一般地,无论是单个机器人系统还是由机器人组成的多智能体系统,其主要都是由被控对象、控制器、执行机构与传感器等装置组成。受控系统的控制性能不但与被控对象有关,而且还受控制系统其他装置的物理特性的影响。例如,在实际的工业生产过程当中,系统的反馈通路和前向通路容易受到一些具备非光滑特性的非线性约束干扰。然而在多智能体系统中,与前向通道中的执行器非线性约束相比,反馈通道中的传感器非线性约束的补偿控制变得更加的困难,因为其可能会导致未知且时变的控制增益问题。由于未知高频增益的存在,Nussbaum型方法将会导致一些未知的瞬态性能问题。值得注意的是,单纯的调节Nussbaum型增益很难达到多智能体系统的瞬态和稳态性能要求。此外,控制系统的收敛性是评价一个系统性能优劣的重要指标。在Agent及其可访问的Agent之间存在耦合不确定动力学的情况下,如何克服传感器非线性约束带来的影响并且保证多智能体在有限时间内达到快速收敛变得极具挑战。综上所述,本文以Backstepping技术为框架,利用径向基函数神经网络和模糊逻辑系统等工具的万能逼近特性,展开了对具有输出非线性约束的多智能体系统的自适应协同跟踪控制的研究。主要工作归纳如下:第一章阐明了本论文选题的背景意义和研究现状,并概括了本文的主要研究内容。第二章:我们给出了本论文的预备知识。包括图论;具备万能逼近性质的径向基函数神经网络和模糊逻辑系统的智能控制方法;自适应动态面Backstepping控制;有限时间稳定控制理论等相关知识。第三章:针对未知控制方向问题,本章研究了两种主流的的控制方法。一种是Nussbaum增益,用来解决时变且未知的高频增益,保证了多智能体系统的跟踪误差收敛到一个有界的区域或渐近收敛到原点。其次,针对Nussbaum方法只能保证闭环系统的控制误差渐渐收敛到零的初始邻域内这种局限性,提出了一种基于Lyapunov的逻辑转换规则,并基于该转换准则设计了一种新的转换控制策略。值得注意的是,在该控制策略的作用下,多智能体系统的状态信息能够在有限时间范围内快速收敛到平衡点x(28)0附近(见第五章)。第四章:针对有着部分跟踪误差约束和未知输出磁滞的非线性多智能体系统,提出了一种分布式动态面神经协同跟踪控制方案。首先,由于输出磁滞引起的未知高频增益是时变的,采取一种新的Nussbaum型增益函数成功的解决了由输出磁滞非线性导致多智能体系统的未知多增益控制问题。其次,Nussbaum型函数的介入导致多智能体系统在瞬态情况下的性能无法得到保证。在这样的情况下,本章通过将新的Nussbaum型函数和规定性能控制(PPC)方法相结合,提出的分布式协同控制方案解决了有着输出磁滞的多智能体系统的瞬态性能问题。仿真实验表明,本章节中设计的基于PPC的协同跟踪控制策略不但保证闭环系统的所有信号有界,而且协同跟踪控制器的瞬态性能始终限制在规定范围内。第五章:针对带有未知输出死区非线性的无领导者多智能体系统,研究了有限时间自适应模糊协同稳定问题。注意到由输出死区非线性引起的每个智能体的控制增益是未知且时变的,由于Nussbaum方法具有渐进收敛的特性,不能用于解决具有输出死区的多智能体系统的快速收敛问题。同时,不同于渐进稳定问题,有限时间稳定能确保系统状态变量在有限时间内快速收敛系统平衡点。然而,由于输出死区的存在,只使用有限时间稳定理论无法克服多智能体系统的未知控制增益问题,这使得该问题的控制设计和稳定分析变得十分复杂。为了解决该控制难题,在所提出的有限时间自适应协同控制设计过程中,采用了一种基于Lyapunov的逻辑转换规则来设计转换控制器。仿真实验证明所提出的方案不仅保证了系统输出跟踪误差收敛到一个大小可调的零附近的区域,还使得带有输出死区的多智能体系统在有限时间内实现状态稳定。