1. 项目概述：当机器人集群需要“分头行动”时
在无人机灯光秀、多机器人协同搬运、或是自动驾驶车队编队这些场景里，我们常常希望一群机器人能像一个整体一样行动，这就是经典的“一致性”控制问题。但现实任务往往更复杂：你可能需要一队侦察无人机在前方扇形展开，另一队攻击无人机在后方保持菱形阵型，同时还有一个指挥单元在中心——它们需要协同，但各自的目标位置和内部关系又不同。这就引出了“多集群一致性”问题：如何让一个大群体自然地分成几个小团队，每个团队内部达成一致，而团队之间又保持某种预设的、可能随时间变化的相对关系？
更棘手的是，现实中的机器人（如机械臂、移动机器人、卫星）其动力学通常由复杂的欧拉-拉格朗日方程描述，系统参数（如质量、转动惯量）可能未知或时变，并且永远伴随着外部干扰。传统的基于单/双积分器模型的控制方法在这里往往力不从心。此外，工程师不仅关心机器人最终能否到达指定位置，更关心整个过程：超调会不会太大？收敛速度够不够快？会不会发生碰撞？这就是“预设性能控制”要解决的问题——它允许你事先画好一条“安全走廊”，保证整个控制过程中的误差轨迹绝不越界。
本文要探讨的，正是如何将矩阵加权图、预设性能控制和自适应鲁棒控制这三者结合起来，为具有未知参数的欧拉-拉格朗日系统，设计一个分布式、强鲁棒性且能严格保证瞬态与稳态性能的多集群一致性控制框架。这不仅仅是理论上的推演，我们最终在真实的TurtleBot3机器人集群上进行了硬件实验，验证了其可行性。
2. 核心思路与方案选型：为什么是“矩阵加权”+“预设性能”？
2.1 从标量加权到矩阵加权：描述更丰富的交互关系
在多智能体协同控制中，通信拓扑通常用图来表示。传统方法使用标量加权图，边上的权重是一个实数，它只表示连接的强弱。但当我们处理像无人机（位置和姿态）或移动机器人（平面坐标）这类状态本身是多维向量的智能体时，标量权重就显得捉襟见肘了。例如，你可能希望集群A在X轴方向与集群B保持特定距离，但在Y轴方向却要求另一种关系。
矩阵加权图应运而生。在这里，每条边关联一个矩阵 \( R_{ij} \in \mathbb{R}^{d \times d} \)（例如 \( d=2 \) 表示平面）。这个矩阵可以精确地定义两个智能体状态之间应满足的线性变换关系。多集群一致性的目标可以精确定义为：
- 集群内一致：对于同一集群 \( S_q \) 内的智能体 \( i, j \)，要求 \( \lim_{t \to \infty} (x_i - x_d^0) = (x_j - x_d^0) \)。这相当于要求它们相对于目标的偏差趋于一致。
- 集群间关系：对于不同集群 \( S_q, S_r \) 的智能体 \( i, j \)，要求 \( \lim_{t \to \infty} (x_i - x_d^0) = R_{ij} (x_j - x_d^0) \)。矩阵 \( R_{ij} \) 就编码了集群间的期望相对构型，例如，\( R_{ij} \) 是一个旋转矩阵，那么集群 \( j \) 的整体构型将是集群 \( i \) 构型绕目标旋转某个角度后的结果。
这种描述能力非常强大。通过设计不同的 \( R_{ij} \)，我们可以轻松实现围绕目标的环形、多边形乃至更复杂的层叠式编队。在本文的仿真中，我们通过设置 \( R( heta) \) 为一个2D旋转矩阵，并改变旋转角 \( heta \)，就实现了智能体群在五边形和三角形两种集群构型间的动态切换。
2.2 预设性能控制：给误差轨迹戴上“紧箍咒”
预设性能控制的核心思想非常直观：工程师根据任务需求（如最大允许超调、最小收敛速度、稳态误差精度），事先设计一个光滑、正定且单调递减的性能函数 \( \rho(t) \)，通常形如 \( \rho(t) = (\rho_0 - \rho_{\infty}) e^{-\epsilon t} + \rho_{\infty} \)。其中，\( \rho_0 \) 是初始边界，\( \rho_{\infty} \) 是稳态边界，\( \epsilon \) 控制收敛速率。
