CN113031642B - 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统 - Google Patents

动态禁飞区约束的高超声速飞行器轨迹规划方法和系统 Download PDF

Info

Publication number
CN113031642B
CN113031642B CN202110562554.0A CN202110562554A CN113031642B CN 113031642 B CN113031642 B CN 113031642B CN 202110562554 A CN202110562554 A CN 202110562554A CN 113031642 B CN113031642 B CN 113031642B
Authority
CN
China
Prior art keywords
training
flight
hypersonic aircraft
reinforcement learning
threat
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
CN202110562554.0A
Other languages
English (en)
Other versions
CN113031642A (zh
Inventor
宋佳
徐小蔚
赵凯
尚维泽
罗雨歇
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110562554.0A priority Critical patent/CN113031642B/zh
Publication of CN113031642A publication Critical patent/CN113031642A/zh
Application granted granted Critical
Publication of CN113031642B publication Critical patent/CN113031642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • 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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

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

本发明提供了一种动态禁飞区约束的高超声速飞行器轨迹规划方法和系统，包括：获取高超声速飞行器的状态信息；状态信息包括飞行环境和飞行器性能；获取高超声速飞行器所要到达的目标区域的位置信息和威胁信息；将状态信息、位置信息和威胁信息，代入到训练之后的强化学习模型，得到高超声速飞行器在滑翔段飞行过程的控制律；基于控制律对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划。本发明实施例缓解了现有技术中存在的远距离路径规划适应性差的技术问题。

