The distributed optimal output containment control problem for multi-agent systems (MASs) involves coordinating a group of autonomous agents to drive the outputs of all followers into the convex hull spanned by the outputs of the leaders while optimizing system performance, which has numerous applications. In this paper, a fully distributed optimal containment tracking control protocol is established for unknown active heterogeneous MASs with external disturbances. Firstly, a fully distributed observer is designed to ensure its trajectory stays within the convex hull established by active leaders without requiring global network topology information. Subsequently, an augmented system is constructed using the dynamics of the followers and the observers to design H ∞ optimal containment control protocol. Then, a model-free recursive reinforcement learning (RRL) algorithm is devised to learn the optimal control protocol, which demonstrates that the weight iteration error asymptotically converges to zero, and the algorithm exhibits favorable convergence speed. Finally, the effectiveness of the proposed improved algorithm is validated using a heterogeneous nonlinear multi-agent model.

In this paper, an event-triggered sliding-mode output feedback control (SMOFC) strategy with adaptive fault-tolerance is proposed to achieve path tracking for networked autonomous vehicles, considering the challenges posed by network communication and electric steering systems. Initially, signal quantization, external disturbances, and actuator faults are incorporated into the vehicle model. This incorporation enhances the designed controller’s robustness against a broader and more demanding range of driving scenarios. Subsequently, in situations where only output feedback is available, a dynamic output compensator is designed to reconstruct the unmeasurable vehicle state. Utilizing the reconstructed vehicle state, an event-triggered strategy is devised to alleviate the network burden and determine the minimum time between triggering events to prevent Zeno behavior. Furthermore, an adaptive mechanism is employed to estimate the actuator fault boundaries. The performance of the designed controller is evaluated through simulation instances.