CN112800546A - 一种火箭垂直回收状态可控性分析方法和装置 - Google Patents

一种火箭垂直回收状态可控性分析方法和装置 Download PDF

Info

Publication number
CN112800546A
CN112800546A CN202110122983.6A CN202110122983A CN112800546A CN 112800546 A CN112800546 A CN 112800546A CN 202110122983 A CN202110122983 A CN 202110122983A CN 112800546 A CN112800546 A CN 112800546A
Authority
CN
China
Prior art keywords
rocket
controllability
analysis model
vertical
speed
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.)
Granted
Application number
CN202110122983.6A
Other languages
English (en)
Other versions
CN112800546B (zh
Inventor
龚胜平
宋雨
程林
苗新元
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110122983.6A priority Critical patent/CN112800546B/zh
Publication of CN112800546A publication Critical patent/CN112800546A/zh
Application granted granted Critical
Publication of CN112800546B publication Critical patent/CN112800546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/30—Administration of product recycling or disposal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种火箭垂直回收状态可控性分析方法和装置。所述方法包括：获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；基于预设可控性判据分析模型获取所述火箭的状态量对应的临界竖直速度；确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控；其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系。该方法能够实时、准确对火箭垂直回收可控性进行分析。

Description

一种火箭垂直回收状态可控性分析方法和装置
技术领域
本发明涉及信息处理技术领域，特别涉及一种火箭垂直回收状态可控性分析方法和装置。
背景技术
随着可重复使用的火箭飞行器的面世，火箭垂直回收技术成为研究的热门。火箭一子级在完成发射任务后再入返回时，受到稠密大气等诸多不确定的干扰，对精确着陆制导算法带来了严峻的考验。由于起始条件的不确定性，且火箭下降的时间较短，传统算法无法满足强自适应性、实时性等需求。
现阶段，有关火箭垂直回收以及行星动力软着陆问题的制导算法，通常以某种性能指标为目标函数，通过在线迭代求解，实时更新制导方案。
相对于早年的阿波罗月球着陆，火箭垂直回收问题中，由于诸多未知环境扰动的存在，制导算法的输入条件具有更大的不确定性。垂直回收制导方案在线更新时，如果火箭当前状态已经处于最优控制问题收敛域之外，则最优控制问题会出现无解或者不收敛的情况，导致在线制导方案更新失败。
因此，如何对火箭垂直回收状态的可控性进行分析，以确定火箭的状态是否在可控范围内尤为重要。
发明内容
有鉴于此，本申请提供一种火箭垂直回收状态可控性分析方法和装置，能够实时、准确对火箭垂直回收可控性进行分析。
为解决上述技术问题，本申请的技术方案是这样实现的：
在一个实施例中，提供了一种火箭垂直回收状态可控性分析方法，所述方法包括：
获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
基于预设可控性判据分析模型获取所述火箭的状态量对应的临界竖直速度；
确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控；
其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系。
在另一个实施例中，提供了一种火箭垂直回收初始状态可控性分析装置，所述装置包括：存储单元、第一获取单元、第二获取单元和确定单元；
所述存储单元，用于存储预设可控性判据分析模型；其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系；
所述第一获取单元，用于获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