控制器的设计目标不再是简单地让误差 \( e(t) \) 趋于零，而是严格保证\( -\rho(t) < e(t) < \rho(t) \) 对所有时间 \( t \ge 0 \) 都成立。这就好比为误差的演化预设了一条逐渐收窄的隧道，系统轨迹必须全程运行在这个隧道内。
实现这一目标的关键技巧在于误差变换。我们首先将原始误差 \( e(t) \) 归一化：\( \hat{e}(t) = e(t) / \rho(t) \)。这样，性能约束 \( |e(t)| < \rho(t) \) 就等价于 \( |\hat{e}(t)| < 1 \)。然后，我们通过一个光滑且严格单调递增的变换函数（如 \( \xi = \ln((1+\hat{e})/(1-\hat{e})) \)）将 \( \hat{e} \) 映射到整个实数域 \( \xi \in (-\infty, +\infty) \)。这样一来，只要我们能设计控制器保证变换后的误差 \( \xi \) 有界，就等价于保证了原始误差 \( e(t) \) 始终满足预设性能约束。这个变换将带有复杂时变不等式约束的控制问题，转化为了一个更简单的镇定问题。
2.3 面对未知参数：从“模型已知”到“实用一致性”
欧拉-拉格朗日系统的一个显著特性是它的动力学方程具有线性参数化性质。即，存在一个已知的回归矩阵 \( Y(q, \dot{q}, \ddot{q}) \) 和未知的常参数向量 \( \Theta \)，使得 \( M(q)\ddot{q} + C(q, \dot{q})\dot{q} + G(q) = Y(q, \dot{q}, \ddot{q}) \Theta \)。基于模型的控制器（如计算力矩控制）需要精确知道 \( \Theta \)。
当参数未知时，一种经典的思路是结合自适应控制，在线估计 \( \Theta \)。但本文采用了另一种更简洁的鲁棒思路：实用一致性。我们不再追求误差渐近收敛到零，而是允许其收敛到原点的一个任意小的邻域内（即 \( | e(t) | \le \sigma, \sigma > 0 \)）。只要这个邻域半径 \( \sigma \) 在工程允许范围内，就认为任务成功。
为此，控制器被设计为不依赖于系统模型中的惯性矩阵 \( M \) 和科氏力矩阵 \( C \)，仅利用可测量的位置、速度误差以及性能约束信息。通过精心选择控制增益，并利用EL系统固有的物理特性（如 \( \dot{M} - 2C \) 的斜对称性），可以证明在干扰和参数不确定性有界的前提下，系统能达到实用一致性，并同时满足预设性能约束。这种方法的优势在于控制器结构简单，无需复杂的参数更新律，更易于在实际系统中实现。
3. 控制器设计与稳定性证明深度解析
3.1 系统模型与问题形式化
考虑由 \( n \) 个智能体组成的系统，每个智能体的欧拉-拉格朗日动力学为： \[ M_i(q_i) \ddot{q}_i + C_i(q_i, \dot{q}_i) \dot{q}_i + G_i(q_i) = u_i + \Delta W_i(t), \quad i = 1, \dots, n \] 其中 \( q_i, \dot{q}_i, \ddot{q}_i \in \mathbb{R}^d \) 分别为广义坐标、速度和加速度，\( M_i \) 为正定惯性矩阵，\( C_i \) 为科氏力和向心力矩阵，\( G_i \) 为重力项，\( u_i \) 为控制输入，\( \Delta W_i \) 为集总干扰（包含未建模动态和外部扰动）。
定义相对于移动目标 \( x_d^0(t) \) 的跟踪误差：\( x_{ei} = x_i - x_d^0 \)， \( v_{ei} = v_i - v_d^0 \)，其中 \( x_i, v_i \) 为智能体实际位姿。多集群一致性的控制目标可表述为：设计分布式控制律 \( u_i \)，仅使用邻居信息，使得：
- 一致性：\( \lim_{t \to \infty} | x_{ei} - x_{ej} | = 0 \)，若 \( i, j \) 属于同一集群。