Description

动态禁飞区约束的高超声速飞行器轨迹规划方法和系统
技术领域
本发明涉及高超声速飞行器技术领域，尤其是涉及一种动态禁飞区约束的高超声速飞行器轨迹规划方法和系统。
背景技术
高超声速滑翔飞行器具有航程远、速度快、机动性强等许多优势，一般的高超声速飞行器从发射到返回地面一共要经历五个阶段，包括：助推段、惯性段、再入拉起段、滑翔段和下压攻击段。其中，滑翔段由于飞行环境、飞行状态的变化，为了保证高超声速飞行器在滑翔段的安全可靠飞行，各国多个机构均开展了对高超声速再入气动防热及再入制导等问题的研究，并对高超声速飞行器再入及滑翔飞行提出了许多安全性约束。但其滑翔段飞行过程中受到复杂的气动力和动压、热流、过载等非线性过程约束，以及敌方静态、动态威胁区的拦截，抑或追踪敌方动态目标点，这些约束使其轨迹规划成为一个富有挑战性的问题，因此，现有技术中对于高超声速飞行器在远距离路径规划时存在着适应性差的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种动态禁飞区约束的高超声速飞行器轨迹规划方法和系统，以缓解现有技术中存在的远距离路径规划适应性差的技术问题。
第一方面，本发明实施例提供了一种动态禁飞区约束的高超声速飞行器轨迹规划方法，包括：获取高超声速飞行器的状态信息；所述状态信息包括飞行环境和飞行器性能；获取所述高超声速飞行器所要到达的目标区域的位置信息和威胁信息；所述威胁信息包括静态威胁约束和动态威胁约束；将所述状态信息、所述位置信息和所述威胁信息，代入到训练之后的强化学习模型，得到所述高超声速飞行器在滑翔段飞行过程的控制律；基于所述控制律对所述高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划。
进一步地，所述方法还包括：确定所述高超声速飞行器在滑翔段飞行过程中的再入飞行走廊；基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型。
进一步地，所述再入飞行走廊包括：热流约束、过载约束、动压约束和伪平衡滑翔条件。
进一步地，所述预设强化学习模型为深度确定性策略梯度模型。
进一步地，基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型，包括：基于对所述高超声速飞行器的稳态控制过程，对所述深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型；基于所述再入飞行走廊，对所述第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型；基于所述威胁信息，对所述第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型；将所述第三深度确定性策略梯度模型，确定为所述训练之后的强化学习模型。
第二方面，本发明实施例还提供了一种动态禁飞区约束的高超声速飞行器轨迹规划系统，包括：第一获取模块，第二获取模块，代入模块和规划模块；其中，所述第一获取模块，用于获取高超声速飞行器的状态信息；所述状态信息包括飞行环境和飞行器性能；所述第二获取模块，用于获取所述高超声速飞行器所要到达的目标区域的位置信息和威胁信息；所述威胁信息包括静态威胁约束和动态威胁约束；所述代入模块，用于将所述状态信息、所述位置信息和所述威胁信息，代入到训练之后的强化学习模型，得到所述高超声速飞行器在滑翔段飞行过程的控制律；所述规划模块，用于基于所述控制律对所述高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划。
进一步地，所述系统还包括训练模块，所述训练模块还包括：确定单元和训练单元，其中，所述确定单元，用于确定所述高超声速飞行器在滑翔段飞行过程中的再入飞行走廊；所述训练单元，用于基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型。
进一步地，所述预设强化学习模型为深度确定性策略梯度模型；所述训练单元，还用于：基于对所述高超声速飞行器的稳态控制过程，对所述深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型；基于所述再入飞行走廊，对所述第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型；基于所述威胁信息，对所述第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型；将所述第三深度确定性策略梯度模型，确定为所述训练之后的强化学习模型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述第一方面所述方法。
本发明提供了一种动态禁飞区约束的高超声速飞行器轨迹规划方法和系统，通过训练之后的强化学习模型，对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划的方式，解决了动态禁飞区以及打击移动目标的问题，缓解了现有技术中存在的远距离路径规划适应性差的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，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一种动态禁飞区约束的高超声速飞行器轨迹规划方法的流程图；
