CN116560403A - 多高超声速飞行器智能化时间协同制导方法、***及设备 - Google Patents
多高超声速飞行器智能化时间协同制导方法、***及设备 Download PDFInfo
- Publication number
- CN116560403A CN116560403A CN202310586938.5A CN202310586938A CN116560403A CN 116560403 A CN116560403 A CN 116560403A CN 202310586938 A CN202310586938 A CN 202310586938A CN 116560403 A CN116560403 A CN 116560403A
- Authority
- CN
- China
- Prior art keywords
- hypersonic aircraft
- guidance
- hypersonic
- collaborative
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 206010048669 Terminal state Diseases 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 241000838698 Togo Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多高超声速飞行器智能化时间协同制导方法、***及设备,涉及高超声速飞行器协同制导领域,该方法包括:根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标、飞行过程约束条件和终端约束条件;根据上述目标及约束条件确定航向角走廊及倾侧角翻转逻辑;根据航向角走廊及倾侧角翻转逻辑计算在横侧向制导中的横向协同时间调整因子;根据横向协同时间调整因子计算在纵向制导中的倾侧角剖面;根据横向协同时间调整因子和倾侧角剖面确定基于Transformer网络的深度学习框架;本发明能够在线规划高超声速飞行器轨迹,实现多高超声速飞行器智能化时间协同制导。
Description
技术领域
本发明涉及高超声速飞行器协同制导领域,特别是涉及一种多高超声速飞行器智能化时间协同制导方法、***及设备。
背景技术
高超声速飞行器在临近空间飞行时,飞行速度可达5马赫以上,具有飞行速度快,射程远,突防能力强的特点,被应用于快速远程打击领域,具有很强的战略威慑意义。近些年,多高超声速飞行器协同作战已成为研究的热点问题。多高超声速飞行器再入制导涉及如何在满足各种典型约束条件下,引导多个高超声速飞行器实现对目标的协同时间攻击,从而完成对目标的毁灭性打击。随着人工智能技术的发展,深度学习已成为近些年来解决计算延迟问题的有效途径,如何利用深度学习算法解决高超声速飞行器在线轨迹规划问题、缩短在线规划时间也是一个值得关注的研究热点。
协同制导在多导弹任务中已经有了成熟的理论研究与应用。然而,对于高超声速飞行器来说,由于其复杂的非线性模型、极快的飞行速度、随时间快速变化的飞行环境,传统的协同制导控制方法无法直接应用于高超声速飞行器的再入段飞行。近年来,一些学者也对多高超声速飞行器的协同制导问题进行了研究。于江龙等人中提出了一种考虑攻击时间和攻击角度的多高超声速飞行器协同制导策略,该策略将规划问题分为两个阶段,在滑翔再入阶段,攻角的协同是通过控制倾侧角来实现的,在末制导阶段,攻击时间的协同是由控制攻角实现的。然而,滑翔再入阶段没有考虑协同攻击时间的限制,机载计算机的计算能力严重影响了计划时间。李振华等人分析了多高超声速飞行器再入飞行的时间范围,并研究了多高超声速飞行器的时间协作再入制导算法。但是,从本质上讲,这种方法是根据每个高超声速飞行器的能力计算一个协同时间,然后各高超声速飞行器分别实现协同时间约束。一旦高超声速飞行器在任务过程中遇到未知扰动,多高超声速飞行器就无法保证相同的到达时间。此外,这种方法计算量大,存在难以克服的计算延迟问题。因此,研究高超声速飞行器智能化协同时间规划问题并进行仿真验证是有待解决的技术难题。
发明内容
本发明的目的是提供一种多高超声速飞行器智能化时间协同制导方法、***及设备,能够实现在线轨迹规划,实现多高超声速飞行器同时到达终端区域。
为实现上述目的,本发明提供了如下方案:
第一方面,本发明提供了一种多高超声速飞行器智能化时间协同制导方法,包括:
建立高超声速飞行器的动力学模型和运动学模型;
根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件;
根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑;
根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子;
根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面;
根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
第二方面,本发明提供了一种多高超声速飞行器智能化时间协同制导***,包括:
动力学模型和运动学模型建立模块,用于建立高超声速飞行器的动力学模型和运动学模型;