所述第二获取单元，用于基于所述存储单元存储的预设可控性判据分析模型获取所述第一获取单元获取的火箭的状态量对应的临界竖直速度；
所述确定单元，用于确定第一获取单元获取的竖直方向的速度是否小于所述第二获取单元获取的临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控。
在另一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述火箭回收可控性分析方法的步骤。
在另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述火箭回收可控性分析方法的步骤。
由上面的技术方案可见，上述实施例中通过建立的预设可控性判据分析模型确定火箭当前状态下的临界竖直速度，以确定火箭当前的竖直方向的速度是否超出所述临界竖直速度，若超过，则确定所述火箭不再可控性内，通知控制火箭的装置以对火箭的状态进行相应调整。该方案能够实时、准确对火箭垂直回收状态的可控性进行分析。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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为本申请实施例中获取预设可控性判据分析模型的流程示意图；
图2为坐标系定义及火箭路径和推力可行域约束示意图；
图3为本申请实施例中获取训练样本流程示意图；
图4为本申请实施例中可控性判据的输入输出参数映射神经网络示意图；
图5为本申请实施例中火箭垂直回收可控性分析流程示意图；
图6为给定高度不同横向位置对应的竖直最大可控速度示意图；
图7为给定竖直速度不同横向位置允许的最小可控高度对应的示意图；
图8为本申请实施例中应用于上述技术装置结构示意图；
图9为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中提供一种火箭垂直回收状态可控性分析方法，通过建立的预设可控性判据分析模型确定火箭当前状态下的临界竖直速度，以确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控。该方案能够实时、准确对火箭垂直回收可控性进行分析。
本申请实施例需要预先建立预设可控性判据分析模型；其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系
下面给出获取预设可控性判据分析模型的过程：
参见图1，图1为本申请实施例中获取预设可控性判据分析模型的流程示意图。具体步骤为：
步骤101，获取训练样本；其中，所述训练样本包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度。
其中，质量为火箭的质量，位置矢量为xyz坐标系中，x、y、z三个方向位移量，水平方向的两个速度为x、z两个方向的速度，竖直方向的速度为y方向的速度。
本申请实施例中可以采集火箭在可控性边界运行(真实场景或模拟场景)时的数据作为训练样本，也可以自行生成训练样本，采集样本的具体方式不进行限制，本申请实施例中给出一种生成训练样本的具体实现方式，但不限于下述方式：
针对火箭垂直回收动力着陆段问题，可以建立如图2所示的坐标系，图2为坐标系定义及火箭路径和推力可行域约束示意图。图2中定义火箭质心运动的三维坐标系，并定义火箭运动轨迹需要满足的路径约束，以及推力指向约束。火箭在着陆飞行过程中质心的动力学方程为：
Figure BDA0002922715020000051
其中r，v和m分别表示火箭的位置矢量、速度矢量和质量；g表示重力加速度矢量，本申请中视为常值向量；Isp表示火箭发动机的比冲，g0表示地球海平面重力常量；u和nT分别表示火箭推力的大小和方向：
Figure BDA0002922715020000052
其中，u表示推力矢量，θ和
Figure BDA0002922715020000053
为描述推力方向的两个角度；i，j和k分别表示三个坐标轴方向上的单位矢量。
受到火箭发动机幅值特性和摆角特性的约束，本申请中涉及的推力大小和方向需满足的约束(即控制量可行域)为：
Figure BDA0002922715020000054
其中，Tmax和Tmin分别表示推力幅值的最大和最小值，θmax表示推力方向与重力方向的最大夹角，如附图2所示。
为了保证火箭在着陆飞行中横向运动分量随高度的下降而逐步减小，以最终接近垂直实现着陆，将火箭的运动轨迹施加如下路径约束：
Figure BDA0002922715020000055
其中γ表示路径约束的极限角，如附图2所示；rx，ry和rz分别表示位置矢量的三轴分量。
同时，为了实现精确软着陆，火箭垂直回收的起始时间和着陆时刻满足的状态约束为：
Figure BDA0002922715020000061
Figure BDA0002922715020000062
其中，t0和tf分别表示着陆起始时刻和最终时刻，r0、v0和m0分别表示起始时刻的位置、速度矢量和火箭质量，rf和vf为着陆时刻期望的位置和速度矢量，在本申请所建立的坐标系中均为0。
以燃料最优为目标函数，建立燃料最优问题的性能指标为
Figure BDA0002922715020000063
通过引入协态变量，建立系统的Hamilton方程如下