- 相对构型：\( \lim_{t \to \infty} | x_{ei} - R_{ij} x_{ej} | = 0 \)，若 \( i, j \) 属于不同集群。
- 速度跟踪：\( \lim_{t \to \infty} | v_{ei} | = 0 \)。
- 预设性能：对于所有边 \( e_k = (j, i) \) 和其对应的相对状态 \( \bar{x}k = x{ei} - R_{ij} x_{ej} \)，满足 \( -\rho_{kl}(t) < \bar{x}{kl}(t) < \rho{kl}(t), \forall t \ge 0 \)，其中 \( l \) 表示向量的第 \( l \) 个分量。
3.2 已知参数下的预设性能控制器设计
当系统参数 \( M_i, C_i, G_i \) 已知时，我们可以设计一个包含模型补偿和性能约束的控制器。首先，定义基于图拉普拉斯矩阵的聚合误差。令 \( x_e = [x_{e1}^\top, \dots, x_{en}^\top]^\top \)，矩阵加权图的拉普拉斯矩阵为 \( L = B B^\top \)，其中 \( B \) 是矩阵加权的关联矩阵。那么，\( L x_e \) 就编码了所有智能体相对于其邻居的加权误差。
控制器设计的关键是引入一个辅助变量 \( \psi_e = v_e + \mu L x_e \)，其中 \( \mu > 0 \) 是一个设计参数。这个变量巧妙地将速度误差和经过图拓扑滤波后的位置误差结合在一起。
基于此，预设性能控制器设计如下： \[ u = -C(-v_d + \mu L x_e) + G + M \dot{v}_d - \mu M L v_e - k_p L x_e - K_v \psi_e - B \Phi \xi \]
让我们逐一拆解这个控制器的每个部分：
- \( -C(-v_d + \mu L x_e) + G + M \dot{v}_d \)：这是基于模型的前馈补偿项，用于抵消系统的非线性动力学和重力影响，并跟踪目标的加速度 \( \dot{v}_d \)。这是计算力矩控制思想的体现。
- \( -\mu M L v_e - k_p L x_e \)：这两项构成了主要的反馈控制。\( -k_p L x_e \) 是比例项，推动位置误差趋于零；\( -\mu M L v_e \) 是阻尼项，提供速度阻尼以稳定系统。注意它们都通过拉普拉斯矩阵 \( L \) 分布式地使用邻居信息。
- \( -K_v \psi_e \)：这是一个额外的阻尼项，作用于我们定义的辅助变量 \( \psi_e \)，能进一步增强系统的收敛性和鲁棒性。
- \( -B \Phi \xi \)：这是预设性能约束的核心项。其中：
- \( \xi \) 是经过变换的性能误差向量（由 \( \xi_{kl} = \ln((1+\hat{x}{kl})/(1-\hat{x}{kl})) \) 计算得出）。
- \( \Phi \) 是一个正定对角矩阵，其元素为 \( \phi_{kl} = 2 / [(1-\hat{x}{kl}^2) \rho{kl}] > 0 \)，它包含了性能函数 \( \rho_{kl}(t) \) 的信息。
- \( B \) 是关联矩阵。这一项的作用是，当相对状态 \( \bar{x} \) 接近性能边界时（即 \( \hat{x}{kl} \to \pm 1 \)），\( \phi{kl} \) 会变得非常大，从而导致 \( \xi_{kl} \) 急剧增大，进而通过 \( -B \Phi \xi \) 项产生一个强大的控制力，将系统状态“推离”边界，确保其永不违反约束。
稳定性证明的核心在于构造一个合适的李雅普诺夫函数： \[ V = \frac{1}{2} \psi_e^\top M \psi_e + \frac{k_p}{2} x_e^\top L x_e + \frac{1}{2} \xi^\top \xi \] 这个函数由三部分组成：1) 基于系统动能的项（与 \( \psi_e \) 相关）；2) 基于图拓扑的势能项（与位置误差相关）；3) 性能约束项（与变换误差 \( \xi \) 相关）。
