x}}}_i)+|\dot{\alpha}_{i-1}|+\\ &\bar{g}_i(\bar{{\boldsymbol{x}}}_{i})|x_{i+1}|^{p_i}\Big),\;\;\forall t\in [0,t_f)\\[-10pt] \end{split} $$ (57) 从式(56)和式(57)可知, 对
$ \forall t\in [0,t_f) $ ,$ \dot{\xi}_i $ 和$ \dot{\alpha}_i $ 亦有界.步骤
$ {\boldsymbol{n}} $ . 求$ V_n $ 的导数, 可得$$ \begin{split} \dot{V}_n =& \frac{z_n}{\mu_n^2-z_n^{2}}(f_n(t,{\boldsymbol{x}},u) + g_n(t,{\boldsymbol{x}},u)[u]^{p_n}-\dot{\alpha}_{n-1})-\\ &\frac{\sigma_n\beta_n}{\gamma_n}\tilde{\vartheta}_n\dot{\hat{\vartheta}}_n \\[-10pt]\end{split}$$ (58) 类似于式(35)的推导过程, 利用假设1和引理2, 可得
$$ |f_n(t,{\boldsymbol{x}},u)|\le \frac{1}{2}g_n(t,{\boldsymbol{x}},u)|u|^{p_n}+\psi_n(\bar{{\boldsymbol{x}}}_n) $$ (59) 其中,
$$ \begin{split} \psi_n(\bar{{\boldsymbol{x}}}_n) = &\sum\limits_{l = 1}^{j_n}\frac{p_n-q_{nl}}{p_n}\times\\ &\left(\frac{2j_nq_{nl}\bar{f}_{nl}(\bar{{\boldsymbol{x}}}_n)}{p_n\underline{g}_n(\bar{{\boldsymbol{x}}}_n)}\right)^{\frac{q_{nl}}{p_n-q_{nl}}}\bar{f}_{nl}(\bar{{\boldsymbol{x}}}_n) \end{split}$$ 由式(59)以及命题1, 可推得
$$ \dot{V}_n\le\omega_n\xi_n[u]^{p_n}+|\xi_n|\nu_n-\frac{\sigma_n\omega_{nl} }{\gamma_n}\tilde{\vartheta}_n\dot{\hat{\vartheta}}_n $$ (60) 其中,
$\omega_n = \dfrac{\underline{g}_n(\bar{{\boldsymbol{x}}}_n)}{2}$ ,$ \nu_n = \psi_n(\bar{{\boldsymbol{x}}}_n)+|\dot{\alpha}_{n-1}| $ .由Part 1可知, 对
$ \forall t\in [0,t_f) $ ,$ |z_j|<\mu_j $ ,$j = 1, \cdots, n$ . 同时, 根据假设1和假设2,$ y_r $ 和$ \dot{y}_r $ 有界, 且$ \bar{f}_{nl} $ ,$ \underline{g}_n $ 和$ \bar{g}_n $ 连续. 此外, 由第$ n-1 $ 步设计可推得$x_1,\cdots, x_n$ ,$ \dot{\alpha}_{n-1} $ 有界,$ \forall t\in [0,t_f) $ . 因此, 运用极值定理, 对$ \forall t\in [0,t_f) $ , 有$$ 0< \omega_{nl}\le \omega_n $$ (61) $$ 0\le \nu_n\le \nu_{nm} $$ (62) 其中,
$ \omega_{nl} $ 和$ \nu_{nm} $ 为未知正常数.利用式(61)和式(62), 有
$$ \begin{split} \dot{V}_n\le\;&\omega_{nl}\xi_n[u]^{p_n}+\nu_{nm}|\xi_n|-\\& \frac{\sigma_n\omega_{nl} }{\gamma_n}\tilde{\vartheta}_n\dot{\hat{\vartheta}}_n,\;\;\forall t\in [0,t_f) \end{split} $$ (63) 根据式(16)和式(17)以及命题1和引理3, 可得
$$ \begin{split} \dot{V}_n\le&-\omega_{nl}|\xi_{n}|^{p_n+1}\Big(k_n+\frac{\sigma_n\hat{\vartheta}_n}{\sqrt{\xi_n^2+\delta_n^2}}\Big)^{p_n}-\\ &\sigma_n\omega_{nl} \tilde{\vartheta}_n\left(\frac{\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}-\lambda_n\hat{\vartheta}_n\right)+\nu_{nm}|\xi_n|\le\\ & -\omega_{nl} |\xi_{n}|^{p_n+1}\left(\frac{\sigma_n\hat{\vartheta}_n}{\sqrt{\xi_n^2+\delta_n^2}}\right)^{p_n}-\\ &\omega_{nl} k_n^{p_n}|\xi_{n}|^{p_n+1}-\\ &\frac{\sigma_n\omega_{nl} \tilde{\vartheta}_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}+\sigma_n\omega_{nl} \lambda_n\tilde{\vartheta}_n\hat{\vartheta}_n+\\ &\sigma_n\omega_{nl} \vartheta_n|\xi_n|,\;\;\forall t\in [0,t_f) \\[-10pt]\end{split}$$ (64) 其中,