图2为本发明实施例提供的一种再入飞行走廊的示意图；
图3为本发明实施例提供的另一种动态禁飞区约束的高超声速飞行器轨迹规划方法的流程图；
图4为本发明实施例提供的一种动态禁飞区约束的高超声速飞行器轨迹规划系统的示意图；
图5为本发明实施例提供的另一种动态禁飞区约束的高超声速飞行器轨迹规划系统的示意图；
图6为本发明实施例提供的一种训练模块的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例一：
图1是根据本发明实施例提供的一种动态禁飞区约束的高超声速飞行器轨迹规划方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，获取高超声速飞行器的状态信息；状态信息包括飞行环境和飞行器性能。
步骤S104，获取高超声速飞行器所要到达的目标区域的位置信息和威胁信息。其中，威胁信息包括静态威胁约束和动态威胁约束。可选地，威胁信息还包括探测型威胁约束和攻击型威胁约束。探测型威胁主要考虑雷达，在仿真环境中用有限高圆柱体表示；攻击型威胁主要考虑有一定射程射高限制的反导武器系统。
步骤S106，将状态信息、位置信息和威胁信息，代入到训练之后的强化学习模型，得到高超声速飞行器在滑翔段飞行过程的控制律。
步骤S108，基于控制律对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划。
具体的，将控制律代入到高超声速飞行器的运动方程中，可以得到高超声速飞行器在滑翔段的飞行轨迹。
本发明提供了一种动态禁飞区约束的高超声速飞行器轨迹规划方法，通过训练之后的强化学习模型，对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划的方式，解决了动态禁飞区以及打击移动目标的问题，缓解了现有技术中存在的远距离路径规划适应性差的技术问题。
本发明实施例提供的方法，还包括对预设强化学习模块进行训练的过程，具体的，包括如下步骤：
步骤S202，确定高超声速飞行器在滑翔段飞行过程中的再入飞行走廊。
步骤S204，基于再入飞行走廊和威胁信息，对预设强化学习模型进行训练，得到训练之后的强化学习模型。
具体的，在本发明实施例中，再入飞行走廊包括：热流约束、过载约束、动压约束和伪平衡滑翔条件。
在高超声速飞行器在线轨迹规划前，首先基于牛顿力学原理建立了考虑地球曲率和地球自转的滑翔飞行的运动方程。然后考虑到飞行器在滑翔段飞行过程中所受到的热流约束、过载约束、动压约束，结合伪平衡滑翔条件，确定了高超声速飞行器的再入飞行走廊。
具体的，三维空间内，高超声速飞行器滑翔段在航迹坐标系下的运动模型，如下式所示：
Figure F_210519151309857_857107001
其中，r表示高超声速飞行器质心相对于地球的地心距，Θ表示经度，Φ表示纬度，Vk、θ、φ分别表示飞行器相对旋转地球的速度、航迹倾斜角、航迹方位角，ωE表示地球的自转角速率，σ表示倾侧角，D表示飞行器所受空气阻力，L表示升力。
再入飞行走廊主要由高超声速飞行器滑翔段飞行过程中受到的过程约束组成，主要有以下约束：
（1）热流约束：
Figure M_210519151310716_716482001
式中，
Figure M_210519151310763_763357001
为飞行器头部驻点热流密度，常数k=5.188×10-8，ρ为大气密度，热流密度单位为KW/m²，飞行器可以承受的最大热流密度
Figure M_210519151310794_794607002
。
（2）过载约束：
Figure M_210519151310825_825857001
式中，n为飞行器受到的法向气动过载，飞行器可以承受的最大过载nT,max=6g，g为当地的重力加速度。
动压约束：
Figure M_210519151310872_872732001
式中，飞行器可以承受的最大动压qmax=300kPas。
考虑到大气密度ρ的模型可以采用简化的指数形式：ρ=ρ 0 e (-H/hs)，其中，ρ0=1.225g/L，表示海平面的大气密度；hs=7200m；H=r-R0，R0=6378km，R0表示地球半径。得到过程约束如下：
Figure M_210519151310888_888357001
考虑到牵连加速度对飞行器的影响远远小于科氏加速度，所以本发明实施例在伪平衡滑翔条件中忽略牵连加速度项。而升力体飞行器的大部分再入轨迹，航迹倾斜角θ通常很小，并且变化相对很慢。令
Figure M_210519151310950_950857001
，得伪平衡条件如下：
Figure M_210519151310982_982107001
根据伪平衡滑翔条件方程可知，给定高度H和速度V可以得到满足QEGC的倾侧角σ。根据上下边界的高度H和速度V，进而可以得到倾侧角变化：
Figure F_210519151310357_357107002
通过过程约束组成的再入飞行走廊下届和伪平衡滑翔条件组成的再入飞行走廊上届共同构成完整的再入飞行走廊。图2是根据本发明实施例提供的一种再入飞行走廊的示意图。
