CN111351488B - 飞行器智能轨迹重构再入制导方法 - Google Patents

飞行器智能轨迹重构再入制导方法 Download PDF

Info

Publication number
CN111351488B
CN111351488B CN202010141607.7A CN202010141607A CN111351488B CN 111351488 B CN111351488 B CN 111351488B CN 202010141607 A CN202010141607 A CN 202010141607A CN 111351488 B CN111351488 B CN 111351488B
Authority
CN
China
Prior art keywords
aircraft
track
roll angle
reentry
guidance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010141607.7A
Other languages
English (en)
Other versions
CN111351488A (zh
Inventor
胥彪
李翔
冯建鑫
李爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010141607.7A priority Critical patent/CN111351488B/zh
Publication of CN111351488A publication Critical patent/CN111351488A/zh
Application granted granted Critical
Publication of CN111351488B publication Critical patent/CN111351488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
    • B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
    • B64G1/242—Orbits and trajectories
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种飞行器智能轨迹重构再入制导方法，包括根据飞行器再入初始状态和各类约束条件，采用数值优化方法生成一条离线参考轨迹；设置航路点，计算相应的可达域；通过最优轨迹滚转角变化的特点，设置5个归一化参数建立最优轨迹和滚转角的联系，提出利用搜索算法求解相应滚转角参数的优化方法，然后在可达域内选取样本数据点，离线计算训练数据并基于BP神经网络进行训练；采用制导方法跟踪参考轨迹；到达航路点高度时，利用训练好的神经网络模型生成新的轨迹；完成轨迹重构，飞行器跟踪新的轨迹，继续完成再入制导。本发明方法极大地减小轨迹重构的计算时间，降低优化时间对制导性能的影响，以进一步改善再入飞行器在再入段的制导精度。