通过对 \( V \) 求导，并利用EL系统 \( \dot{M} - 2C \) 的斜对称性，经过一系列代换和化简，最终可以证明，在满足条件 \( -\mu \lambda_{\min}(L_e^t) + \epsilon_{\max} < 0 \) 时（其中 \( \lambda_{\min}(L_e^t) \) 是图生成树对应边拉普拉斯矩阵的最小特征值，\( \epsilon_{\max} \) 是性能函数衰减率的最大值），有 \( \dot{V} < 0 \)。这保证了系统是渐近稳定的，并且变换误差 \( \xi \) 有界，从而等价于原始相对状态 \( \bar{x} \) 始终满足预设性能约束。
实操心得：增益 \( \mu \) 的选择条件 \( -\mu \lambda_{\min}(L_e^t) + \epsilon_{\max} < 0 \) 给出了控制增益 \( \mu \) 与性能要求 \( \epsilon_{\max} \) 以及网络拓扑结构 \( \lambda_{\min}(L_e^t) \) 之间的明确关系。\( \epsilon_{\max} \) 越大，意味着你要求的收敛速度越快，性能“隧道”收窄得越急，这就需要更大的控制增益 \( \mu \) 来提供足够的“推力”。同时，如果通信图比较稀疏（\( \lambda_{\min}(L_e^t) \) 较小），也需要更大的 \( \mu \) 来补偿信息传递的“迟缓”。在实际调参时，应先根据任务对收敛速度的要求确定 \( \epsilon \)，再根据网络拓扑估算或测量 \( \lambda_{\min}(L_e^t) \)，最后根据该不等式确定 \( \mu \) 的下界作为初始值进行调试。
3.3 未知参数下的实用一致性控制器设计
当系统参数 \( M, C \) 未知时，前述基于模型补偿的控制器无法直接使用。我们退而求其次，设计一个不依赖于模型参数的简化控制器，追求实用一致性： \[ u = G - k_p L x_e - K_v \psi_e - B \Phi \xi \]
与(21)式相比，这个控制器移除了包含 \( M \) 和 \( C \) 的前馈补偿项\( -C(-v_d + \mu L x_e) + M \dot{v}_d - \mu M L v_e \)。这意味着控制器不再试图精确抵消系统的非线性惯性力和科氏力。
这样做的代价是什么？代价是系统无法再实现渐近稳定性（即误差精确趋于零），而只能实现实用稳定性。误差最终会收敛到原点附近的一个小邻域内，邻域的大小取决于未知动力学和干扰的界。控制增益 \( k_p \) 和 \( K_v \) 需要足够大，以压制这些不确定项的影响。
稳定性分析：我们使用相同的李雅普诺夫函数 \( V \)。求导后，由于缺少了模型补偿项，会多出一项包含未知动力学 \( \Theta = Cv + M \dot{v}d - \mu M L v_e - \frac{1}{2}\dot{M} \psi_e \) 和干扰 \( \Delta W \) 的项。利用柯西-施瓦茨不等式，可以得到： \[ \dot{V} \le -\psi_e^\top K_v \psi_e - k_p \bar{x}^\top L_e \bar{x} + |\psi_e| (|\Theta|{\max} + |\Delta W|) + \bar{x}^\top (-\mu L_e + \alpha I) \Phi \xi \] 如果干扰和未知动态有界，且满足 \( |\Delta W| + |\Theta|{\max} \le \lambda{\min}(K_v) |\psi_e| \)，同时增益 \( \mu \) 满足与之前相同的条件以确保 \( (-\mu L_e + \alpha I) \) 负定，那么可以证明 \( \dot{V} \le 0 \) 在误差较大时成立，从而保证所有信号有界，并且性能约束得以满足。