可选地，本发明实施例中的预设强化学习模型为深度确定性策略梯度模型（DeepDeterministic Policy Gradient，简称DDPG）。
具体方案是：构建强化学习智能体，智能体感知敌方威胁区和目标区的速度信息以及自身的状态信息，解决了动态禁飞区以及打击移动目标的问题。同时设计中间规划点，解决了强化学习在远距离路径规划适应性差的问题，避免陷入局部极小值问题，以及目标不可达问题。
将依据高超声速飞行器滑翔段运动特性而改进的强化学习，代入高超声速飞行器滑翔段飞行环境中，此时飞行器根据预先训练好的强化学习模型，根据输入的敌方威胁区和目标区的速度信息以及自身的状态信息，运算得到需要的倾侧角，实现端到端的运算，完成高超声速飞行器滑翔段轨迹实时的规划。
在本发明实施例中，强化学习智能体采用深度确定性策略梯度进行设计，具体的设计过程，分两个阶段进行，将控制任务分解成两个简单任务。
可选地，步骤206还包括如下步骤：
步骤S2061，基于对高超声速飞行器的稳态控制过程，对深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型。
具体的，首先训练DDPG实现对高超声速飞行器的稳态控制，即给定倾侧角指令后飞行器能够平稳快速地进行指令跟踪。为保证航天器能够对指令正确跟踪，需要合理设计辅助回报函数引导航天器跟随控制指令。
步骤S2062，基于再入飞行走廊，对第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型。即，在上述训练结束之后，继续训练DDPG保证高超声速飞行器能够满足各种约束条件。
步骤S2063，基于威胁信息，对第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型。具体地，本发明实施例通过静态威胁约束和动态威胁约束对第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型，即在上述训练好的DDPG基础上进一步训练，训练目标为飞行器躲避障碍物并到达目标点。
迭代若干次训练之后，飞行器便能够实现动态规避障碍物并实现对动态目标的打击。
步骤S2064，将第三深度确定性策略梯度模型，确定为训练之后的强化学习模型。
图3是根据本发明实施例提供的另一种动态禁飞区约束的高超声速飞行器轨迹规划方法的流程图。如图3所示，首先实时获取威胁区约束和目标区约束，然后利用训练之后的强化学习模型得到高超声速飞行器的控制律；基于高超声速飞行器的飞行环境和飞行器性能，确定热流约束、过载约束、动压约束和伪平衡条件，得到再入飞行走廊，然后结合控制律以及参考攻角剖面得到高超声速飞行器的运动方程，通过运动方程对高超声速飞行器的运动轨迹进行约束；然后再对约束之后的运动轨迹进行判断，是否绕过威胁区到达目标区，如果否，则返回威胁区约束和目标区约束获取步骤循环；如果是，则将得到的运动轨迹作为高超声速飞行器的滑翔段飞行轨迹。
本发明提供的一种动态禁飞区约束的高超声速飞行器轨迹规划方法，侧重点在于对抗环境下的飞行器安全突破敌方威胁区的拦截。将结合强化学习算法，实现动态躲避敌方的动态威胁区以及打击敌方动态目标的效果。同时本发明能够在高超声速飞行器滑翔段的动态环境下实时进行轨迹规划，针对高超声速飞行器滑翔段动态突防下设计强化学习控制器，最后还验证了强化学习控制律适用于两种动态情况同时发生时的轨迹规划，且能应对突然出现的威胁，同时解决在线规划与实时避障两大难点。
实施例二：
图4是根据本发明实施例提供的一种动态禁飞区约束的高超声速飞行器轨迹规划系统的示意图。如图4所示，该系统包括：第一获取模块10，第二获取模块20，代入模块30和规划模块40。
具体的，第一获取模块10，用于获取高超声速飞行器的状态信息；状态信息包括飞行环境和飞行器性能。
第二获取模块20，用于获取高超声速飞行器所要到达的目标区域的位置信息和威胁信息。威胁信息包括静态威胁约束和动态威胁约束。
代入模块30，用于将状态信息、位置信息和威胁信息，代入到训练之后的强化学习模型，得到高超声速飞行器在滑翔段飞行过程的控制律。
规划模块40，用于基于控制律对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划。
本发明提供了一种动态禁飞区约束的高超声速飞行器轨迹规划系统，通过训练之后的强化学习模型，对高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划的方式，解决了动态禁飞区以及打击移动目标的问题，缓解了现有技术中存在的远距离路径规划适应性差的技术问题。
可选地，图5是根据本发明实施例提供的另一种动态禁飞区约束的高超声速飞行器轨迹规划系统的示意图，如图5所示，该系统还包括训练模块50，用于对预设强化学习模型进行训练，得到训练之后的强化学习模型。
图6是根据本发明实施例提供的一种训练模块的示意图。如图6所示，训练模块50还包括：确定单元51和训练单元52。
具体的，确定单元51，用于确定高超声速飞行器在滑翔段飞行过程中的再入飞行走廊。
训练单元52，用于基于再入飞行走廊和威胁信息，对预设强化学习模型进行训练，得到训练之后的强化学习模型。