Description

飞行器智能轨迹重构再入制导方法
技术领域
本发明涉及飞行器制导技术领域，具体地涉及一种飞行器智能轨迹重构再入制导方法。
背景技术
飞行器再入是指包括返回式卫星、飞船、空天飞行器和高超声速飞行器等飞行器完成预定空间任务后，通过制动进入大气层，在地面上安全着陆的过程。随着航空航天技术的不断进步和发展，世界各科技强国为了应对激烈的竞争，对飞行器再入返回的制导精度提出了更高的要求。所以，对飞行器再入段制导方法的研究具有重要实用价值和战略意义。
目前再入飞行器的再入段的制导方法一般分为参考轨迹制导和预测校正制导，多采用降阶的动力学模型。参考轨迹制导方法就是事先按照要求离线设计好参考剖面(如阻力加速度剖面)，存储在星载计算机中，然后根据实时跟踪误差设计制导律来在线跟踪这条轨迹。但这种方法过于依赖离线生成的参考轨迹，对再入飞行中干扰和故障的处理不够灵活，往往不能精确的在线跟踪；预测校正制导算法，不依赖标准轨迹，而是在飞行过程中不断预测终端状态，然后根据与期望终端状态的偏差校正控制量，具有较高的落点精度，并且对再入初始条件不敏感。但这类方法需要较强的星载计算机性能以提高计算速度，保障预测结果的实时性，目前还难以在工程上实现应用。
再入飞行器的飞行轨迹与其所处的复杂力学环境直接相关，传统的飞行器参考轨迹制导算法是通过优化算法事先设计一条最优的参考飞行轨迹，利用制导控制算法，使飞行器克服外界干扰，尽量沿着设计好的轨迹飞行，使飞行器到达目标区域。然而在飞行器实际再入飞行过程中，由于飞行空域大，飞行速度变化大，动力学参数变化剧烈，使得飞行制导控制***呈现出高度的非线性和未知的不确定性，很难严格按照事先优化的轨迹或者设计的轨迹飞行。轨迹在线生成技术的引入，使飞行器在因外界干扰作用而偏离设计的参考轨迹时，可以根据当前状态和操控能力，重新在线快速规划出一条满足各类再入约束的轨迹，即在线进行轨迹重构，然后实时反馈更新制导指令，使飞行器跟踪新的优化轨迹，到达指定目标区域。
在轨迹重构技术方面，由于再入飞行器速度快，如何提高数值轨迹优化算法的计算效率，加强轨迹快速生成能力是迫切需要解决的问题。采用伪谱法进行飞行器轨迹在线生成是近年来的热点研究方向，如期刊《国防科技大学学报》2015年第37卷第4期第1-8页《伪谱法及其在飞行器轨迹优化设计领域的应用综述》一文中所述。伪谱法将连续的再入轨迹优化问题转化为非线性规划问题，通过数值求解非线性规划问题来获得最优再入轨迹，避免了大量数学运算带来的问题，具有高精度和高效率的特点。但是伪谱法利用全局多项式进行插值，插值误差难以控制，并且整个区间的网格点是同时变密，增加了优化的负担。而且伪谱法理论还有很多方面亟待完善，如怎样进一步减小伪谱法的计算时间，从而提高轨迹在线生成速度，保障轨迹重构的实时性。
人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠***的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。而且利用针对复杂优化问题而设计的人工神经网络可发挥计算机的高速运算能力，具有高速寻找优化解的能力。
发明内容
发明目的：为解决现有技术的不足，本发明提出一种飞行器智能轨迹重构再入制导方法。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
飞行器智能轨迹重构再入制导方法，包括以下步骤：
(1)根据飞行器再入初始状态和再入终端目标约束条件，在满足路径约束和控制量约束的条件下，利用数值优化方法优化出一条参考轨迹；
(2)在步骤(1)生成的参考轨迹上选取某些高度处的飞行路径点作为执行轨迹重构的航路点，根据飞行器再入初始状态、路径约束和控制量约束，利用优化方法计算出在各个航路点高度处飞行器的可达域范围；
(3)根据制导精度需求，选择合适大小的采样密度，在得到的每个可达域范围内选取大量的数据点，基于参数化滚转角的思想，根据各个数据点的状态量，利用搜索算法得到滚转角曲线参数，即生成对应的满足终端约束的参考轨迹，因此按照一个数据点对应一组滚转角曲线参数，生成样本数据集；
(4)分别将每个样本数据集中各个数据点的状态量作为输入，对应的各个滚转角参数作为输出，进行多个BP神经网络算法训练，经过多次迭代，当损失函数的值达到所要求的误差或最大迭代次数时，完成各个神经网络的训练；
(5)采用跟踪阻力加速度的制导方法对步骤(1)中生成的参考轨迹进行在线跟踪；
(6)当飞行器的实际飞行轨迹高度到达设定的航路点高度时，将飞行器的实时状态信息输入到步骤(4)中生成的对应航路点的神经网络，得到一组滚转角参数，代入运动学模型公式得到一条新的阻力加速度参考曲线，即重新规划出一条参考轨迹，实现快速轨迹重构；
(7)继续采用步骤(5)中的制导方法跟踪轨迹重构新生成的轨迹，更新制导指令；当实际飞行轨迹到达下一个航路点可达域时，重复步骤(6)的轨迹重构过程，最终完成整个再入段制导过程。
进一步的，步骤(1)中采用了飞行器大气再入段三自由度运动学模型为：
Figure BDA0002398252010000031
其中，r为飞行器质心到地心的距离，即飞行器高度h和地球平均半径Re之和，V为飞行器速度，
Figure BDA0002398252010000032
为纬度，θ为经度，γ是航迹角，即速度和当地水平面的夹角，ψ是航向角，即速度在水平面上投影和正东方向之间的夹角，σ为滚转角，即飞行器关于速度矢量的转动角；g为重力加速度；
Figure BDA0002398252010000033
其中，mv为飞行器质量，S为飞行器气动参考面积，ρ为大气密度，D为阻力加速度，L为升力加速度，CD为气动阻力系数，CL为气动升力系数。
进一步的，步骤(1)中再入初始状态为：
Figure BDA0002398252010000034
其中，r(t0),θ(t0),
Figure BDA0002398252010000035
V(t0),ψ(t0),γ(t0)分别为飞行器再入段初始时刻的飞行器质心到地心的距离，经度，纬度，飞行器速度，航向角，航迹角；
路径约束：
(a)热流约束为：
Figure BDA0002398252010000041
其中，
Figure BDA0002398252010000042
为热流率，kq为飞行器热流系数，
Figure BDA0002398252010000043
为允许的热流率上限；
(b)动压约束为：
Figure BDA0002398252010000044
其中，q为来流动压，qmax为允许的动压上限；
(c)再入过程的过载约束为：
Figure BDA0002398252010000045
其中，
Figure BDA0002398252010000046
为飞行器过载，
Figure BDA0002398252010000047
为允许的过载上限；
再入终端目标约束：
(a)再入段终端条件，包括高度和速度限制：
h(tf)≥hf,V(tf)≤Vf (7)；
