多智能体面临故障与节约通信如何实现同步？

现代科技中，由多个机器人或传感器组成的“多智能体系统”已经被广泛应用于各种领域，比如无人机编队、智能电网和无线传感器网络等。这些系统中最基本核心的一个任务就是“同步问题”，让网络中所有的个体能够通过信息交换，步调一致地达到相同的状态或输出。

要让独立的机器实现完美的团队协作，面临着不少现实的挑战：

• 持续通信的成本过高：过去的研究基于一种理想假设，即这些智能体之间时刻都在通过共享网络进行无间断的连续通信。但在现实中，通信网络的计算、通信和数据存储能力都是有限的。如果按照固定的周期频繁采样和传输数据，不仅会造成通信通道的拥堵，还会严重浪费有限的网络资源。

• 突发故障与“蒙眼”工作：实际的系统运行中，机器的执行部件可能会突发故障，这不仅会削弱系统性能，甚至可能导致整个系统失去稳定性。另外，系统很多时候无法获取其他机器人的“全状态”（即所有运行数据无法直接测量），这给控制器带来了极大的难度。

为了解决上述问题，研究人员设计了一套完全分布式的控制方法，将多种先进的控制技术巧妙地融合在一起：

• 事件触发控制（Event-Triggered Control, ETC）：为了打破传统的连续沟通模式，研究者引入了事件触发机制。就像给机器人们设定了一个规则：平时保持沉默，只有当系统内部的测量误差达到设定的“阈值”时，触发事件并进行通信更新。文章还设计了一种分布式自适应事件触发条件，包含状态和时间相关的阈值参数，能够在线进行自动调整，且不需要知道整个网络的全局信息（比如网络规模或拓扑特征值）。

• 基于观测器的自适应容错控制（Fault-Tolerant Control, FTC）：既然无法直接看到机器的全状态，研究人员给每个智能体配备了动态“观测器”，用来预估无法直接测量的状态数据。结合自适应容错控制算法，即使某些机器的执行器出现未知故障，系统也能在线调整参数，自动校正故障带来的影响。

• 从“不连续”到“连续”的控制器平滑升级：研究者最初设计的是包含非线性环节的不连续控制器，在实际设备的开关器件中可能会引发不良的“抖振现象”。为了解决这个问题，引入了与状态相关的边界层，进一步开发了改进版的连续非线性控制器，有效克服了抖振问题。

为了验证这套算法的实际效果，论文中展示了具体的计算机模拟实验和机器人案例：

案例一：6个智能体的数值模拟

在这个实验中，研究人员模拟了一个包含6个智能体节点的网络，并在部分节点中人为加入了乘性故障。如图2（6个智能体的触发时刻）所示，各个智能体仅仅在稀疏的特定时刻进行了数据交换，大幅减少了控制器的更新频率和通信压力。图3（多智能体系统中不同状态的演变）展示了尽管系统遭遇了部分故障且没有连续通信，这6个智能体的两种状态最终平稳地汇聚到了同一个值，完美实现了同步。

案例二：3个移动机器人的实际追踪

为了进一步贴近实际应用，研究者以3个移动机器人为对象进行测试。通信关系参考图9（3个移动机器人的通信拓扑）。在这个场景里，机器人1作为目标轨迹的引导者，机器人2和机器人3负责实时追踪。从文献的图10（实验中3个移动机器人的轨迹）可以看出，三者的运动轨迹表现出了极好的协同性。此外，图11（3个移动机器人状态的演变）也从数据层面证明了，3个机器人的状态在经历短暂的调整后，最终保持了高度的一致性，实现了稳定的追踪控制。

学者介绍：徐勇，北京理工大学自动化学院教授、博士生导师，国家自然科学基金优秀青年科学基金获得者。主要研究方向包括集群无人系统分布式协同控制、网络化系统攻击检测、安全分析与防御控制，以及强化学习、数据驱动与机器学习等人工智能方法，聚焦无人车/无人机集群路径规划、决策与协同编队控制等问题。

DOI：10.1109/TIE.2020.2967739