目标和约束条件确定模块,用于根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件;
航向角走廊及倾侧角翻转逻辑确定模块,用于根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑;
横向协同时间调整因子计算模块,用于根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子;
倾侧角剖面计算模块,用于根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面;
基于Transformer网络的深度学习框架确定模块,用于根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
第三方面,本发明提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的多高超声速飞行器智能化时间协同制导方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种多高超声速飞行器智能化时间协同制导方法、***及设备,其目的是基于预测校正制导方法,通过横侧向制导粗略调整再入时间,通过纵向制导实现多高超声速飞行器再入时间的协同。通过传统预测校正算法作为训练集,设计基于Transformer的神经网络,使多高超声速飞行器能够通过神经网络在线生成倾侧角控制量,实现在线轨迹规划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的多高超声速飞行器智能化时间协同制导方法的流程示意图;
图2为本发明实施例提供的三枚高超声速飞行器地面轨迹图;
图3为本发明实施例提供的三枚高超声速飞行器飞行过程中的高度与去量纲化后的能量曲线图;
图4为本发明实施例提供的三枚高超声速飞行器飞行过程中的倾侧角与去量纲化后的能量曲线图;
图5为本发明实施例提供的三枚高超声速飞行器飞行过程中三维轨迹图;
图6为本发明实施例提供的基于Transformer网络的深度学习框架结构图;
图7为本发明实施例提供的训练过程的损失函数示意图;
图8为本发明实施例提供的验证过程损失函数示意图;
图9为本发明实施例提供的利用训练后的神经网络(即基于Transformer网络的深度学习框架)进行多高超声速飞行器在线轨迹规划的地面轨迹图;
图10为本发明实施例提供的三枚高超声速飞行器在线规划过程中的高度与去量纲化后的能量曲线图;
图11为本发明实施例提供的第一枚高超声速飞行器在线轨迹规划过程中的倾侧角控制量结果以及与传统预测校正方法对比结果图;
图12为本发明实施例提供的第二枚高超声速飞行器在线轨迹规划过程中的倾侧角控制量结果以及与传统预测校正方法对比结果图;
图13为本发明实施例提供的第三枚高超声速飞行器在线轨迹规划过程中的倾侧角控制量结果以及与传统预测校正方法对比结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对具有协同时间约束的高超声速飞行器滑翔段在线轨迹规划问题,提供了一种多高超声速飞行器智能化时间协同制导方法、***及设备。考虑多枚高超声速飞行器协同时间到达终端区域,在飞行过程中需要满足热流约束、过载约束、动压约束、准平衡滑翔约束,提出了基于Transformer的神经网络的在线轨迹规划方法,有效缩短了在线规划时间,方法更具鲁棒性、更加符合实际应用场景且可以应用于在线实时规划,给出了Matlab软件下的仿真验证实验,证明本发明的有效性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供的一种多高超声速飞行器智能化时间协同制导方法的主要实施步骤如下所示。
步骤101:建立高超声速飞行器的动力学模型和运动学模型。
本实施例选择CAV-H模型,以类能量变量作为自变量,建立高超声速飞行器的动力学模型,具体如下所示:
其中,θ,φ表示高超声速飞行器的经度和纬度,V表示去量纲化后的高超声速飞行器速度,R表示去量纲化后的高超声速飞行器距离地心的距离,γ表示弹道倾角,ψ表示航向角,σ表示高超声速飞行器的倾侧角,Ω表示去量纲化后的地球自转角速度,表示去量纲化后的高超声速飞行器加速度,/>表示去量纲化后的高超声速飞行器阻力加速度。
将高超声速飞行器的攻角为速度的线性函数确定为高超声速飞行器的运动学模型,其表达式如下所示:
其中,α为高超声速飞行器飞行过程中的攻角。
为了保证积分精度,对变量去量纲操作如表1所示。
表1对变量去量纲操作表
其中,地球半径R0=6378140m,地球表面的重力加速度g0=9.807m/s2,由于经度、纬度、航向角、弹道倾角等变量均以弧度为单位,不需要进行去量纲处理。
步骤102:根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件。
对于多高超声速飞行器协同时间规划目标,给出的定义为:考虑M个高超声速飞行器,对于任意第i个高超声速飞行器,如果第i个高超声速飞行器到达终端区域的时刻则认为M个高超声速飞行器实现时间协同的目标。
同时,高超声速飞行器在飞行过程中还需要满足飞行过程约束条件,具体而言,还需要满足过载约束条件、热流密度约束条件、动压约束条件及准平衡滑翔约束条件,可以表达为:
q=0.5ρV2≤qmax。
其中,是热流密度,n是飞行过程中的过载,q是飞行过程中的动压,ρ为高超声速飞行器当前位置的大气密度。