其中，h(tf),V(tf)分别为飞行器再入段结束时刻的高度和速度，hf,Vf分别为飞行器再入段结束时的高度和速度限制值；
(b)经纬度约束：
Figure BDA0002398252010000048
其中，θ(tf),
Figure BDA0002398252010000049
分别为飞行器再入段结束时刻的经度和纬度，θf,
Figure BDA00023982520100000410
分别为终端目标点的经度和纬度；
控制量约束：
σmin＜|σ|＜σmax (9)；
其中，σmin为允许的滚转角最小值，σmax为允许的滚转角最大值；限制滚转角的目的是给轨迹跟踪和横向制导保留一定的调整余量；
目标函数为：
J＝-khh(tf)+kγ[γ(tf)-γf]2 (10)；
其中，kh为高度系数，kγ为航迹角系数，γ(tf)为再入段结束时刻的航迹角，γf为目标航迹角。
进一步的，步骤(1)中因为在再入过程中，飞行器不受人为施加的外力作用，故满足能量守恒定律，飞行器的能量由下式表示：
Figure BDA0002398252010000051
所以在到达末端能量位置时，若能使得飞行器到达终端目标高度，其终端速度也会达到要求；因此在轨迹规划中使用能量作为自变量；
进一步的，步骤(3)中使用五个归一化的参数EDR、ECR1、ECR2、EHF、PHF设计滚转角曲线，其中EDR、ECR1、ECR2、EHF为能量参数，表示滚转角发生变化的时刻；PHF为末段滚转角参数，表示末段常值滚转角的大小；对于给定的一组参数可以生成一条对应的滚转角曲线；
五个归一化的能量参数EDR、ECR1、ECR2、EHF、PHF的取值范围均为0～1；
EDR为调整滚转角大小时刻的标准能量值，参数ECR1为滚转角第一次变号时刻的标准能量值，参数ECR2为滚转角第二次变号时刻的标准能量值，参数EHF为飞行器开始进入末段高度调整的标准能量值；通过改变参数PHF的数值能够调整飞行末段常值滚转角σHF的大小，从而控制最终高度，表达式为：
σHF＝PHFσmax+(1-PHF)σmin (12)；
在给定再入初始状态、终端目标约束、路径约束及控制量约束下，通过遗传算法搜索得到满足要求的一组参数P(EDR，ECR1，ECR2，EHF，PHF)，然后将对应的滚转角曲线代入运动学方程，即运动学模型公式，生成一条参考轨迹；首先依据运动学方程建立滚转角参数与纵程、横程、高度和航迹角的映射关系：
P(EDR,ECR1,ECR2,EHF,PHF)→eDR(P)，eCR(P)，Fh(P)，Fγ(P) (13)；
其中，eDR(P)，eCR(P)，Fh(P)，Fγ(P)分别为飞行器的纵程误差、横程误差、终端高度和航迹角；
采用的搜索算法的主要任务，就是寻求一组合适的滚转角参数P，使之既满足上述再入过程的约束条件，又能使纵程和横程误差最小，同时尽可能增大终端高度，即满足如下三个目标函数：
Figure BDA0002398252010000061
其中，kh为高度系数，kγ为航迹角系数，γf为目标航迹角；
进一步的，步骤(3)中将得到的每个可达域划分为m个小区域，考虑到可达域范围较大，为了提高计算效率，在越接近参考轨迹的区域，划分的小区域越密集；然后在每个小区域内随机选取n个数据点，则每个可达域选取的数据点个数为mn，每个数据点的状态信息
Figure BDA0002398252010000062
以这些状态量作为再入初始状态，同样满足原先的约束条件，利用步骤(3)中的搜索算法，求解得到各组滚转角曲线参数Pmi(EDRmi，ECR1mi，ECR2mi，EHFmi，PHFmi)和对应的阻力加速度剖面Dmi，即规划出新的参考轨迹Tmi，由各个状态量和滚转角参数生成数据集Q{Xmi，Pmi}。
进一步的，步骤(4)中以数据集Q中的状态量Xmi作为BP神经网络的输入，以状态量对应的滚转角曲线参数Pmi作为BP神经网络的输出，进行神经网络的训练和测试，近似得到飞行器状态量和对应的滚转角曲线参数之间的关系；将数据集Q按照合适的比例随机划分为训练集Q1和测试集Q2；每个固定高度hj，j＝1，2，…，N，的航路点可达域dj需要训练出一个相应的神经网络Nj，利用MATLAB仿真软件进行BP神经网络模型的训练；BP神经网络模型是由一个输入层，一个输出层以及一个或多个隐含层构成，在同一层中各神经元之间相互独立，输入信号从输入层神经元，依次通过各个隐含层神经元，最后传递到输出层神经元，若输出层得到的值与目标值存在误差，则执行误差反向传播操作，根据误差不断调整网络的权值和阈值，从而达到最佳效果。
进一步的，步骤(6)中由于再入过程存在较大的不确定干扰，使得实际飞行轨迹在到达第一个固定高度h1时，实际位置会偏离参考轨迹航路点，此时，以当前飞行器状态量
Figure BDA0002398252010000063
作为输入量，输入到神经网络N1，即时计算得到一组滚转角曲线参数P1＝[EDR1,ECR11,ECR21,EHF1,PHF1]，得到的滚转角控制量σ1代入到运动方程，即在线重新生成一条新的轨迹T1，然后控制***开始跟踪新的轨迹，实现轨迹重构。
有益效果：与现有技术相比，本发明首先提出了一种基于参数化滚转角思想离线生成最优参考轨迹的方法，然后利用可达域内的样本数据事先训练BP神经网络，得到状态量和滚转角参数的关系，通过训练好的神经网络算法能够在线即时生成新的轨迹，相比于传统的轨迹优化算法，提高了轨迹优化的效率，能够更好地满足轨迹重构所需的在线计算要求。由于再入飞行器的飞行环境存在很大的不确定性，而且运动模型的非线性较强，快速的轨迹生成能力能够更好地克服实际再入制导过程产生的较大的跟踪误差，从而实现干扰和不确定性条件下的鲁棒跟踪制导，提高再入段到达终端目标点的精度，具有重要的工程应用价值。
附图说明
图1是本发明所述的飞行器智能轨迹重构再入制导方法的流程图；
图2是本发明所述的飞行器高度变化曲线图；
图3是本发明所述的飞行器速度变化曲线图；
图4是本发明所述的飞行器滚转角变化曲线图；
图5是本发明所述的飞行器热流变化曲线图；
图6是本发明所述的飞行器动压变化曲线图；
图7是本发明所述的飞行器过载变化曲线图；
图8是本发明所述的飞行器可达域示意图；
图9是本发明所述的参数化设计滚转角曲线的示意图；
图10是本发明所述的神经网络结构图；
图11是本发明所述的智能轨迹重构算法流程图；
图12是本发明所述的无轨迹重构制导方法的飞行器高度变化曲线图；
图13是本发明所述的无轨迹重构制导方法的飞行器滚转角变化曲线图；
图14是本发明所述的无轨迹重构制导方法的飞行器阻力加速度变化曲线图；
图15是本发明所述的无轨迹重构制导方法的飞行器经纬度变化曲线图；
图16是本发明所述的利用智能轨迹重构制导方法的飞行器高度变化曲线图；
图17是本发明所述的利用智能轨迹重构制导方法的飞行器滚转角变化曲线图；
图18是本发明所述的利用智能轨迹重构制导方法的飞行器阻力加速度变化曲线图；
图19是本发明所述的利用智能轨迹重构制导方法的飞行器经纬度变化曲线图；