Figure BDA0002922715020000064
根据庞特里亚金极小值条件，通过对式(8)求极值即可得到如下最优控制律：
Figure BDA0002922715020000065
Figure BDA0002922715020000066
其中ρ表示开关函数
Figure BDA0002922715020000067
性能指标式(7)、约束(1)-(4)、边界条件(5)-(6)共同构成了火箭垂直回收着陆段燃料最优控制问题模型。通过分析开关函数的单调性及符号变化，可得开关机函数最多发生两次符号变化，即推力幅值曲线仅存在“Tmin-Tmax”、“Tmax-Tmin-Tmax”、“Tmax”三种情况，且最后一段为推力满开段。
本申请旨在分析燃料最优前提下火箭垂直回收的可控性，即火箭发动机在推力满开的前提下，能保证以燃料最优的方式安全、精确、稳定地实现着陆。因此，需要分析上述最优控制问题，在推力幅值取Tmax时，初始状态中r0，v0和m0满足的关系，即本申请所定义的燃料最优前提下，火箭垂直回收初始状态的可控性。由于该可控性维数较高，很难通过解析的方法得到显式的可控性判据，现有手段均采用数值方法，通过大量求解上述最优控制问题来进行可控性的分析。
本申请采用深度神经网络进行可控性性判据的拟合。由于深度神经网络训练需要大量的训练数据，而直接求解上述最优控制问题生成训练数据的方法效率很低，因此本申请提供一种采用逆向积分的方式生成离线学习数据。定义逆向时间独立变量：
Figure BDA0002922715020000071
则逆问题的正则方程、容许集及路径约束与式(1)-式(6)形式一致。
考虑火箭垂直回收接近落点时的姿态约束，推力方向接近重力方向的反向，因此推力方向角度约束不活跃，根据式(9)的最优控制律，有
Figure BDA0002922715020000072
基于上述问题分析，任意给定一组[λr,λv(τ0),m(τ0)]，以及积分时间Δt＝τf-τ0，则可以积分确定一条样本轨迹。对上述7维参数进行任意随机的组合，即可得到不同随机初始状态的逆问题轨迹。
基于上述分析，本申请实施例中给出的采用逆向积分的方式获取训练样本，具体实现如下：
参见图3，图3为本申请实施例中获取训练样本流程示意图。具体步骤为：
步骤301，设置多组样本初值；所述样本初值包括：位置协态变量、速度协态变量、质量和积分时间。
每组样本数据包括位置协态变量λr、速度协态变量λv(τ0)、质量m(τ0)和积分时间Δt＝τf-τ0。
步骤302，针对每组样本初值在对应的积分时间对位置协态变量、速度协态变量和质量进行积分获得一条样本轨迹，并基于所述样本轨迹选择多个样本点。
针对每组样本初值进行积分时，可以获得一条样本轨迹，针对该样本轨迹可以选择多个点，每个点可以作为一个样本点，每个样本点对应7个参数，分别为：质量m、位置矢量[rx,ry,rz]、水平方向的两个速度[vx,vz]和竖直方向的速度vy。
具体实现时，不限制针对每条样本轨迹选择样本点的个数，也不限制选择方式，如可以等时间间隔选择50个等。
步骤303，将选择的所有样本点作为训练样本。
至此，完成训练样本的生成。
步骤102，基于深度神经网络设置初始可控性判据分析模型。
其中，所述初始可控性判据分析模型由输入层、隐含层和输出层组成；所述输入层为1层6个节点，所述隐含层为5层256个节点，所述输出层为1层1个节点；
输入层的6个节点对应质量、位置矢量、水平方向的两个速度，输出层的1个节点对应竖直方向的速度。
步骤103，利用获取的训练样本训练所述初始可控性判据分析模型获取预设可控性判据分析模型。
训练模型过程为训练模型中的相关参数，初始可控性判据分析模型和预设可控性判据分析模型对应的神经网络架构相同。
参见图4，图4为本申请实施例中可控性判据的输入输出参数映射神经网络示意图。图4中包括输入层、输出层和隐含层；所述输入层为1×6Linear，隐含层为5×256ReLU，所述输出层为1×1Linear。
输入层对应的6个输入参数为位置矢量[rx,ry,rz]、、水平方向的两个速度[vx,vz]和质量m；输出参数为竖直方向的速度vy。
至此完成预设可控性判据分析模型的建立，在后续可以根据需要使用新获取的训练样本再次训练所述预设可控性判据分析模型，也可以不再训练，本申请实施例对此不进行限制。
下面结合附图，详细描述本申请实施例中实现火箭回收可控性分析过程。
本申请实施例中火箭回收可控性分析方法可以应用于实际火箭发射场景中，也可应用于模拟火箭发射场景中。
参见图5，图5为本申请实施例中火箭垂直回收可控性分析流程示意图。具体步骤为：
步骤501，获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度。
若应用于实际火箭发射场景中，则由火箭将状态量传回到火箭回收可控性分析装置上；
若应用于模拟火箭发射场景中，则由模拟设备发送火箭的状态量。
在具体实现过程中，获取火箭的状态量时，若获取的位置矢量和速度为区间范围时，所述方法进一步包括：
通过在任务预计的特定空间范围内取点的方式，利用预设可控性判据分析模型获取对应的临界竖直速度。
如横向位置范围为±1000m，可以在x轴和z轴分别等间隔(20m)取点，但不限于这种等间隔取点的方式。
步骤502，基于预设可控性判据分析模型获取所述火箭的状态量对应的临界竖直速度。