对于高超声速飞行器,其还需要满足终端约束条件,具体而言,其需要满足终端待飞航程约束条件、经纬度约束条件、时间约束条件、高度约束条件及航向角约束条件,即:
其中,下标f,i代表第i个高超声速飞行器飞行器的终端状态,上标*表示第i个高超声速飞行器终端状态变量的值,例如,hi(ef,i)代表了第i个高超声速飞行器在终端能量ef,i下的高度,其期望值为同理,θ、φ分别代表了经度、纬度。t、ψ、stogo分别代表了时间、航向角和待飞航程。其中协同时间约束值由公式/>给出。
步骤103:根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑。
根据步骤102所述的多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,设计如下的航向角走廊及倾侧角翻转逻辑:
其中,sgn(σi)为当前制导回合中倾侧角的符号,Δψi=ψi-ψLOS,i为第i个高超声速飞行器的航向角偏差,ψi为第i个高超声速飞行器的航向角,ψLOS,i为第i个高超声速飞行器观察目标的视线角;为高超声速飞行器观察目标的视线角,Δψmax,i为第i个高超声速飞行器航向角走廊的上边界,Δψmin,i为第i个高超声速飞行器航向角走廊的下边界,σp,i为第i个高超声速飞行器上一个制导回合中的倾侧角;上标*为第i个高超声速飞行器终端状态变量的值,θi,φi分别为第i个高超声速飞行器的经度和纬度。
下面给出航向角走廊的设计方法。
Step1:根据高超声速飞行器初始状态确定能够到达终端区域的初始边界值Δψinit,i及航向角走廊转折点(θm,i,|Δψm,i|)。
Step2:根据终端航向角偏差确定航向角走廊终端航向角大小,取|Δψ(ef,i)|=0.8Δψerror,i;Δψ(ef,i)表示第i个高超声速飞行器期望终端航向角,Δψerror,i表示第i个高超声速飞行器期望终端航向角的0.8倍。
Step3:若第i个高超声速飞行器当前经度θi小于航向角走廊转折点(θm,i,|Δψm,i|),即θi<θm,i,则修正航向角走廊的航向角偏差为:
若高超声速飞行器经度大于航向角走廊转折点(θm,i,|Δψm,i|),即θi>θm,i,则修正航向角走廊的航向角偏差为:
|Δψi|=Kρ,i/θ(ei)+|Δψ(ef,i)|-Kρ/θ(ef,i)。
其中,Δψ(ef,i)设置为期望终端航向角的0.8倍,Kρ,i是第i个高超声速飞行器横向协同时间调整因子,在步骤104中进行设计。
步骤104:根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子。
根据步骤103所述的航向角走廊及倾侧角翻转逻辑,利用牛顿迭代法,计算在横侧向制导中的横向协同时间调整因子Kρ,i,具体如下。
在横侧向制导中,只以时间作为迭代变量,建立的倾侧角幅值剖面为由三点{σ0,i(e0,i),σmid,i(emid,i),σf,i(ef,i)}构成的线性函数,其中σ0,i为第i个高超声速飞行器初始能量值,σf,i为第i个高超声速飞行器终端能量值,σmid,i=(σ0,i+σf,i)/2。σi(ei)为第i个高超声速飞行器在能量e下倾侧角的幅值。以σ0,i(e0,i)为例,它表示第i个高超声速飞行器在初始能量下的初始倾侧角幅值。定义第i个高超声速飞行器横向协同时间误差为
利用牛顿迭代法搜索第i个高超声速飞行器大致满足协同时间约束的横向时间调整因子Kρ,i,迭代的终止条件为迭代方法如下:
其中,ηk=1/2λ,(λ=0,1,2…)是为满足的迭代调整因子。
步骤105:根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面。
在纵向制导中,以待飞航程、协同时间和航向角作为迭代变量,对于第i个高超声速飞行器建立的倾侧角幅值剖面为由五点{σ0,i(e0,i),σ1,i(e1,i),σ2,i(e2,i),σ3,i(e3,i),σf,i(ef,i)}构成的线性函数,迭代变量选为σ1,i,σ2,i,σ3,i,其中j=1,2,3表示第i个高超声速飞行器飞行过程中的三个不同的能量值,σi(ei)为第i个高超声速飞行器在能量e下倾侧角的幅值。以σ0,i(e0,i)为例,他表示第i个高超声速飞行器在初始能量下的初始倾侧角幅值。定义第i个高超声速飞行器待飞航程误差为定义第i个高超声速飞行器航向角误差为Gi(σ1,i,σ2,i,σ3,i)=ψi(ef,i)-ψi *,定义第i个高超声速飞行器协同时间误差为
利用牛顿迭代法搜索第i个高超声速飞行器满足待飞航程约束的倾侧角剖面变量σ1,i,σ2,i,σ3,i,迭代的终止条件为Fi(σ1,i,σ2,i,σ3,i)<terror,i,Ji(σ1,i,σ2,i,σ3,i)<stogoerror,i,Gi(σ1,i,σ2,i,σ3,i)<ψerror,i其中stogoerror,i、ψerror,i、terror,i为第i个高超声速飞行器所允许的最大待飞航程误差、航向角误差和协同时间误差,迭代方法如下:
。其中,ηk=1/2λ,(λ=0,1,2…)是为满足迭代后误差小于迭代前的迭代调整因子。
步骤106:根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面生成的轨迹作为训练集,对基于Transformer网络的深度学习网络训练,得到基于Transformer网络的深度学习框架,从而实现智能化在线轨迹快速规划。