图20是本发明所述的两种制导方法仿真结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
如图1所示，本发明提出的飞行器智能轨迹重构再入制导方法，包括以下步骤：
步骤一：根据飞行器再入飞行初始状态和约束条件，生成一条离线参考轨迹；即根据飞行器再入初始时刻的速度、经纬度、高度、航向角、航迹角等状态量和再入终端目标约束条件，在满足过载、动压、热流等路径约束和控制量约束的条件下，利用数值优化方法优化出一条参考轨迹；
本实施例采用简化的飞行器大气再入段三自由度运动学模型；
Figure BDA0002398252010000081
其中，r为飞行器质心到地心的距离，即飞行器高度h和地球平均半径Re之和，V为飞行器速度，
Figure BDA0002398252010000082
为纬度，θ为经度。γ是航迹角，即速度和当地水平面的夹角。ψ是航向角，即速度在水平面上投影和正东方向之间的夹角。σ为滚转角，即飞行器关于速度矢量的转动角。g为重力加速度。
Figure BDA0002398252010000083
其中，mv为飞行器质量，S为飞行器气动参考面积，ρ为大气密度，D为阻力加速度，L为升力加速度，CD为气动阻力系数，CL为气动升力系数。
参考轨迹制导方法首先要在给定再入初始状态下，利用优化方法规划出一条参考轨迹，并且满足路径约束、终端目标约束和控制量约束。
再入初始状态：
Figure BDA0002398252010000091
其中，r(t0),θ(t0),
Figure BDA0002398252010000092
V(t0),ψ(t0),γ(t0)为飞行器再入段初始时刻的状态量。
路径约束：
(1)热流约束为：
Figure BDA0002398252010000093
其中，
Figure BDA0002398252010000094
为热流率，飞行器热流系数kq＝1.9027e-4，
Figure BDA0002398252010000095
为允许的热流率上限。
(2)动压约束为：
Figure BDA0002398252010000096
其中，q为来流动压，qmax为允许的动压上限。
(3)再入过程的过载约束为：
Figure BDA0002398252010000097
其中，
Figure BDA0002398252010000098
为飞行器过载，
Figure BDA0002398252010000099
为允许的过载上限。
再入终端目标约束：
(1)再入段终端条件，包括高度和速度限制。
h(tf)≥hf,V(tf)≤Vf (7)；
其中，h(tf),V(tf)分别为飞行器再入段结束时刻的高度和速度，hf,Vf分别为飞行器再入段结束时的高度和速度限制值。
(2)位置(经纬度)约束。
Figure BDA00023982520100000910
其中，θ(tf),
Figure BDA00023982520100000911
分别为飞行器再入段结束时刻的经度和纬度，θf,
Figure BDA00023982520100000912
分别为终端目标点的经度和纬度。
控制量约束：
σmin＜|σ|＜σmax (9)；
其中，σmin为允许的滚转角最小值，σmax为允许的滚转角最大值。限制滚转角的目的是给轨迹跟踪和横向制导保留一定的调整余量。
通常来说，设计再入段最优轨迹的目标是在满足各类约束的情况下，使得终端高度尽可能大，从而提高着陆段控制能力和精度。但是，最大高度一般通过再入末段的爬升轨迹实现，这种现象对最终高度的控制能力较差。研究发现，若使最终的航迹角尽可能接近于零，可以保证控制飞行高度能力的同时避免爬升现象的出现。故本实施例设计最优轨迹时采用如下目标函数：
J＝-khh(tf)+kγ[γ(tf)-γf]2 (10)；
其中，高度系数kh＝1m-1，航迹角系数kγ＝90deg-2，目标航迹角γf＝0°，γ(tf)为再入段结束时刻的航迹角。
在给定再入初始状态和各类约束条件下，以上述目标函数为优化目标，在允许的航程范围下，采用自适应伪谱法作为优化方法，解算出不同航程下相应的最优轨迹。
其中再入初始状态和各类约束的具体数值为：
再入初始状态：
Figure BDA0002398252010000101
路径约束：
Figure BDA0002398252010000102
qmax＝50kpa/m2,
Figure BDA0002398252010000103
再入终端目标约束：hf＝15km,Vf＝300m/s，θf＝12°,
Figure BDA0002398252010000106
控制量约束：σmin＝10°,σmax＝80°。
飞行器再入阶段所包含的模型参数：地球引力系数μ＝3.986×1014m3/s2，地球平均半径Re＝6378136m，飞行器参考面积S＝12.88m2，气动升力系数CL＝0.3892，气动阻力系数CD＝1.3479和飞行器质量mv＝6800kg。大气密度模型采用近似指数模型，即
Figure BDA0002398252010000104
其中海平面处大气密度ρ0＝1.225kg/m3，地球大气等效密度高度hs＝7200m。
因为在再入过程中，飞行器不受人为施加的外力作用，故满足能量守恒定律，飞行器的能量可以由下式表示：
Figure BDA0002398252010000105
所以在到达末端能量位置时，若能使得飞行器到达终端目标高度，其终端速度也会达到要求。因此在轨迹规划中使用能量作为自变量。
轨迹优化结果如图2-图7所示。图2-图4分别为高度、速度和滚转角的变化曲线。图5-图7为再入轨迹的路径约束(热流、动压和过载)。可见，各个路径约束均得到满足。
步骤二：设置航路点，计算相应的可达域；即在步骤一生成的参考轨迹上选取某些高度处的飞行路径点作为执行轨迹重构的航路点，根据飞行器再入初始状态、路径约束和控制量约束，利用优化方法计算出在各个航路点高度处飞行器的可达域范围；
在飞行路径上选取固定高度的位置作为进行轨迹重构的航路点。本发明实施例选取高度分别为h1，h2，h3的三个位置作为航路点，各个高度间隔大小为Δh。这里航路点的个数和间隔可依据不同的飞行器再入情况进行合理选择。按照步骤一中的轨迹优化方法可分别计算出在三个航路点高度处的可达域范围d1，d2，d3。如图8所示为飞行器可达域示意图，h0为初始再入点高度。
本实施例选取的具体数据为h0＝80km，h1＝60km，h2＝50km，h3＝40km。
步骤三：生成样本数据集；即基于参数化滚转角的思想，根据各个数据点的状态量，利用搜索算法得到滚转角曲线参数；
通过对最优轨迹特征的研究，发现最优轨迹的滚转角曲线具有一定形式上的规律，即在初始阶段保持最小值，达到某一时刻后，增加到最大值，最后阶段又变化至最小值。因此设置5个滚转角参数，利用这5个滚转角参数将最优轨迹与滚转角参数建立联系，从而可以使用人工智能算法训练这5个参数。由于优化过程未考虑横向运动过程，故结合上述曲线特征和横向运动，本发明提出一种以归一化标准能量E为自变量，分别设置五个参数来得到相应滚转角曲线的方法，尽可能地实现对轨迹纵程、横程、最终高度的解耦，最终得到一条满足约束的轨迹，同时避免求解复杂的轨迹优化问题。