可选地，预设强化学习模型为深度确定性策略梯度模型；训练单元53，还用于：基于对高超声速飞行器的稳态控制过程，对深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型；基于再入飞行走廊，对第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型；基于威胁信息，对第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型；将第三深度确定性策略梯度模型，确定为训练之后的强化学习模型。
本发明实施例还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，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述实施例一中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种动态禁飞区约束的高超声速飞行器轨迹规划方法，其特征在于，包括：
获取高超声速飞行器的状态信息；所述状态信息包括飞行环境和飞行器性能；
获取所述高超声速飞行器所要到达的目标区域的位置信息和威胁信息；所述威胁信息包括静态威胁约束和动态威胁约束；
将所述状态信息、所述位置信息和所述威胁信息，代入到训练之后的强化学习模型，得到所述高超声速飞行器在滑翔段飞行过程的控制律；
基于所述控制律对所述高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划；
所述方法还包括：
确定所述高超声速飞行器在滑翔段飞行过程中的再入飞行走廊；
基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型；
所述预设强化学习模型为深度确定性策略梯度模型；
基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型，包括：
基于对所述高超声速飞行器的稳态控制过程，对所述深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型；
基于所述再入飞行走廊，对所述第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型；
基于所述威胁信息，对所述第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型；
将所述第三深度确定性策略梯度模型，确定为所述训练之后的强化学习模型。
2.根据权利要求1所述的方法，其特征在于，所述再入飞行走廊包括：热流约束、过载约束、动压约束和伪平衡滑翔条件。
3.一种动态禁飞区约束的高超声速飞行器轨迹规划系统，其特征在于，包括：第一获取模块，第二获取模块，代入模块和规划模块；其中，
所述第一获取模块，用于获取高超声速飞行器的状态信息；所述状态信息包括飞行环境和飞行器性能；
所述第二获取模块，用于获取所述高超声速飞行器所要到达的目标区域的位置信息和威胁信息；所述威胁信息包括静态威胁约束和动态威胁约束；
所述代入模块，用于将所述状态信息、所述位置信息和所述威胁信息，代入到训练之后的强化学习模型，得到所述高超声速飞行器在滑翔段飞行过程的控制律；
所述规划模块，用于基于所述控制律对所述高超声速飞行器在滑翔段飞行过程的飞行轨迹进行规划；
所述系统还包括训练模块，所述训练模块还包括：确定单元和训练单元，其中，
所述确定单元，用于确定所述高超声速飞行器在滑翔段飞行过程中的再入飞行走廊；
所述训练单元，用于基于所述再入飞行走廊和所述威胁信息，对预设强化学习模型进行训练，得到所述训练之后的强化学习模型；
所述预设强化学习模型为深度确定性策略梯度模型；所述训练单元，还用于：
基于对所述高超声速飞行器的稳态控制过程，对所述深度确定性策略梯度模型进行训练，得到第一深度确定性策略梯度模型；
基于所述再入飞行走廊，对所述第一深度确定性策略梯度模型进行训练，得到第二深度确定性策略梯度模型；
基于所述威胁信息，对所述第二深度确定性策略梯度模型进行训练，得到第三深度确定性策略梯度模型；
将所述第三深度确定性策略梯度模型，确定为所述训练之后的强化学习模型。
4.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现上述权利要求1至2任一项所述的方法的步骤。
5.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-2任一项所述方法。
CN202110562554.0A 2021-05-24 2021-05-24 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统 Active CN113031642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110562554.0A CN113031642B (zh) 2021-05-24 2021-05-24 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110562554.0A CN113031642B (zh) 2021-05-24 2021-05-24 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统