本实施例中,根据基于Transformer网络的深度学习框架,利用Matlab对其进行数值仿真验证其有效性,并与传统方法进行对比其规划速度。
本发明提出了一种多高超声速飞行器智能化时间协同制导方法,使得多高超声速飞行器能够在实现过载、热流密度、动压、准平衡滑翔条件约束及终端待飞航程约束下,实现在线快速轨迹规划。该方法的主要优点如下:1)该方法能够在满足终端攻击角度约束的情况下,实现多高超声速飞行器再入时间的协同。2)该方法能够在满足过载、热流密度、动压及准平衡滑翔条件约束的情况下规划出合理的高超声速飞行器滑翔轨迹,满足终端待飞航程约束。3)该方法利用人工智能深度学习网络,有效提高了弹道规划速度,解决了高超声速飞行器计算延迟问题,具有较好的在线规划能力及较强的鲁棒性。
以下通过一个具体的多高超声速飞行器时间协同制导规划的实例来验证本实施例所提出方法的有效性。本实例的具体实施步骤如下:
(1)高超声速飞行器***设置
考虑由3个初始条件不同的高超声速飞行器组成的高超声速飞行器***,高超声速飞行器模型采用CAV-H模型,质量为907kg,气动参考面积为0.484m2。它们需要在满足飞行过程约束条件的同时飞至终端区域,同时满足终端待飞航程约束条件。高超声速飞行器的初始条件如表2所示。飞行过程中的过载、热流密度、动压及准平衡滑翔条件约束如表3所示,其中,为便于倾侧角剖面的规划,将约束转化为对于倾侧角的约束,并求得最大倾侧角约束为80°,这一条件相较于转化前的约束来说更加严格。终端区域经纬度为(θf,φf)=(94°,0°),终端待飞航程误差最大容许值为stogoerror=3km,航向角误差最大容许值为ψerror=3°,时间误差最大容许值为terror=5s。
表2高超声速飞行器初始条件表
表3飞行过程中的过载、热流密度、动压及准平衡滑翔条件约束表
(2)协同时间预测校正制导仿真分析
在本实例中,令地球半径R0=6378140m,地球表面的重力加速度g0=9.807m/s2。三枚高超声速飞行器地面轨迹图如图2所示。图3表示三枚高超声速飞行器飞行过程中的高度与去量纲化后的能量曲线图。图4表示三枚高超声速飞行器飞行过程中的倾侧角与去量纲化后的能量曲线图。图5表示三枚高超声速飞行器飞行过程中三维轨迹图,可以看出,高超声速飞行器在本发明所提出的算法下实现了在满足飞行约束德情况下抵达终端区域,迭代得到的协同时间为待飞航程误差、航向角误差、协同时间误差如表4所示,满足最大航程误差、航向角误差、协同时间误差要求。本实例验证了所提出方法的有效性。
表4待飞航程误差、航向角误差、协同时间误差表
Δψ(°) | Δt(s) | Δstogo(km) | Δh(m) | |
飞行器1 | -2.31 | 0.03 | 0.45 | -84.42 |
飞行器2 | 1.34 | 0.04 | -0.53 | -63.34 |
飞行器3 | 2.75 | 0.07 | -1.54 | -91.02 |
(3)智能化在线轨迹规划方法仿真分析
在本实例中,设计了基于Transformer的在线轨迹规划深度学习神经网络,网络的结构框架如图6所示。网络的输入为三枚高超声速飞行器的状态量Xinput={R,θ,φ,γ,ψ},网络中包括输入位置编码层、六个编码层及输出层,输出为三枚高超声速飞行器的倾侧角控制量,训练过程的损失函数及验证过程损失函数如图7、图8所示,训练集的损失函数可以收敛到0.05,测试集的损失函数可以收敛到0.06,图9给出了利用训练后的神经网络(即基于Transformer网络的深度学习框架)进行多高超声速飞行器在线轨迹规划的地面轨迹图,图10表示三枚高超声速飞行器在线规划过程中的高度与去量纲化后的能量曲线图,图11-图13分别给出了三枚高超声速飞行器在线轨迹规划过程中的倾侧角控制量结果,并与传统预测校正方法进行了对比。表4给出了智能化在线轨迹规划方法与传统预测校正轨迹规划方法的规划时间对比,可以看出,智能化方法可以有效缩短规划时间。验证了所提出的基于Transformer的在线规划方法的有效性和实时性。
表5智能化在线轨迹规划方法与传统预测校正轨迹规划方法的规划时间对比表
规划平均时间 | 最长规划时间 | |
预测校正方法 | 4.79s | 7.96s |
基于Transformer的在线规划方法 | <0.01s | 0.01s |
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种多高超声速飞行器智能化时间协同制导***。
本实施例提供的一种多高超声速飞行器智能化时间协同制导***,包括:
动力学模型和运动学模型建立模块,用于建立高超声速飞行器的动力学模型和运动学模型。
目标和约束条件确定模块,用于根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件。
航向角走廊及倾侧角翻转逻辑确定模块,用于根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑。
横向协同时间调整因子计算模块,用于根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子。
倾侧角剖面计算模块,用于根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面。