注意事项：增益调参与鲁棒性权衡在参数未知的情况下，增大比例增益 \( k_p \) 和阻尼增益 \( K_v \) 可以提高系统的鲁棒性，压制不确定性的影响，但过大的增益会导致控制输入饱和，激发未建模的高频动态，甚至引起系统不稳定。一个实用的调试步骤是：首先在仿真中，将 \( M, C \) 设置为标称值，按照已知参数控制器(21)的方式调试 \( k_p, K_v, \mu \)��得到一个性能良好的基准。然后，切换到未知参数控制器(29)，保持 \( k_p, K_v \) 不变或略微增大（例如增加20%-50%），观察系统是否仍能稳定并满足性能。务必在硬件上验证控制输出的幅值是否在电机/执行器的物理限幅之内。
4. 仿真与硬件实验：从理论到实践的跨越
4.1 数值仿真：验证灵活性与鲁棒性
我们在MATLAB中构建了一个包含12个智能体的仿真系统，其通信拓扑如图2所示，分为5个集群。每个智能体为2维EL系统（模拟平面移动机器人），并添加了时变的外部扰动。
场景一：基础多集群共识与性能约束验证首先，我们验证了已知参数控制器(21)。如图4所示，12个智能体从随机初始位置出发，成功围绕移动目标（做圆周运动）形成了五个集群（五边形顶点）。图4(c)清晰地显示，所有智能体间的相对位置误差 \( \bar{x} \) 被严格限制在用户预设的性能边界 \( \pm \rho(t) \) 之内（红色虚线所示）。即使加入外部扰动，这一性能约束依然被严格遵守，证明了控制器的鲁棒性。
场景二：集群构型的动态重构我们展示了通过改变矩阵权重中的旋转角 \( heta \)，可以实现集群数量的动态调整。在仿真中，我们在 \( t=5s \) 时将 \( heta \) 从 \( 2\pi/5 \) 切换到 \( 2\pi/3 \)。如图5所示，智能体集群从五边形构型平滑地过渡到了三角形构型，并且在整个切换过程中，相对误差始终没有超出性能边界（注意图5(b)中性能函数在 \( t=5s \) 时也发生了切换，以适应新的构型要求）。这充分体现了基于矩阵加权方法的灵活性。
场景三：未知参数下的性能保持最后，我们使用简化控制器(29)，假设系统参数 \( M, C \) 完全未知。如图6所示，在存在外部扰动且参数未知的情况下，系统依然能够实现从五集群到三集群的过渡，并且相对误差被约束在放宽后的性能边界内。这验证了所提方法在模型存在不确定性时的实用有效性。
4.2 硬件实验：在真实机器人上的实现
理论再好，也需要落地检验。我们使用5台TurtleBot3 Burger差分驱动机器人搭建了实验平台。
4.2.1 从EL模型到差速机器人模型TurtleBot3是典型的差速驱动机器人，其运动学模型通常用独轮车模型描述。为了应用我们的EL控制器，需要将其动力学表达为EL形式。通过引入一个虚拟的“控制点”（通常取在机器人中轴前方一定距离 \( L_i \) 处），可以将原始的位姿坐标 \( (x_c, y_c, \beta) \) 映射到该控制点的坐标 \( (x, y) \)。经过推导（详见原文第VII节），可以得到形如 \( M_i(q_i)\ddot{q}_i + C_i(q_i, \dot{q}_i)\dot{q}_i + D_i(q_i)\dot{q}_i = u_i + \Delta W_i(t) \) 的EL方程，其中 \( q_i = [x_i, y_i]^\top \) 就是控制点的坐标。这里 \( D_i \) 代表粘性阻尼，被归入扰动项 \( \Delta W_i \)。
4.2.2 实验设置与实现细节
- 通信拓扑：5个机器人分为3个集群（S1: 2个， S2: 2个， S3: 1个），构成一个三角形互联的矩阵加权图。
- 状态获取：为了专注于验证控制算法本身，我们使用动作捕捉系统（MoCap）来获取所有机器人的高精度全局位置、速度和朝向信息，并通过ROS网络分发给各个机器人。这避免了同时解决定位和通信问题的复杂性。