具体地，该策略使用五个归一化的参数EDR、ECR1、ECR2、EHF、PHF设计滚转角曲线，其中定义EDR、ECR1、ECR2、EHF为能量参数，表示滚转角发生变化的时刻；定义PHF为末段滚转角参数，表示末段常值滚转角的大小。对于给定的一组参数可以生成一条对应的滚转角曲线，如图9所示为参数化设计滚转角曲线的示意图，横坐标为归一化标准能量，纵坐标为飞行器滚转角，在能量值到达EDR时刻，滚转角大小由σmin调整为σmax；能量值到达ECR1时刻时，改变滚转角符号；能量值到达ECR2时刻时，再次改变滚转角符号；能量值到达EHF时刻时，进入飞行末段常值滚转角阶段，滚转角大小根据PHF调整为另一常值σHF，以保证终端高度。
五个归一化的参数EDR、ECR1、ECR2、EHF、PHF的取值范围均为0～1。
选取合适的EDR，即调整滚转角大小时刻的标准能量值，使生成的轨迹能够满足纵程要求，其值越大，轨迹航程越大。参数ECR1即滚转角第一次变号时刻的标准能量值，参数ECR2即滚转角第二次变号时刻的标准能量值，通过两次滚转角翻转可以更好地减小飞行器最终的横程误差。参数EHF为飞行器开始进入末段高度调整的标准能量值，通过改变参数PHF的数值能够调整飞行末段常值滚转角σHF的大小，从而控制最终高度，表达式为：
σHF＝PHFσmax+(1-PHF)σmin (12)；
确定上述轨迹生成策略之后，在给定再入初始状态、终端目标约束、路径约束及控制量约束下，通过遗传算法(Genetic Algorithm,GA)搜索得到满足要求的一组参数P(EDR，ECR1，ECR2，EHF，PHF)，然后将对应的滚转角曲线代入运动学方程(即运动学模型公式(1))，生成一条参考轨迹。首先依据运动学方程建立滚转角参数与纵程、横程、高度和航迹角的映射关系：
P(EDR,ECR1,ECR2,EHF,PHF)→eDR(P)，eCR(P)，Fh(P)，Fγ(P) (13)；
其中，eDR(P)，eCR(P)，Fh(P)，Fγ(P)分别为飞行器的纵程误差、横程误差、终端高度和航迹角。
本发明实施例采用的搜索算法的主要任务，就是寻求一组合适的滚转角参数P，使之既满足上述再入过程的约束条件，又能使纵程和横程误差最小，同时尽可能增大终端高度，即满足如下三个目标函数：
Figure BDA0002398252010000121
其中，高度系数kh＝1m-1，航迹角系数kγ＝90deg-2，目标航迹角γf＝0°。
然后根据制导精度需求，选择合适大小的采样密度在得到的每个可达域范围内选取大量的数据点，根据各个数据点的状态量，利用上述搜索算法计算得到相应的滚转角曲线参数，即可生成对应的满足终端约束的参考轨迹，因此按照一个数据点对应一组滚转角曲线参数，生成样本数据集；
将得到的每个可达域划分为m个小区域，考虑到可达域范围较大，为了提高计算效率，在越接近参考轨迹的区域，划分的小区域越密集。然后在每个小区域内随机选取n个数据点，则每个可达域选取的数据点个数为mn，每个数据点的状态信息
Figure BDA0002398252010000131
Figure BDA0002398252010000132
以这些状态量作为初始条件，同样满足原先的约束条件，利用上述遗传算法，得到各组滚转角曲线参数Pmi(EDRmi，ECR1mi，ECR2mi，EHFmi，PHFmi)和对应的阻力加速度剖面Dmi，即规划出新的参考轨迹Tmi。由状态量和滚转角参数生成数据集Q{Xmi，Pmi}。
本实施例选取的具体数据为m＝50，n＝100。
步骤四：利用数据集进行神经网络算法的训练；即分别将每个样本数据集中各个数据点的状态量作为输入，对应的各个滚转角参数作为输出，进行多个BP(反向传播)神经网络算法训练，经过多次迭代，当损失函数的值达到所要求的误差或最大迭代次数时，完成各个神经网络的训练；
对运动学模型和最优轨迹的特征分析可知，滚转角曲线参数Pmi与可达域内数据点的状态量Xmi有着密切的关系，但很难用一个具体的模型来描述。BP(Back Propagation，反向传播)神经网络是一种按误差逆向传播算法训练的多层前向反馈神经网络，具有较强的自我学习能力，能够充分挖掘数据之间的关系，最大限度地逼近非线性复杂***，是目前应用最广泛的神经网络模型之一。因此，本发明实施例以数据集Q中的状态量Xmi作为BP神经网络的输入，以状态量对应的滚转角曲线参数Pmi作为BP神经网络的输出，进行神经网络的训练和测试，近似得到飞行器状态量和对应的滚转角曲线参数之间的关系。将数据集Q随机划分为训练集Q1和测试集Q2，比例设置为95％和5％。每个固定高度hj，j＝1，2，3的航路点可达域dj需要训练出一个相应的神经网络Nj，可以利用MATLAB仿真软件进行神经网络模型的训练。
BP神经网络模型是由一个输入层，一个输出层以及一个或多个隐含层构成。在同一层中各神经元之间相互独立。输入信号从输入层神经元，依次通过各个隐含层神经元，最后传递到输出层神经元。若输出层得到的值与目标值存在误差，则执行误差反向传播操作，根据误差不断调整网络的权值和阈值，从而达到最佳效果。
本实施例选用如图10所示的四层神经网络结构，即包含两个隐含层，可提高BP神经网络模型的精度。
输入层：
Figure BDA0002398252010000141
由于每个可达域的高度hj为定值，故飞行高度不作为训练输入量，输入向量包含五个状态元素。
隐含层：通过经验和反复实验确定合适的隐含层节点数，这里选择第一个隐含层节点个数为5，第二个隐含层节点个数为4。隐含层传递函数选用双曲正切S型(Sigmoid)函数tansig，其较logsig函数具有更快的收敛速度及更广的输出范围。该函数把神经元的输出范围限制到(-1，1)区间内，表达式为：
Figure BDA0002398252010000142
其中，
Figure BDA0002398252010000143
为节点的输入值，
Figure BDA0002398252010000144
为节点的输出值。
输出层：Y＝Pmi＝[EDRmi,ECR1mi,ECR2mi,EHFmi,PHFmi]，i∈[1,n]，输出向量元素为五个滚转角参数。输出层传递函数选用线性传递函数purelin，表达式为：
Figure BDA0002398252010000145
神经网络的监督学习是调整各层节点之间的权值w和阈值B以减少网络输出误差的过程。
Figure BDA0002398252010000146
表示输入层到第一个隐含层的权值，
Figure BDA0002398252010000147
表示第一个隐含层的阈值；
Figure BDA0002398252010000148
表示两个隐含层之间的权值，
Figure BDA0002398252010000149
表示第二个隐含层的阈值；
Figure BDA00023982520100001410
表示隐含层到输出层的权值，