基于Transformer网络的深度学习框架确定模块,用于根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的多高超声速飞行器智能化时间协同制导方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的多高超声速飞行器智能化时间协同制导方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多高超声速飞行器智能化时间协同制导方法,其特征在于,包括:
建立高超声速飞行器的动力学模型和运动学模型;
根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件;
根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑;
根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子;
根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面;
根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
2.根据权利要求1所述的一种多高超声速飞行器智能化时间协同制导方法,其特征在于,所述多高超声速飞行器协同时间规划目标为考虑M个高超声速飞行器,对于任意第i个高超声速飞行器,如果第i个高超声速飞行器到达终端区域的时刻则认为M个高超声速飞行器实现时间协同的目标。
3.根据权利要求1所述的一种多高超声速飞行器智能化时间协同制导方法,其特征在于,所述飞行过程约束条件包括过载约束条件、热流密度约束条件、动压约束条件及准平衡滑翔约束条件;所述终端约束条件包括终端待飞航程约束条件、经纬度约束条件、时间约束条件、高度约束条件及航向角约束条件。
4.根据权利要求1所述的一种多高超声速飞行器智能化时间协同制导方法,其特征在于,所述航向角走廊及倾侧角翻转逻辑为:
其中,Δψi=ψi-ψLOS,i为第i个高超声速飞行器的航向角偏差,ψi为第i个高超声速飞行器的航向角,ψLOS,i为第i个高超声速飞行器观察目标的视线角,Δψmax,i为航向角走廊的上边界,Δψmin,i为航向角走廊的下边界,σp,i为上一个制导回合中的倾侧角,sgn(σi)为当前制导回合中倾侧角的符号。
5.根据权利要求1所述的一种多高超声速飞行器智能化时间协同制导方法,其特征在于,根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子,具体包括:
根据航向角走廊及倾侧角翻转逻辑,利用牛顿迭代法,计算在横侧向制导中的横向协同时间调整因子。
6.根据权利要求1所述的一种多高超声速飞行器智能化时间协同制导方法,其特征在于,根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架,具体包括:
根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面生成的轨迹作为训练集,对基于Transformer网络的深度学习网络训练,得到基于Transformer网络的深度学习框架。
7.一种多高超声速飞行器智能化时间协同制导***,其特征在于,包括:
动力学模型和运动学模型建立模块,用于建立高超声速飞行器的动力学模型和运动学模型;
目标和约束条件确定模块,用于根据高超声速飞行器的动力学模型和运动学模型,确定多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件;
航向角走廊及倾侧角翻转逻辑确定模块,用于根据多高超声速飞行器协同时间规划目标,以及,飞行过程约束条件和终端约束条件,确定航向角走廊及倾侧角翻转逻辑;
横向协同时间调整因子计算模块,用于根据航向角走廊及倾侧角翻转逻辑,计算在横侧向制导中的横向协同时间调整因子;
倾侧角剖面计算模块,用于根据横向协同时间调整因子,计算在纵向制导中的倾侧角剖面;
基于Transformer网络的深度学习框架确定模块,用于根据在横侧向制导中的横向协同时间调整因子和在纵向制导中的倾侧角剖面,确定基于Transformer网络的深度学习框架;所述基于Transformer网络的深度学习框架用于在线规划高超声速飞行器轨迹,以实现多高超声速飞行器智能化时间协同制导。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的一种多高超声速飞行器智能化时间协同制导方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586938.5A CN116560403A (zh) | 2023-05-24 | 2023-05-24 | 多高超声速飞行器智能化时间协同制导方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586938.5A CN116560403A (zh) | 2023-05-24 | 2023-05-24 | 多高超声速飞行器智能化时间协同制导方法、***及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116560403A true CN116560403A (zh) | 2023-08-08 |
