Event-Triggered ADP for Tracking Control of Partially Unknown Constrained Uncertain Systems

Event-Triggered ADP for Tracking Control of Partially Unknown Constrained Uncertain Systems，2022， Shan Xue, Biao Luo , Senior Member, IEEE, Derong Liu , Fellow, IEEE, and Ying Gao , Member, IEEE

构造增广系统，将不确定系统跟踪控制问题转化为带有折扣因子值函数的增广系统的最优调节问题。采用积分强化学习算法以避免需要增广系统动力学。基于事件触发ADP算法，神经网络权重学习不仅放宽初始可容许控制，而且仅当不满足预先规则时才执行。证明了跟踪误差和权重估计误差的一致最终有界。
直接求解前馈控制输入和反馈控制输入需要输入矩阵$g(x)$可逆，因此放宽限制条件，由跟踪误差和期望轨迹组成的带有折扣因子的增广系统。
事件触发机制与时间触发机制相比，不按周期采样，而是在需要时候进行采样。节省通信资源，减少计算资源，减轻网络带宽负担。但在以往文章中提到事件触发机制引入导致控制性能损失，选择合理参数使权衡性能和采样。在Event-triggered decentralized tracking control of modular reconfigurable robots through adaptive dynamic programming提到确定性系统的跟踪控制问题。以往文章中系统模型部分或完全未知时，常采用系统辨识，但系统辨识难以迅速反应系统动态变化，且可能造成辨识误差。IRL算法构建积分贝尔曼方程，可避免增广动力学的需要。
定义参考轨迹和误差动力学