Figure BDA00023982520100001411
表示输出层的阈值。故隐含层和输出层的输出值如下式所示：
Figure BDA00023982520100001412
网络输出误差的度量是损失函数，神经网络的精度越差，损失函数的值就越高。本实施例属于回归问题，故损失函数采用如下式所示的均方误差：
Figure BDA00023982520100001413
其中C表示误差大小，xs表示样本，ys表示样本输出值，yp表示实际输出值，mn表示样本的总数。
Levenberg-Marquardt优化方法能通过执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点，在训练使用平方和误差类损失函数的神经网络模型时速度非常快，是使用最广泛的非线性最小二乘算法。其权值调整算法为：
Δw＝-(JTJ+λI)-1JTe (19)；
其中J为由损失函数对各个权值的一阶偏导数组成的雅可比矩阵，e为网络输出误差向量，λ为阻尼因子。当λ很大时，L-M算法中的JTJ项可以忽略，退化为梯度下降算法；当λ很小时，上式就变成了高斯-牛顿算法，在这种方法中，λ是自适应调整的。阈值的调整形式与权值相同。本发明实施例采用该算法对应的训练函数训练前向网络。
本发明实施例采用动量梯度下降算法调整各个神经元的权值和阈值，其主要思想在于对一系列梯度进行指数加权平均之后代替原梯度进行参数更新。动量梯度下降法的参数更新公式如下：
Figure BDA0002398252010000151
其中
Figure BDA0002398252010000152
是当前损失函数对权值wn和阈值Bn的偏导数(梯度)，使用指数加权平均将之前的
Figure BDA0002398252010000153
和
Figure BDA0002398252010000154
都联系起来，得到动量梯度
Figure BDA0002398252010000155
β为动量因子，影响指数加权平均数；α为学***均后的梯度含有之前梯度的信息，故减小了学习过程的振荡趋势，从而改善了收敛性。
在训练时，对训练集Q1中的输入数据矩阵和输出数据矩阵进行归一化处理，使数值归一化到[-1，1]之间，以提高网络模型的学习和训练效率。
建立反向传播算法的BP神经网络模型，设置网络训练参数如下：训练目标误差设定为1×10-7，学习率α设定为0.05，动量因子β设定为0.9，最大迭代次数设定为5000。
基于训练集Q1的数据对BP网络进行训练，经过多次迭代后，当损失函数的值收敛到设定误差范围内时，即完成BP神经网络的训练。利用测试集Q2中的数据对网络性能进行测试，最终得到三个效果较好的神经网络N1，N2，N3，分别对应可达域d1，d2，d3。
步骤五：利用制导方法对参考轨迹进行跟踪；即在存在气动系数及大气密度误差等不确定性因素的情况下，采用跟踪阻力加速度的制导方法对步骤一中生成的参考轨迹进行在线跟踪。
步骤六：完成轨迹重构；即当飞行器的实际飞行轨迹高度到达设定的航路点高度时，将飞行器的实时状态信息输入到步骤四中生成的对应航路点的神经网络，得到一组滚转角参数，代入运动学模型公式得到一条新的阻力加速度参考曲线，即重新规划出一条参考轨迹，实现快速轨迹重构；
由于再入过程存在较大的不确定干扰，使得实际飞行轨迹在到达第一个固定航路点高度h1时，实际位置会偏离参考轨迹航路点，此时，以当前飞行器状态量
Figure BDA0002398252010000161
作为输入量，输入到神经网络N1，瞬时计算输出一组滚转角曲线参数P1＝[EDR1,ECR11,ECR21,EHF1,PHF1]，得到的滚转角控制量σ1代入到运动方程，即可在线重新生成一条新的参考轨迹T1，然后控制***开始跟踪新的参考轨迹，实现轨迹重构。
智能轨迹重构算法流程图如图11所示，飞行器再入初始阶段首先通过制导指令跟踪离线生成的最优参考轨迹，但是由于存在大气环境等不确定因素的干扰，飞行器飞行的实际轨迹会偏离参考轨迹，当到达相应高度处的航路点时，将状态量输入到事先训练好的BP神经网络模型，输出一组相应的滚转角参数，将滚转角的变化情况代入运动学方程，在线生成新的参考轨迹，然后飞行器更新制导指令，跟踪新的轨迹。以此循环直到再入结束，即完成智能轨迹重构过程。
步骤七：飞行器跟踪新的轨迹，继续完成再入制导，即继续采用步骤五中的制导方法跟踪轨迹重构新生成的轨迹，更新制导指令；当实际飞行轨迹到达下一个航路点可达域时，重复步骤六的轨迹重构过程，最终完成整个再入段制导过程；
继续对新生成的参考轨迹进行跟踪，更新制导指令。当实际飞行轨迹到达第二个可达域d2，重复步骤六的轨迹重构过程。故在整个再入制导过程中进行了三次轨迹重构。经过不断对参考轨迹进行修正，使得跟踪误差始终保持在很小的范围内，极大地提高了再入制导的精度。
图12-图15为存在+20％气动系数误差的情况下，没有进行智能轨迹重构时对原参考轨迹跟踪的结果。其中图12为高度变化曲线，图13为滚转角变化曲线，图14为阻力加速度变化曲线，图15为经纬度变化曲线。
图16-图19为存在+20％气动系数误差的情况下，将上述制导方法结合本发明提出的智能轨迹重构算法进行轨迹跟踪的结果。其中图16为高度变化曲线，图17为滚转角变化曲线，图18为阻力加速度变化曲线，图19为经纬度变化曲线。
图20为两种方法经纬度变化曲线的对比。
下表1为通过智能轨迹重构算法得到的数据。
表1轨迹重构数据
Figure BDA0002398252010000171
其中滚转角参数Pj为实际再入过程中BP神经网络Nj的输出值，轨迹误差为重构后的轨迹终端位置与目标终端位置的距离。每条轨迹的终端高度和速度均满足约束。
下表2为不同制导方法的仿真结果对比。
表2仿真结果对比
Figure BDA0002398252010000172
从以上仿真结果可知，两种制导方法的再入终端点均满足高度和速度约束，而采用智能轨迹重构算法的制导方法相比传统方法大幅降低了终端位置误差，制导精度得到明显提升。
本发明方法在满足各类约束的条件下，利用神经网络提高轨迹在线生成的速度，极大地减小轨迹重构的计算时间，解决传统轨迹优化方法在线生成速度慢的问题，降低优化时间对制导性能的影响，以进一步改善再入飞行器在再入段的制导精度。包括根据飞行器再入飞行初始状态和各类约束条件，采用数值优化方法生成一条离线参考轨迹；设置航路点，计算相应的可达域；通过总结最优轨迹滚转角变化的特点，设置5个归一化参数建立最优轨迹和滚转角的联系，提出了利用搜索算法求解相应滚转角参数的优化方法，然后在可达域内选取样本数据点，离线计算得到训练数据并进行基于BP神经网络的算法训练；采用制导方法跟踪参考轨迹；到达航路点高度时，利用训练好的神经网络模型生成新的轨迹；完成轨迹重构，飞行器跟踪新的轨迹，继续完成再入制导。本发明方法在满足各类约束的条件下，利用神经网络提高轨迹在线生成的速度，极大地减小轨迹重构的计算时间，解决传统轨迹优化方法在线生成速度慢的问题，降低优化时间对制导性能的影响，以进一步改善再入飞行器在再入段的制导精度。