Family
ID=87498037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586938.5A Pending CN116560403A (zh) | 2023-05-24 | 2023-05-24 | 多高超声速飞行器智能化时间协同制导方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116560403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786534A (zh) * | 2024-01-22 | 2024-03-29 | 哈尔滨工业大学 | 基于深度学习的高超声速飞行器运动行为识别方法及*** |
-
2023
- 2023-05-24 CN CN202310586938.5A patent/CN116560403A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786534A (zh) * | 2024-01-22 | 2024-03-29 | 哈尔滨工业大学 | 基于深度学习的高超声速飞行器运动行为识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahimi et al. | Particle swarm optimization applied to spacecraft reentry trajectory | |
Karimi et al. | Optimal maneuver-based motion planning over terrain and threats using a dynamic hybrid PSO algorithm | |
CN106444799A (zh) | 基于模糊扩张状态观测器和自适应滑模的四旋翼无人机控制方法 | |
CN114253296B (zh) | 高超声速飞行器机载轨迹规划方法、装置、飞行器及介质 | |
Hafer et al. | Sensitivity methods applied to orbital pursuit evasion | |
Wang et al. | Nonlinear aeroelastic control of very flexible aircraft using model updating | |
CN113126643A (zh) | 一种高超声速飞行器智能鲁棒再入制导方法及*** | |
CN109871031A (zh) | 一种固定翼无人机的轨迹规划方法 | |
CN112631316B (zh) | 变负载四旋翼无人机的有限时间控制方法 | |
CN110276144A (zh) | 一种垂直起降运载器气动参数在线辨识方法 | |
CN116560403A (zh) | 多高超声速飞行器智能化时间协同制导方法、***及设备 | |
CN113268084B (zh) | 一种无人机编队智能容错控制方法 | |
CN112327926B (zh) | 一种无人机编队的自适应滑模控制方法 | |
CN111813146A (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
CN104536448B (zh) | 一种基于Backstepping法的无人机姿态***控制方法 | |
CN116680509A (zh) | 一种用于多航天器追逃博弈任务的动态匹配方法 | |
CN107817818A (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
Wang et al. | Intelligent control of air-breathing hypersonic vehicles subject to path and angle-of-attack constraints | |
Lyu et al. | Dynamic surface control design of post-stall maneuver under unsteady aerodynamics | |
US11029709B1 (en) | Adaptive wind estimation, trajectory generation, and flight control for aerial systems using motion data | |
CN106292297A (zh) | 基于pid控制器和l1自适应控制器的姿态控制方法 | |
CN114815878B (zh) | 基于实时优化和深度学习的高超声速飞行器协同制导方法 | |
Xian et al. | An Intelligent Attitude Control Method for UAV Based on DDPG Algorithm | |
CN115857548A (zh) | 一种基于深度强化学习的末制导律设计方法 | |
CN112506209B (zh) | 一种基于自适应预测周期的再入飞行器预测控制方法 |
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 |