$\vartheta_n = \dfrac{\nu_{nm}}{\sigma_n\omega_{nl}}$ .依据引理2和引理4, 式(64)中的项
$ \sigma_n\omega_{nl}\vartheta_n|\xi_n| $ 放缩为$$ \begin{split} \sigma_n\omega_{nl} \vartheta_n|\xi_n|\le\;&\frac{\sigma_n\omega_{nl} \vartheta_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}+\delta_n\sigma_n\omega_{nl} \vartheta_n\le\\ & \frac{\sigma_n\omega_{nl} \hat{\vartheta}_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}+\frac{\sigma_n\omega_{nl} \tilde{\vartheta}_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}\;+\\ &\delta_n\sigma_n\omega_{nl} \vartheta_n\le\\ &\omega_{nl} |\xi_n|^{p_n+1}\left(\frac{\sigma_n\hat{\vartheta}_n}{\sqrt{\xi_n^2+\delta_n^2}}\right)^{p_n}+\\ &\bar{\varepsilon}_{n2}\omega_{nl} |\xi_n|+\delta_n\sigma_n\omega_{nl}\vartheta_n+\\ &\frac{\sigma_n\omega_{nl} \tilde{\vartheta}_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}\le\\ &\omega_{nl} |\xi_n|^{p_n+1}\left(\frac{\sigma_n\hat{\vartheta}_n}{\sqrt{\xi_n^2+\delta_n^2}}\right)^{p_n}+\\ &\frac{1}{2}\omega_{nl} k_n^{p_n}\xi_{n}^{p_n+1}+\delta_n\sigma_n\omega_{nl} \vartheta_n+\\ &\frac{\sigma_n\omega_{nl}\tilde{\vartheta}_n\xi_n^2}{\sqrt{\xi_n^2+\delta_n^2}}+\bar{\varepsilon}_{n3} \end{split} $$ (65) 其中,
$$ \begin{split} &{{\bar \varepsilon }_{n2}} = \left\{ {\begin{array}{*{20}{l}} {0,}&{{p_n} = 1}\\ {\dfrac{{{p_n} - 1}}{{{p_n}}}{{\left(\dfrac{1}{{{p_n}}}\right)}^{\tfrac{1}{{{p_n} - 1}}}},}&{{p_n} > 1} \end{array}} \right.\\ &{{\bar \varepsilon }_{n3}} = \left\{ {\begin{array}{*{20}{l}} {0,}&{{{\bar \varepsilon }_{n2}} = 0}\\ {\dfrac{{{{\bar \varepsilon }_{n2}}{\omega _{nl}}{p_n}}}{{{p_n} + 1}}{{\left(\dfrac{{2{{\bar \varepsilon }_{n2}}}}{{k_n^{{p_n}}({p_n} + 1)}}\right)}^{\tfrac{1}{{{p_n}}}}},}&{{{\bar \varepsilon }_{n2}} > 0} \end{array}} \right. \end{split} $$ 将式(65)代入式(64)中, 得到
$$ \begin{split} \dot{V}_n\le\;&-\frac{1}{2}\omega_{nl} k_n^{p_n}|\xi_{n}|^{p_n+1}+\sigma_n\omega_{nl} \lambda_n\tilde{\vartheta}_n\hat{\vartheta}_n\;+\\ &\bar{\varepsilon}_{n3}+\delta_n\sigma_n\omega_{nl} \vartheta_n,\;\;\forall t\in [0,t_f) \end{split} $$ (66) 根据引理2和引理5, 以及Young不等式, 可得