将获取的六个参数(质量、位置矢量、水平方向的两个速度)作为预设可控性判据模型的输入，将所述预设可控性判据模型的输出作为所述6个参数对应的临界竖直速度。
步骤503，确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，执行步骤504；否则，执行步骤505。
步骤504，确定所述火箭的状态可控。结束本流程
步骤505，确定所述火箭的状态不可控。
本申请实施例中所提出的通过逆向积分方法生成火箭垂直回收的样本数据，避免了正向求解燃料最优问题，具备更高的样本生成效率；
本申请实施例中所提出的基于深度学习的火箭垂直回收可控性判据，可根据火箭当前状态，实时地确定所述火箭的状态是否可控。
本申请实施例中所提出的基于深度学习的火箭垂直回收可控性判据，可作为火箭垂直回收过程中速度、高度、横向位置偏差可控范围的分析工具。
下面给出两种应用场景，详细说明火箭回收可控性分析过程：
第一种场景：当已知火箭当前的高度和质量，分析当前距离目标落点不同的横向位置偏差，对应的最大可控竖直速度。
假设火箭当前高度ry＝2000m，质量m＝20t；横向位置±1000m范围内，横向速度(±50m/s范围内)不同位置对应的最大可控速度。
参见图6，图6为给定高度不同横向位置对应的竖直最大可控速度示意图。从图6中可以看出，随着横向位置偏差的增大，可控的竖直速度绝对值减小，即横向位移越大，火箭可控的向下速度越小。
第二种场景：当已知火箭通过前期减速，达到某一预定速度时，分析当前距离目标落点不同的位置偏差，所允许的最小高度。
假设火箭当前竖直速度vy＝-30m/s，质量m＝20t；横向位置±300m范围内横向速度±15m/s范围内，不同横向位置对应的最低可控高度。
参见图7，图7为给定竖直速度不同横向位置允许的最小可控高度对应的示意图。从图7中可以看出，随着横向位置偏差的增大，可控的高度增加，即横向位移越大，火箭需要具备更高的竖直高度，为横向机动争取更多的控制余量。
在保证其余状态参数不变的情况下，高度和竖直速度一一对应。本模型输出量为竖直速度，那么当已知竖直速度的时候，就可以用二分法，去寻找对应的高度，即找到的那个高度，结合其余状态量，输入到本模型中，即能得到已知的的竖直速度。一句话概括就是，反复调用该模型，利用二分法根据已知输出寻找对应的输入。
基于同样的发明构思，本申请实施例中还提供一种火箭垂直回收可控性分析装置。参见图8，图8为本申请实施例中应用于上述技术的装置结构示意图。所述装置包括：存储单元801、第一获取单元802、第二获取单元803和确定单元804；
存储单元801，用于存储预设可控性判据分析模型；其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系；
第一获取单元802，用于获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
第二获取单元803，用于基于存储单元801存储的预设可控性判据分析模型获取第一获取单元802获取的火箭的状态量对应的临界竖直速度；
确定单元804，用于确定第一获取单元802获取的竖直方向的速度是否小于第二获取单元803获取的临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控。
优选地，
第一获取单元802，进一步用于获取火箭的状态量时，若获取的位置矢量和速度为区间范围时，通过在区间范围内取点的方式利用预设可控性判据分析模型获取对应的临界竖直速度。
优选地，所述装置进一步包括：建立单元805；
建立单元805，用于建立所述预设可控性判据分析模型时，包括：获取训练样本；其中，所述训练样本包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；基于深度神经网络设置初始可控性判据分析模型；其中，所述初始可控性判据分析模型由输入层、隐含层和输出层组成；所述输入层为1层6个节点，所述隐含层为5层256个节点，所述输出层为1层1个节点；输入层的6个节点对应质量、位置矢量、水平方向的两个速度，输出层的1个节点对应竖直方向的速度；利用获取的训练样本训练所述初始可控性判据分析模型获取预设可控性判据分析模型；并将建立的所述预设可控性判据分析模型存储到存储单元801。
优选地，
建立单元805，具体用于获取训练样本时，采用逆向积分的方式获取训练样本。
优选地，
建立单元805，具体用于所述采用逆向积分的方式获取训练样本时，包括：
设置多组样本初值；所述样本初值包括：位置协态变量、速度协态变量、质量和积分时间；
针对每组样本初值在对应的积分时间对位置协态变量、速度协态变量和质量进行积分获得一条样本轨迹，并基于所述样本轨迹选择多个样本点；
将选择的所有样本点作为训练样本。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
在另一个实施例中，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述火箭回收可控性分析方法的步骤。
在另一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时可实现所述火箭回收可控性分析方法中的步骤。