Publications (2)

Publication Number Publication Date
CN113031642A CN113031642A (zh) 2021-06-25
CN113031642B true CN113031642B (zh) 2021-08-10

Family

ID=76455676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110562554.0A Active CN113031642B (zh) 2021-05-24 2021-05-24 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统

Country Status (1)

Country Link
CN (1) CN113031642B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237287A (zh) * 2021-12-10 2022-03-25 中国空间技术研究院 基于滑翔弹能力约束的天基中制导信息应用方法
CN114253296B (zh) * 2021-12-22 2024-06-07 中国人民解放军国防科技大学 高超声速飞行器机载轨迹规划方法、装置、飞行器及介质
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、装置及系统
CN114675545B (zh) * 2022-05-26 2022-08-23 中国人民解放军火箭军工程大学 一种基于强化学习的高超声速飞行器再入协同制导方法
CN115981149B (zh) * 2022-12-09 2024-01-09 中国矿业大学 基于安全强化学习的高超声速飞行器最优控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110018687A (zh) * 2019-04-09 2019-07-16 大连海事大学 基于强化学习方法的无人水面船最优轨迹跟踪控制方法
CN110045614A (zh) * 2019-05-16 2019-07-23 河海大学常州校区 一种基于深度学习的绞吸船横移过程自学习控制系统及方法
CN110806759A (zh) * 2019-11-12 2020-02-18 清华大学 一种基于深度强化学习的飞行器航线跟踪方法
CN110928329A (zh) * 2019-12-24 2020-03-27 北京空间技术研制试验中心 一种基于深度q学习算法的多飞行器航迹规划方法
CN111645673A (zh) * 2020-06-17 2020-09-11 西南科技大学 一种基于深度强化学习的自动泊车方法
CN111667513A (zh) * 2020-06-01 2020-09-15 西北工业大学 一种基于ddpg迁移学习的无人机机动目标跟踪方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110018687A (zh) * 2019-04-09 2019-07-16 大连海事大学 基于强化学习方法的无人水面船最优轨迹跟踪控制方法
CN110045614A (zh) * 2019-05-16 2019-07-23 河海大学常州校区 一种基于深度学习的绞吸船横移过程自学习控制系统及方法
CN110806759A (zh) * 2019-11-12 2020-02-18 清华大学 一种基于深度强化学习的飞行器航线跟踪方法
CN110928329A (zh) * 2019-12-24 2020-03-27 北京空间技术研制试验中心 一种基于深度q学习算法的多飞行器航迹规划方法
CN111667513A (zh) * 2020-06-01 2020-09-15 西北工业大学 一种基于ddpg迁移学习的无人机机动目标跟踪方法
CN111645673A (zh) * 2020-06-17 2020-09-11 西南科技大学 一种基于深度强化学习的自动泊车方法
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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Adaptive pinpoint and fuel efficient mars landing using reinforcement learning;Brian Gaudet 等;《IEEE/CAA Journal of Automatica Sinica》;20141231;第1卷;全文 *
临近空间可变形滑翔飞行器轨迹优化与性能分析;陈铁彪 等;《宇航学报》;20180930;第39卷(第9期);第944-952页 *
升力式再入飞行器轨迹优化与制导方法研究;高嘉时;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200315(第03期);正文第56-69页 *
多飞行器协同轨迹优化设计;黄国强;《现代防御技术》;20150228;第43卷(第1期);全文 *
标准轨迹制导中准平衡滑翔条件优化研究;熊子豪 等;《导航定位与授时》;20160731;第3卷(第4期);全文 *
考虑禁飞区规避的预测校正再入制导方法;赵江 等;《北京航空航天大学学报》;20150531;第41卷(第5期);全文 *
航天飞机的再入飞行走廊及再入飞行轨迹;汪朝群;《航天控制》;19901231(第1期);全文 *

Also Published As

Publication number Publication date
CN113031642A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113031642B (zh) 动态禁飞区约束的高超声速飞行器轨迹规划方法和系统
US11079239B2 (en) Method for directly planning reentry trajectory in height-velocity profile
CN109597427B (zh) 一种基于无人机的炸弹随遇攻击规划方法及系统
US8038062B2 (en) Methods and apparatus for path planning for guided munitions
Swihart et al. Automatic ground collision avoidance system design, integration, & flight test
CN103090728A (zh) 一种基于滑模控制的带末角约束制导方法
US7755011B2 (en) Target maneuver detection
EP3786072B1 (en) Systems and methods for autonomous deorbiting of a spacecraft
JP7170847B2 (ja) 飛行中の航空機と航空機の航跡の回避
CN111336871A (zh) 一种基于迂回式飞行的垂直攻击制导方法
CN104503471A (zh) 一种机动飞行器多终端约束反演滑模末制导方法
CN112256061A (zh) 复杂环境及任务约束下的高超声速飞行器再入制导方法
Hui et al. Dynamic attack zone of air-to-air missile after being launched in random wind field
Imado et al. Family of local solutions in a missile-aircraft differential game
Lin et al. Development of 3-D modified proportional navigation guidance law against high-speed targets
US7675011B2 (en) Missile guidance system
Imado et al. Engagement tactics for two missiles against an optimally maneuvering aircraft
Moran et al. Three plane approach for 3D true proportional navigation
Oshman et al. Enhanced air-to-air missile tracking using target orientation observations
Sreeja et al. Precision munition guidance and moving-target estimation
CN114610077B (zh) 多高超声速飞行器轨迹规划方法和系统
US20200216166A1 (en) Terminal Approach Angle Guidance for Unpowered Vehicles
Baek et al. Trajectory optimization and the control of a re-entry vehicle in TAEM phase
JPH07167592A (ja) 移動体の誘導方法
CN114167890B (zh) 一种无人飞行装置智能避障方法

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
GR01 Patent grant
GR01 Patent grant