$$ \begin{split} \dot{V}_n\le&-\frac{1}{2}\omega_{nl} k_n^{p_n}\xi_{n}^2-\frac{1}{2}\sigma_n\omega_{nl} \lambda_n\tilde{\vartheta}_n^2+\varepsilon_n\le\\ &-\frac{\omega_{nl} k_n^{p_n}}{2\mu_n^2}\log\frac{\mu_n^2}{\mu_n^2-z_n^{2}}-\frac{1}{2}\sigma_n\omega_{nl} \lambda_n\tilde{\vartheta}_n^2+\varepsilon_n\le\\ &-\chi_nV_n+\varepsilon_n,\forall t\in [0,t_f) \\[-10pt]\end{split} $$ (67) 其中,
$$ \begin{split} &{\chi _n} = \min \left\{ \frac{{{\omega _{nl}}k_n^{{p_n}}}}{{\mu _n^2}},{\gamma _n}{\lambda _n}\right\} \\ &{{\bar \varepsilon }_{n4}} = \frac{1}{2}{\sigma _n}{\omega _{nl}}{\lambda _n}\vartheta _n^2 + {{\bar \varepsilon }_{n3}} + {\delta _n}{\sigma _n}{\omega _{nl}}{\vartheta _n}\\ &{\varepsilon _n} = \left\{ {\begin{array}{*{20}{l}} {{{\bar \varepsilon }_{n4}},}&{{p_n} = 1}\\ {\dfrac{{{\omega _{nl}}k_n^{{p_n}}({p_n} - 1)}}{{2({p_n} + 1)}}{{\left(\dfrac{2}{{{p_n} + 1}}\right)}^{\tfrac{2}{{{p_n} - 1}}}} + {{\bar \varepsilon }_{n4}},}&{{p_n} > 1} \end{array}} \right. \end{split} $$ 因此, 存在正常数
$ \chi_n^* $ 和$ \varepsilon_n^* $ , 使得$$ 0<\chi_n^*\le \chi_n $$ (68) $$ 0<\varepsilon_n\le\varepsilon_n^* \; $$ (69) 根据式(67) ~ (69), 可得
$$ \dot{V}_n\le-\chi_n^*V_n+\varepsilon_n^*,\;\;\forall t\in [0,t_f) $$ (70) 因此, 对
$ \forall t\in [0,t_f) $ , 有$$ \frac{1}{2}\log\frac{\mu_n^2}{\mu_n^2-z_n^{2}}\le V_n\le \varpi_n $$ (71) $$ \frac{\sigma_n\omega_{nl} }{2\gamma_n}\tilde{\vartheta}_n^2\le V_n\le \varpi_n\;\;\;\;\;\;\; $$ (72) 其中,
$\varpi_n = \max\{V_n(0),\dfrac{\varepsilon_n^*}{\chi_n^*}\}$ .由式(71)和式(72), 可得
$$ |z_n|\le \bar{\mu}_n = \mu_n\sqrt{1-\exp(-{2}\varpi_n)}<\mu_n\;\;\;\;\; $$ (73) $$ |\hat{\vartheta}_n|\le\sqrt{\bar{\vartheta}_n = \frac{2\gamma_n\varpi_n}{\sigma_n\omega_{nl}}}+\vartheta_n,\;\; \forall t\in [0,t_f) $$ (74) 故可推出, 对
$ \forall t\in [0,t_f) $ ,$ u $ 有界.由步骤 1 ~
$n $ 可知, 存在紧子集$\Xi' = [-\bar{\mu}_1,\bar{\mu}_1]\,\times \cdots\times [-\bar{\mu}_n, \bar{\mu}_n]\times [-\bar{\vartheta}_1,\bar{\vartheta}_1]\times\cdots\times[-\bar{\vartheta}_n,\bar{\vartheta}_n]\subset \Xi$ , 使得闭环系统在$ [0,t_f) $ 上存在唯一解$ {\boldsymbol{\eta}}(t)\in \Xi' $ . 根据引理1, 可得:$ t_f = +\infty $ , 即, 对$ \forall t \in [0,+\infty) $ ,$|z_i| < \mu_i$ ,$i = 1, \cdots,n$ .Part 3. 重复Part 2中的步骤1 ~ n, 可得
$x_1,\cdots, x_n$ ,$\alpha_1,\cdots,\alpha_{n-1}$ 和$ u $ 均有界,$ \forall t \in [0,+\infty) $ . 另外, 从式(54)可知, 通过减小$ \mu_1 $ 和$ \varpi_1 $ 可将输出跟踪误差$ z_1 $ 收敛到任意小的残差集. □注 4. 不同于文献[20-25]中提出的控制方案, 本文采用积分反推技术和障碍李雅普诺夫方法解决了高阶非线性系统中幂次未知和系统函数不确定的问题, 且所设计控制策略不依赖于未知幂次的上界信息.