- 控制回路：整个系统在ROS Noetic框架下用Python实现。控制律(29)以10Hz的频率运行。这个频率是权衡了TurtleBot3较低的基础动力学带宽（最大线速度0.22 m/s）、ROS通信开销、MoCap更新频率（约100Hz）以及计算延迟后的一个务实选择。
- 控制量转换：控制器输出的是EL模型下的广义力 \( u_i \)。我们需要将其转换为TurtleBot3底层电机能理解的线速度和角速度指令 \( \eta_i = [\bar{v}_i, \omega_i]^\top \)。通过雅可比矩阵的逆变换 \( \bar{u}_i = J_i^{-\top} u_i \)，并利用近似关系 \( \dot{\zeta}_i \approx (\eta_i - \zeta_i)/\Delta t \)（其中 \( \zeta_i = [v_i, \dot{\beta}_i]^\top \) 是当前速度），可以计算出指令速度 \( \eta_i \)。模型不确定性（如惯性矩阵 \( \bar{M}_i \) 的近似值）被视作有界扰动，由控制器的鲁棒性来处理。
4.2.3 实验结果分析图10（左）展示了5台机器人在XY平面的运动轨迹。它们从分散的初始位置出发，最终收敛并保持了一个稳定的三角形相对构型（三个集群分别位于三角形的三个顶点，其中两个顶点各有两个机器人）。图10（右）显示了所有边对应的相对位置向量 \( \bar{x} \) 随时间的变化，可以看到它们被严格限制在预设的性能包络内。中间的广角视图直观地展示了三集群共识的形成。
硬件部署避坑指南
- 时钟同步与通信延迟：ROS话题的发布/订阅存在不可忽略的延迟。务必使用
/tf树来管理坐标系，并考虑在控制律中引入简单的延迟补偿（如一阶滞后滤波）或使用预测器来估计当前状态。- 执行器饱和与底层控制：理论控制器输出的是连续力/力矩，但实际机器人底层是速度控制环。需要确保转换后的速度指令 \( \eta_i \) 不超过电机的物理限幅。一旦饱和，预设性能可能无法保证。建议在软件层添加饱和限制，并相应放宽性能函数的初始边界 \( \rho_0 \)。
- 惯性参数估计：尽管控制器对参数不确定性鲁棒，但一个粗略的惯性矩阵估计值（如原文中将机器人近似为匀质平板）能显著提升性能。可以通过简单的实验（如施加阶跃速度指令，测量加速度响应）来离线辨识大致的质量和转动惯量。
- 性能函数参数选择：\( \rho_0 \) 必须大于智能体间的初始相对误差，否则控制器一开始就会失效。\( \rho_{\infty} \) 根据最终定位精度要求设定。\( \epsilon \) 不宜过大，过快的收敛要求会导致控制输入剧烈变化，在实际系统中引发振荡。建议从较小的值（如0.1~0.5）开始调试。
5. 总结与展望
本文系统性地介绍了一种结合矩阵加权图、预设性能控制和鲁棒自适应思想的欧拉-拉格朗日系统多集群一致性控制框架。其核心价值在于提供了一种系统化的方法，来解决实际机器人协同任务中三个关键需求：灵活的编队描述（通过矩阵权重）、有保障的瞬态性能（通过预设性能函数）、以及对模型不确定性和干扰的鲁棒性。
从我个人的工程实践角度看，这个框架的魅力在于它的模块化和可扩展性。矩阵加权图模块让你可以自由定义集群间的几何关系；预设性能模块像一个“安全过滤器”，确保无论控制器内部如何变化，输出到物理系统的误差轨迹总是安全的；而对未知参数的鲁棒处理，则大大降低了算法对精确模型的依赖，提升了在真实世界的可用性。
当然，任何方法都有其边界。本文假设所有智能体都能获得目标的完整轨迹信息，这在实际中可能不成立，未来可以结合基于一致性的分布式估计来放松这一假设。此外，控制输入是无界的，而实际执行器总有饱和限制，输入受限下的预设性能控制是一个具有挑战性但极具实用价值的方向。最后，将通信拓扑从静态扩展到时变或切换拓扑，以处理网络连接中断或通信范围受限的情况，也是迈向更广泛应用的关键一步。
这个工作为多机器人系统在动态、不确定环境下的可靠协同提供了一个坚实的设计��板。无论是学术研究还是工程应用，沿着“性能约束”和“分布式鲁棒”这两个方向深挖，都大有可为。