图9为本发明实施例提供的电子设备的实体结构示意图。如图9所示，该电子设备可以包括：处理器(Processor)910、通信接口(Communications Interface)920、存储器(Memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行如下方法：
获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
基于预设可控性判据分析模型获取所述火箭的状态量对应的临界竖直速度；
确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控；
其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种火箭垂直回收状态可控性分析方法，其特征在于，所述方法包括：
获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
基于预设可控性判据分析模型获取所述火箭的状态量对应的临界竖直速度；
确定所述竖直方向的速度是否小于所述临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控；
其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系。
2.根据权利要求1所述的方法，其特征在于，所述获取火箭的状态量时，若获取的位置矢量和速度为区间范围时，所述方法进一步包括：
通过在区间范围内取点的方式利用预设可控性判据分析模型获取对应的临界竖直速度。
3.根据权利要求1所述的方法，其特征在于，建立所述预设可控性判据分析模型，包括：
获取训练样本；其中，所述训练样本包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
基于深度神经网络设置初始可控性判据分析模型；其中，所述初始可控性判据分析模型由输入层、隐含层和输出层组成；所述输入层为1层6个节点，所述隐含层为5层256个节点，所述输出层为1层1个节点；输入层的6个节点对应质量、位置矢量、水平方向的两个速度，输出层的1个节点对应竖直方向的速度；
利用获取的训练样本训练所述初始可控性判据分析模型获取预设可控性判据分析模型。
4.根据权利要求3所述的方法，其特征在于，所述获取训练样本包括：
采用逆向积分的方式获取训练样本。
5.根据权利要求4所述的方法，其特征在于，所述采用逆向积分的方式获取训练样本，包括：
设置多组样本初值；所述样本初值包括：位置协态变量、速度协态变量、质量和积分时间；
针对每组样本初值在对应的积分时间对位置协态变量、速度协态变量和质量进行积分获得一条样本轨迹，并基于所述样本轨迹选择多个样本点；
将选择的所有样本点作为训练样本。
6.一种火箭垂直回收状态可控性分析装置，其特征在于，所述装置包括：存储单元、第一获取单元、第二获取单元和确定单元；
所述存储单元，用于存储预设可控性判据分析模型；其中，所述预设可控性判据分析模型为基于深度神经网络训练获得的质量、位置矢量和横向速度与竖直速度的映射关系；
所述第一获取单元，用于获取火箭的状态量；其中，所述状态量包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；
所述第二获取单元，用于基于所述存储单元存储的预设可控性判据分析模型获取所述第一获取单元获取的火箭的状态量对应的临界竖直速度；
所述确定单元，用于确定第一获取单元获取的竖直方向的速度是否小于所述第二获取单元获取的临界竖直速度，如果是，确定所述火箭的状态可控；否则，确定所述火箭的状态不可控。
7.根据权利要求6所述的装置，其特征在于，所述装置进一步包括：建立单元；
所述建立单元，用于建立所述预设可控性判据分析模型时，包括：获取训练样本；其中，所述训练样本包括：质量、位置矢量、水平方向的两个速度和竖直方向的速度；基于深度神经网络设置初始可控性判据分析模型；其中，所述初始可控性判据分析模型由输入层、隐含层和输出层组成；所述输入层为1层6个节点，所述隐含层为5层256个节点，所述输出层为1层1个节点；输入层的6个节点对应质量、位置矢量、水平方向的两个速度，输出层的1个节点对应竖直方向的速度；利用获取的训练样本训练所述初始可控性判据分析模型获取预设可控性判据分析模型；并将建立的所述预设可控性判据分析模型存储到所述存储单元。
8.根据权利要求7所述的装置，其特征在于，
所述建立单元，具体用于获取训练样本时，采用逆向积分的方式获取训练样本。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述的方法。
CN202110122983.6A 2021-01-29 2021-01-29 一种火箭垂直回收状态可控性分析方法和装置 Active CN112800546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110122983.6A CN112800546B (zh) 2021-01-29 2021-01-29 一种火箭垂直回收状态可控性分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110122983.6A CN112800546B (zh) 2021-01-29 2021-01-29 一种火箭垂直回收状态可控性分析方法和装置