3. 仿真算例
为了验证本文所提控制算法的有效性与通用性, 考虑如下两个高阶非线性系统
$$ {\Sigma _1}:\left\{ \begin{aligned} &{{{\dot x}_1} = {f_{1,{\Sigma _1}}} + {g_{1,{\Sigma _1}}}{{[{x_2}]}^{{p_1}}}}\\ &{{{\dot x}_2} = {f_{2,{\Sigma _1}}} + {g_{2,{\Sigma _1}}}{{[u]}^{{p_2}}}}\\ &{y = {x_1}} \end{aligned} \right. $$ (75) $$ {\Sigma _2}:\left\{ \begin{aligned} &{{{\dot x}_1} = {f_{1,{\Sigma _2}}} + {g_{1,{\Sigma _2}}}{{[{x_2}]}^{{p_1}}}}\\ &{{{\dot x}_2} = {f_{2,{\Sigma _2}}} + {g_{2,{\Sigma _2}}}{{[u]}^{{p_2}}}}\\ &{y = {x_1}} \end{aligned} \right. $$ (76) 其中,
$p_1 = {5}/{3}$ ,$p_2 ={7}/{3}$ ,$ f_{1,\Sigma_1} = x_1\cos (t) $ ,$g_{1,\Sigma_1} = 3+ 0.5\sin (t)$ ,$f_{2,\Sigma_1} = x_1+2\sin (x_1x_2)$ ,$g_{2,\Sigma_1} = 2+ 0.1\sin (t)$ ,$f_{1,\Sigma_2} \;= \;(0.5x_1\; +\; 1)\cos (t)$ ,$g_{1,\Sigma_2} = 2 + 0.1\sin (t)$ ,$f_{2,\Sigma_2} = \cos (x_1 )\exp(2x_2\sin (x_1 )) + x_1x_2\sin (t)$ ,$g_{2,\Sigma_2} = 1$ , 期望参考信号$y_r(t) = \dfrac{\pi}{2}(1 - \exp( -0.1t^2)) \sin (t)$ .在仿真中, 系统
$ \Sigma_i $ 和自适应参数$ \hat{\vartheta}_i $ 的初始值设置为$ [x_1(0),x_2(0)]^{\rm{T}} = [-0.5,0.4]^{\rm{T}} $ ,$ \hat{\vartheta}_i(0) = 0 $ ,$i = 1,2$ . 控制器参数$ k_1 = 2 $ ,$ k_2 = 1 $ ,$ \mu_1 = 4 $ ,$ \mu_2 = 2 $ ,$ \sigma_1 = 3 $ ,$ \sigma_2 = 2 $ ,$ \gamma_1 = 2 $ ,$ \gamma_2 = 3 $ ,$ \delta_1 = \delta_2 = 0.01 $ 和$ \lambda_1 = \lambda_2 = 0.002 $ , 其中,$ \mu_1 = 4>|z_1(0)| = 0.5 $ ,$\mu_2 = 2 > |z_2(0)| = {106}/{315}$ . 系统$ \Sigma_1 $ 和$ \Sigma_2 $ 的仿真结果如图2 ~ 4所示. 图2刻画了输出跟踪误差$ y-y_r $ 的变化情况, 图3给出系统的控制信号$ u $ , 图4描述了自适应参数$ \hat{\vartheta}_1 $ 和$ \hat{\vartheta}_2 $ . 从仿真结果可以看出, 本文所提自适应控制策略既能使系统$ \Sigma_1 $ 和$ \Sigma_2 $ 的输出跟踪误差收敛到原点附近的较小邻域内, 又能确保闭环系统的所有信号有界.
图 2 系统$\Sigma_1$ 和$\Sigma_2$ 的输出跟踪误差$y-y_r$ Fig. 2 Output tracking errors$y-y_r$ of systems$\Sigma_1$ and$\Sigma_2$ 
图 3 系统$\Sigma_1$ 和$\Sigma_2$ 的控制信号$u$ Fig. 3 Control signals$u$ of systems$\Sigma_1$ and$\Sigma_2$ 
图 4 系统$\Sigma_1$ 和$\Sigma_2$ 的自适应参数$\hat{\vartheta}_1$ 和$\ \hat{\vartheta}_2$ Fig. 4 Adaptive parameters$\hat{\vartheta}_1$ and$\hat{\vartheta}_2$ of systems$\Sigma_1$ and$\Sigma_2$ 为进一步验证本文控制算法的幂次无关特性, 在系统初始值与控制器参数不变的条件下, 对具有不同幂次
$ p_1 $ 和$ p_2 $ 的系统$ \Sigma_1 $ 进行仿真测试. 仿真结果如图5和图6所示. 图5为系统$ \Sigma_1 $ 在不同幂次$ p_1 $ 和$ p_2 $ 条件下的输出跟踪误差$ y-y_r $ , 图6为相应的控制信号$ u $ . 仿真结果表明, 在不同幂次条件下, 该控制器仍然可以保证闭环系统获得良好的控制性能.
图 5 系统$\Sigma_1$ 在不同幂次下的跟踪误差$y-y_r$ Fig. 5 Output tracking errors$y-y_r$ of system$\Sigma_1$ under various powers
图 6 系统$\Sigma_1$ 在不同幂次下的控制信号$u$ Fig. 6 Control signals$u$ of system$\Sigma_1$ under various powers4. 结束语
针对一类具有未知幂次的高阶不确定非线性系统, 提出了一种基于障碍李雅普诺夫函数的自适应控制算法. 在无需知晓系统函数先验知识的条件下, 所提控制算法有效克服了系统幂次未知与模型不确定带来的技术挑战. 该算法的显著特点是所设计的自适应控制器均与系统幂次无关. 最后, 仿真结果验证了本文控制算法的有效性与通用性.
今后的研究方向包括将本文所提方法推广到具有未知幂次的高阶非线性系统的输出反馈控制设计[34]. 此外, 为验证本文方法的实用性, 将本文所提控制策略应用于实际系统[35]亦是我们未来研究的目标.
-
表 1 改进前后鲁棒EM算法对比
Table 1 Comparison of robust EM algorithms before and after improvement
算法 迭代次数 (次) 马氏距离 文献 [21] 算法 143 0.0073 本文改进算法 50 0.0012 
下载: 导出CSV
表 2 3种算法RMSE及运行时间
Table 2 RMSE and running time of 3 algorithms
算法 RMSE (m) 运行时间 (s) Salmond 0.0705 1.16 $B( \cdot ) $ 0.17 1.06 IGSCKF 0.0576 1.20
下载: 导出CSV
-
[1] Leong P H, Arulampalam S, Lamahewa T A, et al. A Gaussian-Sum Based Cubature Kalman Filter for Bearings-Only Tracking. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(2): 1161-1176. doi: 10.1109/TAES.2013.6494405 [2] Li W, Jia Y. Distributed Consensus Filtering for Discrete-Time Nonlinear Systems with Non-Gaussian Noise. Signal Processing, 2012, 92(10): 2464-2470. doi: 10.1016/j.sigpro.2012.03.009 [3] 王磊, 程向红, 李双喜. 高斯和高阶无迹卡尔曼滤波算法. 电子学报, 2017, 45(2): 424-430 doi: 10.3969/j.issn.0372-2112.2017.02.022Wang Lei, Cheng Xiang-hong, Li Shuang-xi. Gaussian Sum High Order Unscented Kalman Filtering Algorithm. Acta Electronica Sinica, 2017, 45(2): 424-430 doi: 10.3969/j.issn.0372-2112.2017.02.022 [4] 江涛, 钱富才, 杨恒占, 胡绍林. 具有双重不确定性系统的联合滤波算法. 自动化学报, 2016, 42(4): 535-544Jiang Tao, Qian Fu-cai, Yang Heng-zhan, Hu Shao-lin. A New Combined Filtering Algorithm for Systems with Dual Uncertainties. Acta Automatica Sinica, 2016, 42(4): 535-544 [5] 宋宇, 孙富春, 李庆玲. 移动机器人的改进无迹粒子滤波蒙特卡罗定位算法. 自动化学报, 2010, 36(6): 851-857 doi: 10.3724/SP.J.1004.2010.00851Song Yu, Sun Fu-chun, Li Qing-ling. Mobile Robot Monte Carlo Localization Based on Improved Unscented Particle Filter. Acta Automatica Sinica, 2010, 36(6): 851-857 doi: 10.3724/SP.J.1004.2010.00851 [6] Ge Q, Shao T, Yang Q, et al. Multisensor Nonlinear Fusion Methods Based on Adaptive Ensemble Fifth-Degree Iterated Cubature Information Filter for Biomechatronics. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016, 46(7), 912-925. doi: 10.1109/TSMC.2016.2523911 [7] Ienkaran Arasaratnam, Simon Haykin. Cubature Kalman Filters. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269. doi: 10.1109/TAC.2009.2019800 [8] 葛泉波, 李宏, 文成林. 面向工程应用的Kalman滤波理论深度分析. 指挥与控制学报, 2019, 5(3): 167-180Ge Quan-bo, Li Hong, Wen Cheng-lin. Deep Analysis of Kalman Filtering Theory for Engineering Applications. Journal of Command and Control, 2019, 5(3): 167-180 [9] Izanloo R, Fakoorian S A, Yazdi H S, Simon D. Kalman filtering based on the maximum correntropy criterion in the presence of non-Gaussian noise. In Proceedings of the 2016 Annual Conference on Information Science and Systems, Princeton, USA: 2016. 500−505 [10] Badong Chen, Liu X, Zhao H, et al. Maximum correntropy Kalman filter. Automatica, 2017, 76: 70-77. doi: 10.1016/j.automatica.2016.10.004 [11] Alspach D, Sorenson H. Nonlinear Bayesian estimation using Gaussian sum approximations. IEEE Transactions on Automatic Control, 1972, 17(4): 439-448. doi: 10.1109/TAC.1972.1100034 [12] 许红, 谢文冲, 王永良. 角闪烁噪声下的高斯和容积卡尔曼滤波算法. 系统工程与电子技术, 2019, 41(02): 6-12Xu Hong, Xie Wen-chong, Wang Yong-liang. Gaussian sum cubature Kalman tracking filter with angle glint noise. Systems Engineering and Electronics, 2019, 41(02): 6-12 [13] Lei M, Han C Z. Expectation-maximization (EM) algorithm based on IMM filtering, with adaptive noise covariance. Acta Automatica Sinica, 2006, 32(1): 28−37 [14] 张帆, 施化吉, 周从华, 李雷. 基于高斯和的二阶扩展卡尔曼滤波算法. 信息技术, 2017(12): 84-89Zhang Fan, Shi Hua-ji, Zhou Cong-hua, Li Lei. Two-order extended Kalman filter algorithm based on Gaussian sum. Information Technology, 2017(12): 84-89 [15] Dempster A P, Laird N M, Rubin D B.Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society. Series B (Methodological), 1977, 39(1): 1-38. doi: 10.1111/j.2517-6161.1977.tb01600.x [16] Chamroukhi F. Robust EM algorithm for model-based curve clustering. In: Proceedings of the International Joint Conference on Neural Networks (IJCNN), Dallas, USA: 2013. 1−8 [17] 邢长征, 赵全颖, 王星, 王伟. 基于鲁棒高斯混合模型的加速EM算法研究. 计算机应用研究, 2017, 34(4): 1042-1046 doi: 10.3969/j.issn.1001-3695.2017.04.019Xing Chang-zheng, Zhao Quan-ying, Wang Xing, Wang Wei. Accelerated EM algorithm research based on robust Gaussian mixture model. Application Research of Computers, 2017, 34(4): 1042-1046 doi: 10.3969/j.issn.1001-3695.2017.04.019 [18] Salmond D J. Mixture reduction algorithms for target tracking in clutter. In: Proceedings of the SPIE−The International Society for Optical Engineering, Orlando, USA: 1990. 434−445 [19] Runnalls, A. R. Kullback-Leibler Approach to Gaussian Mixture Reduction. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(3): 989-999. doi: 10.1109/TAES.2007.4383588 [20] 侯威翰, 郭莹. 非高斯噪声环境下的稀疏自适应滤波算法研究. 通信技术, 2019, 52(01): 17-23HouWei-Han, Guo Ying. Research on sparse adaptive filtering algorithm in non-Gaussian noise environment. Communications Technology, 2019, 52(1): 11-17 [21] Yang M S, Lai C Y, Lin C Y. A robust EM clustering algorithm for Gaussian mixture models. Pattern Recognition, 2012, 45(11): 3950-3961. doi: 10.1016/j.patcog.2012.04.031 [22] Zhu H, Chen S, Han C. Fusion of Gaussian mixture models for possible mismatches of sensor model. Information Fusion, 2014, 20: 203-212. doi: 10.1016/j.inffus.2014.02.002 [23] 卢玉桂. EM算法在多层线性模型参数估计中的应用. 南宁: 广西大学出版社, 2013.Lu Yu-Gui. Application of EM Algorithm to Parameter Estimation of Hierarchical Linear Models. Nanning: Guangxi University Press, 2013. [24] 王硕, 宋申民, 史小平, 于浛. 噪声特性未知的多传感器协方差交叉融合姿态估计. 控制与决策, 2016, 000(002): 273-278Wang Shuo, Song Shen-min, Shi Xiao-ping, Yu Han. Multi-sensor covariance intersection fusion attitude estimation with unknown noise characteristics. Control and Decision, 2016, 000(002): 273-278 期刊类型引用(9)
1. 尹宏伟，杭雨晴，胡文军. 融合异常检测与区域分割的高效K-means聚类算法. 郑州大学学报(工学版). 2024(03): 80-88 . 
百度学术2. 黄鹤，黄佳慧，刘国权，王会峰，高涛. 采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法. 西安交通大学学报. 2024(07): 214-226 . 百度学术3. 高瑞贞，王诗浩，王皓乾，张京军，李志杰. 基于图注意力机制的三维点云感知. 中国测试. 2024(07): 155-162 . 百度学术4. 邢建平，殷煜昊. 基于三维重建外点剔除的船舶航迹自适应修正. 舰船科学技术. 2024(14): 162-165 . 百度学术5. 梁循，李志莹，蒋洪迅. 基于图的点云研究综述. 计算机研究与发展. 2024(11): 2870-2896 . 百度学术6. 黄鹤，温夏露，杨澜，王会峰，高涛，茹锋. 基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化. 浙江大学学报(工学版). 2023(11): 2147-2159 . 百度学术7. 胡建平，刘凯，郭新宇，吴升，温维亮. 自适应加权算子结合主曲线提取玉米叶片点云骨架. 农业工程学报. 2022(02): 166-174 . 百度学术8. 任彪，陆玲. 基于PCL三维点云花瓣分割与重建. 现代电子技术. 2022(12): 149-154 . 百度学术9. 吴艳娟，王健，王云亮. 基于骨架提取算法的作物茎秆识别与定位方法. 农业机械学报. 2022(11): 334-340 . 百度学术其他类型引用(15)
-
下载:
计量
- 文章访问数: 1777
- HTML全文浏览量: 588
- PDF下载量: 400
- 被引次数: 24