Claims (7)

1.飞行器智能轨迹重构再入制导方法，其特征在于，包括以下步骤：
(1)根据飞行器再入初始状态和再入终端目标约束条件，在满足路径约束和控制量约束的条件下，利用数值优化方法优化出一条参考轨迹；
(2)在步骤(1)生成的参考轨迹上选取某些高度处的飞行路径点作为执行轨迹重构的航路点，根据飞行器再入初始状态、路径约束和控制量约束，利用优化方法计算出在各个航路点高度处飞行器的可达域范围；
(3)根据制导精度需求，选择合适大小的采样密度，在得到的每个可达域范围内选取大量的数据点，基于参数化滚转角的思想，根据各个数据点的状态量，利用搜索算法得到滚转角曲线参数，即生成对应的满足终端约束的参考轨迹，因此按照一个数据点对应一组滚转角曲线参数，生成样本数据集；具体的：
使用五个归一化的参数EDR、ECR1、ECR2、EHF、PHF设计滚转角曲线，其中EDR、ECR1、ECR2、EHF为能量参数，表示滚转角发生变化的时刻；PHF为末段滚转角参数，表示末段常值滚转角的大小；对于给定的一组参数可以生成一条对应的滚转角曲线；
五个归一化的能量参数EDR、ECR1、ECR2、EHF、PHF的取值范围均为0～1；
EDR为调整滚转角大小时刻的标准能量值，参数ECR1为滚转角第一次变号时刻的标准能量值，参数ECR2为滚转角第二次变号时刻的标准能量值，参数EHF为飞行器开始进入末段高度调整的标准能量值；通过改变参数PHF的数值能够调整飞行末段常值滚转角σHF的大小，从而控制最终高度，表达式为：
σHF＝PHFσmax+(1-PHF)σmin (1)；
其中，σmin为允许的滚转角最小值，σmax为允许的滚转角最大值；
在给定再入初始状态、终端目标约束、路径约束及控制量约束下，通过遗传算法搜索得到满足要求的一组参数P(EDR，ECR1，ECR2，EHF，PHF)，然后将对应的滚转角曲线代入运动学方程，即运动学模型公式，生成一条参考轨迹；首先依据运动学方程建立滚转角参数与纵程、横程、高度和航迹角的映射关系：
P(EDR,ECR1,ECR2,EHF,PHF)→eDR(P)，eCR(P)，Fh(P)，Fγ(P) (2)；
其中，eDR(P)，eCR(P)，Fh(P)，Fγ(P)分别为飞行器的纵程误差、横程误差、终端高度和航迹角；
采用的搜索算法的主要任务，就是寻求一组合适的滚转角参数P，使之既满足上述再入过程的约束条件，又能使纵程和横程误差最小，同时尽可能增大终端高度，即满足如下三个目标函数：
Figure FDA0003330948910000021
其中，kh为高度系数，kγ为航迹角系数，γf为目标航迹角；
(4)分别将每个样本数据集中各个数据点的状态量作为输入，对应的各个滚转角参数作为输出，进行多个BP神经网络算法训练，经过多次迭代，当损失函数的值达到所要求的误差或最大迭代次数时，完成各个神经网络的训练；
(5)采用跟踪阻力加速度的制导方法对步骤(1)中生成的参考轨迹进行在线跟踪；
(6)当飞行器的实际飞行轨迹高度到达设定的航路点高度时，将飞行器的实时状态信息输入到步骤(4)中生成的对应航路点的神经网络，得到一组滚转角参数，代入运动学模型公式得到一条新的阻力加速度参考曲线，即重新规划出一条参考轨迹，实现快速轨迹重构；
(7)继续采用步骤(5)中的制导方法跟踪轨迹重构新生成的轨迹，更新制导指令；当实际飞行轨迹到达下一个航路点可达域时，重复步骤(6)的轨迹重构过程，最终完成整个再入段制导过程。
2.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(1)中采用了飞行器大气再入段三自由度运动学模型为：
Figure FDA0003330948910000022
其中，r为飞行器质心到地心的距离，即飞行器高度h和地球平均半径Re之和，V为飞行器速度，
Figure FDA0003330948910000031
为纬度，θ为经度，γ是航迹角，即速度和当地水平面的夹角，ψ是航向角，即速度在水平面上投影和正东方向之间的夹角，σ为滚转角，即飞行器关于速度矢量的转动角；g为重力加速度；
Figure FDA0003330948910000032
其中，mv为飞行器质量，S为飞行器气动参考面积，ρ为大气密度，D为阻力加速度，L为升力加速度，CD为气动阻力系数，CL为气动升力系数。
3.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(1)中再入初始状态为：
Figure FDA0003330948910000033
其中，r(t0),θ(t0),
Figure FDA0003330948910000034
V(t0),ψ(t0),γ(t0)分别为飞行器再入段初始时刻的飞行器质心到地心的距离，经度，纬度，飞行器速度，航向角，航迹角；
路径约束：
(a)热流约束为：
Figure FDA0003330948910000035
其中，
Figure FDA0003330948910000036
为热流率，kq为飞行器热流系数，ρ为大气密度，V为飞行器速度，
Figure FDA0003330948910000037
为允许的热流率上限；
(b)动压约束为：
Figure FDA0003330948910000038
其中，q为来流动压，qmax为允许的动压上限；
(c)再入过程的过载约束为：
Figure FDA0003330948910000039
其中，
Figure FDA00033309489100000310
为飞行器过载，D为阻力加速度，L为升力加速度，mv为飞行器质量，g为重力加速度，
Figure FDA00033309489100000311
为允许的过载上限；
再入终端目标约束：
(a)再入段终端条件，包括高度和速度限制：
h(tf)≥hf,V(tf)≤Vf (10)；
其中，h(tf),V(tf)分别为飞行器再入段结束时刻的高度和速度，hf,Vf分别为飞行器再入段结束时的高度和速度限制值；
(b)经纬度约束：
Figure FDA0003330948910000041
其中，θ(tf),
Figure FDA0003330948910000042
分别为飞行器再入段结束时刻的经度和纬度，θf,
Figure FDA0003330948910000043
分别为终端目标点的经度和纬度；
控制量约束：
σmin＜|σ|＜σmax (12)；
其中，σ为滚转角，σmin为允许的滚转角最小值，σmax为允许的滚转角最大值；限制滚转角的目的是给轨迹跟踪和横向制导保留一定的调整余量；
目标函数为：
J＝-khh(tf)+kγ[γ(tf)-γf]2 (13)；
其中，kh为高度系数，kγ为航迹角系数，γ(tf)为再入段结束时刻的航迹角，γf为目标航迹角。
4.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(1)中因为在再入过程中，飞行器不受人为施加的外力作用，故满足能量守恒定律，飞行器的能量由下式表示：
Figure FDA0003330948910000044
其中，r为飞行器质心到地心的距离，即飞行器高度h和地球平均半径Re之和，V为飞行器速度；
所以在到达末端能量位置时，若能使得飞行器到达终端目标高度，其终端速度也会达到要求；因此在轨迹规划中使用能量作为自变量。
5.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(3)中将得到的每个可达域划分为m个小区域，考虑到可达域范围较大，为了提高计算效率，在越接近参考轨迹的区域，划分的小区域越密集；然后在每个小区域内随机选取n个数据点，则每个可达域选取的数据点个数为mn，每个数据点的状态信息Xmi
Figure FDA0003330948910000051
以这些状态量作为再入初始状态，同样满足原先的约束条件，利用步骤(3)中的搜索算法，求解得到各组滚转角曲线参数Pmi(EDRmi，ECR1mi，ECR2mi，EHFmi，PHFmi)和对应的阻力加速度剖面Dmi，即规划出新的参考轨迹Tmi，由各个状态量和滚转角参数生成数据集Q{Xmi，Pmi}。
6.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(4)中以数据集Q中的状态量Xmi作为BP神经网络的输入，以状态量对应的滚转角曲线参数Pmi作为BP神经网络的输出，进行神经网络的训练和测试，近似得到飞行器状态量和对应的滚转角曲线参数之间的关系；将数据集Q按照合适的比例随机划分为训练集Q1和测试集Q2；每个固定高度hj，j＝1，2，…，n，的航路点可达域dj需要训练出一个相应的神经网络Nj，n为数据点个数，利用MATLAB仿真软件进行BP神经网络模型的训练；BP神经网络模型是由一个输入层，一个输出层以及一个或多个隐含层构成，在同一层中各神经元之间相互独立，输入信号从输入层神经元，依次通过各个隐含层神经元，最后传递到输出层神经元，若输出层得到的值与目标值存在误差，则执行误差反向传播操作，根据误差不断调整网络的权值和阈值，从而达到最佳效果。
7.根据权利要求1所述的飞行器智能轨迹重构再入制导方法，其特征在于，步骤(6)中由于再入过程存在较大的不确定干扰，使得实际飞行轨迹在到达第一个固定高度h1时，实际位置会偏离参考轨迹航路点，此时，以当前飞行器状态量
Figure FDA0003330948910000052
作为输入量，输入到神经网络N1，即时计算得到一组滚转角曲线参数P1＝[EDR1,ECR11,ECR21,EHF1,PHF1]，得到的滚转角控制量σ1代入到运动方程，即在线重新生成一条新的轨迹T1，然后控制***开始跟踪新的轨迹，实现轨迹重构。
CN202010141607.7A 2020-03-03 2020-03-03 飞行器智能轨迹重构再入制导方法 Active CN111351488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010141607.7A CN111351488B (zh) 2020-03-03 2020-03-03 飞行器智能轨迹重构再入制导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010141607.7A CN111351488B (zh) 2020-03-03 2020-03-03 飞行器智能轨迹重构再入制导方法