Publications (2)

Publication Number Publication Date
CN112800546A true CN112800546A (zh) 2021-05-14
CN112800546B CN112800546B (zh) 2022-07-01

Family

ID=75812641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110122983.6A Active CN112800546B (zh) 2021-01-29 2021-01-29 一种火箭垂直回收状态可控性分析方法和装置

Country Status (1)

Country Link
CN (1) CN112800546B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407664A (zh) * 2022-11-01 2022-11-29 北京航天自动控制研究所 一种基于神经网络训练的非程序制导方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120016541A1 (en) * 2010-07-16 2012-01-19 Salvatore Alfano System and Method for Assessing the Risk of Conjunction of a Rocket Body with Orbiting and Non-Orbiting Platforms
CN109343341A (zh) * 2018-11-21 2019-02-15 北京航天自动控制研究所 一种基于深度强化学习的运载火箭垂直回收智能控制方法
CN110955974A (zh) * 2019-11-29 2020-04-03 清华大学 一种火箭回收仿真平台及实现方法
CN111319803A (zh) * 2020-03-23 2020-06-23 北京深蓝航天科技有限公司 飞行器垂直回收着陆装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120016541A1 (en) * 2010-07-16 2012-01-19 Salvatore Alfano System and Method for Assessing the Risk of Conjunction of a Rocket Body with Orbiting and Non-Orbiting Platforms
CN109343341A (zh) * 2018-11-21 2019-02-15 北京航天自动控制研究所 一种基于深度强化学习的运载火箭垂直回收智能控制方法
CN110955974A (zh) * 2019-11-29 2020-04-03 清华大学 一种火箭回收仿真平台及实现方法
CN111319803A (zh) * 2020-03-23 2020-06-23 北京深蓝航天科技有限公司 飞行器垂直回收着陆装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407664A (zh) * 2022-11-01 2022-11-29 北京航天自动控制研究所 一种基于神经网络训练的非程序制导方法
CN115407664B (zh) * 2022-11-01 2023-02-03 北京航天自动控制研究所 一种基于神经网络训练的非程序制导方法

Also Published As

Publication number Publication date
CN112800546B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110262537B (zh) 多约束下航天器快速姿态机动参数化确定性规划方法
Humaidi et al. Design of block-backstepping controller to ball and arc system based on zero dynamic theory
CN109782600A (zh) 一种通过虚拟环境建立自主移动机器人导航系统的方法
CN110376882A (zh) 基于有限时间扩张状态观测器的预定性能控制方法
CN111027143B (zh) 一种基于深度强化学习的舰载机进近引导方法
CN111338375B (zh) 基于混合策略的四旋翼无人机移动降落的控制方法及系统
CN113268059A (zh) 一种基于有限时间扩张状态观测器的多无人艇编队控制方法
CN114280934B (zh) 一种可重复使用运载火箭全程轨迹规划方法
CN114089776B (zh) 一种基于深度强化学习的无人机避障方法
CN115033022A (zh) 面向移动平台基于专家经验的ddpg无人机降落方法
CN112800546B (zh) 一种火箭垂直回收状态可控性分析方法和装置
CN114819068A (zh) 一种混合型目标航迹预测方法及系统
CN112348223A (zh) 一种基于深度学习的导弹飞行轨迹预测方法
CN112859889A (zh) 基于自适应动态规划的自主式水下机器人控制方法和系统
CN116697829A (zh) 一种基于深度强化学习的火箭着陆制导方法及系统
CN114967472A (zh) 一种无人机轨迹跟踪状态补偿深度确定性策略梯度控制方法
CN115755598A (zh) 一种智能航天器集群分布式模型预测路径规划方法
Peng et al. Research on hover control of AUV uncertain stochastic nonlinear system based on constructive backstepping control strategy
CN117289709A (zh) 基于深度强化学习的高超声速变外形飞行器姿态控制方法
CN113189867A (zh) 一种考虑位姿与速度受限的无人船自学习最优跟踪控制方法
CN115524964B (zh) 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统
CN113977580A (zh) 基于动态运动原语和自适应控制的机械臂模仿学习方法
Kondapalli et al. Development of a Three-Dimensional Simulator for Integrated Testing of Path-Planners and Controllers for Autonomous Underwater Vehicles
CN112161626A (zh) 一种基于航路跟踪映射网络的高可飞性航路规划方法
Luo et al. Symbolic control approach to aircraft taking off in wind shear

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