Publications (2)

Publication Number Publication Date
CN111351488A CN111351488A (zh) 2020-06-30
CN111351488B true CN111351488B (zh) 2022-04-19

Family

ID=71192543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010141607.7A Active CN111351488B (zh) 2020-03-03 2020-03-03 飞行器智能轨迹重构再入制导方法

Country Status (1)

Country Link
CN (1) CN111351488B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112114521B (zh) * 2020-07-30 2022-03-01 南京航空航天大学 航天器智能预测控制进入制导方法
CN112093078B (zh) * 2020-08-21 2022-03-22 哈尔滨工业大学 一种高精度高效率飞行器轨迹优化与制导切换方法
CN112256061A (zh) * 2020-10-30 2021-01-22 北京航空航天大学 复杂环境及任务约束下的高超声速飞行器再入制导方法
CN112507529B (zh) * 2020-11-24 2024-03-19 北京电子工程总体研究所 一种智能体燃料节省制导追踪方法
CN112597700B (zh) * 2020-12-15 2022-09-27 北京理工大学 基于神经网络的飞行器弹道仿真方法
CN112859914B (zh) * 2021-01-13 2022-04-26 中山大学 基于轨迹规划的高超声速飞行器再入安全控制方法及***
CN113031448B (zh) * 2021-03-24 2022-03-04 西安电子科技大学 基于神经网络的飞行器上升段轨迹优化方法
CN112729024B (zh) * 2021-03-31 2021-06-18 中国人民解放军国防科技大学 一种导弹助推段控制参数智能调节方法和***
CN113126643A (zh) * 2021-04-28 2021-07-16 西安电子科技大学 一种高超声速飞行器智能鲁棒再入制导方法及***
CN115372957A (zh) * 2021-05-17 2022-11-22 北京理工大学 高超声速飞行器轨迹跟踪方法
CN113483764B (zh) * 2021-07-07 2022-09-02 哈尔滨工业大学 一种基于在线传感的智能飞行器任务路径规划方法
CN113655807B (zh) * 2021-07-16 2024-02-02 北京电子工程总体研究所 一种计算空中匀变速运动目标飞行轨迹的方法
CN113671974A (zh) * 2021-07-18 2021-11-19 北京理工大学 一种跨域飞行器返回段转弯进场精确制导方法
CN113835439B (zh) * 2021-09-08 2024-03-26 中国人民解放军91776部队 一种针对初始航迹角自由的控制时间和角度的二维协同制导方法
CN114115314B (zh) * 2021-11-26 2023-05-23 北京航空航天大学 一种变体飞行器的后掠角确定方法及***
CN114510067A (zh) * 2022-01-28 2022-05-17 北京航空航天大学 一种可重复使用飞行器近似最优制导方法
CN114545976A (zh) * 2022-03-08 2022-05-27 中山大学 一种飞行器的避障飞行控制方法、装置及***
CN114896681B (zh) * 2022-03-18 2024-06-11 成都飞机工业（集团）有限责任公司 一种基于耦合盘旋爬升试飞数据的爬升性能修正方法
CN115951585B (zh) * 2023-03-08 2023-06-02 中南大学 基于深度神经网络的高超声速飞行器再入制导方法
CN117311390B (zh) * 2023-11-06 2024-03-19 天津大学 一种空天往返飞行器闭环跟踪智能组合制导方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN107450323A (zh) * 2017-09-05 2017-12-08 西北工业大学 高超声速飞行器再入段神经网络复合学习控制方法
CN107590297A (zh) * 2016-07-08 2018-01-16 北京空间技术研制试验中心 基于粒子群优化算法的飞行器再入轨迹在线规划方法
CN109808918A (zh) * 2019-01-30 2019-05-28 上海卫星工程研究所 基于神经网络的双超卫星载荷舱干扰补偿方法
CN109993224A (zh) * 2019-03-27 2019-07-09 中国人民解放军战略支援部队航天工程大学 基于深度学习与多核学习的geo卫星形状与姿态识别方法
CN110413000A (zh) * 2019-05-28 2019-11-05 北京航空航天大学 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法
CN110826288A (zh) * 2019-10-27 2020-02-21 西安电子科技大学 一种基于免疫克隆选择的再入轨迹优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2575029B (en) * 2018-06-22 2022-12-28 Ge Aviat Systems Ltd Landing on emergency or unprepared landing strip in low visibility condition

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN107590297A (zh) * 2016-07-08 2018-01-16 北京空间技术研制试验中心 基于粒子群优化算法的飞行器再入轨迹在线规划方法
CN107450323A (zh) * 2017-09-05 2017-12-08 西北工业大学 高超声速飞行器再入段神经网络复合学习控制方法
CN109808918A (zh) * 2019-01-30 2019-05-28 上海卫星工程研究所 基于神经网络的双超卫星载荷舱干扰补偿方法
CN109993224A (zh) * 2019-03-27 2019-07-09 中国人民解放军战略支援部队航天工程大学 基于深度学习与多核学习的geo卫星形状与姿态识别方法
CN110413000A (zh) * 2019-05-28 2019-11-05 北京航空航天大学 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法
CN110826288A (zh) * 2019-10-27 2020-02-21 西安电子科技大学 一种基于免疫克隆选择的再入轨迹优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Neural predictor-corrector guidance based on optimized trajectory;Zhang Kai 等;《Proceedings of 2014 IEEE Chinese Guidance, Navigation and Control Conference》;20150115;第1-6页 *
基于神经网络的重复使用助推器再入制导;齐旺 等;《第三十二届中国控制会议论文集（C卷）》;20130728;第62-66页 *
齐旺 等.基于神经网络的重复使用助推器再入制导.《第三十二届中国控制会议论文集（C卷）》.2013,第62-66页. *

Also Published As

Publication number Publication date
CN111351488A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111351488B (zh) 飞行器智能轨迹重构再入制导方法
CN110806759B (zh) 一种基于深度强化学习的飞行器航线跟踪方法
CN112114521B (zh) 航天器智能预测控制进入制导方法
CN112947592B (zh) 一种基于强化学习的再入飞行器轨迹规划方法
Han et al. Online policy iteration ADP-based attitude-tracking control for hypersonic vehicles
CN111813146B (zh) 基于bp神经网络预测航程的再入预测-校正制导方法
CN111538241B (zh) 一种平流层飞艇水平轨迹智能控制方法
CN109901598A (zh) 基于随机模型预测控制技术的自主水下机器人路径跟踪方法
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
CN112857385B (zh) 一种基于非均匀栅格模型的快速无人车局部路径规划方法
CN114199248B (zh) 一种基于混合元启发算法优化anfis的auv协同定位方法
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
CN113126643A (zh) 一种高超声速飞行器智能鲁棒再入制导方法及***
CN110309909A (zh) 一种高速大范围机动目标轨迹的智能实时预测方法
CN114819068A (zh) 一种混合型目标航迹预测方法及***
CN114370793A (zh) 一种火箭子级返回与垂直着陆制导方法
CN114895707A (zh) 基于变频蝙蝠算法的农业无人机路径规划方法及***
CN114237268A (zh) 一种基于深度强化学习的无人机强鲁棒姿态控制方法
Wu et al. Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error
CN116432539A (zh) 一种时间一致性协同制导方法、***、设备及介质
CN114943168B (zh) 一种水上浮桥组合方法及***
CN108459614B (zh) 一种基于cw-rnn网络的uuv实时避碰规划方法
Zhu et al. Multi-constrained intelligent gliding guidance via optimal control and DQN
CN115963855A (zh) 一种基于深度学习的无动力再入飞行器落区预示方法
Vianna et al. Neural Network Based Model Predictive Control for an Autonomous Vehicle

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant