CN114442673B - 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 - Google Patents
一种基于混沌模型与dnn的飞行器智能轨迹规划方法 Download PDFInfo
- Publication number
- CN114442673B CN114442673B CN202210152780.6A CN202210152780A CN114442673B CN 114442673 B CN114442673 B CN 114442673B CN 202210152780 A CN202210152780 A CN 202210152780A CN 114442673 B CN114442673 B CN 114442673B
- Authority
- CN
- China
- Prior art keywords
- roll angle
- flight
- aircraft
- angle
- constraint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000035515 penetration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05D1/10—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于混沌模型与DNN的飞行器智能轨迹规划方法，属于飞行器轨迹规划技术领域。方法如下：获得飞行状态量与飞行控制量之间的网络映射关系；将过程约束转化为飞行高度和倾侧角约束；生成导引指令中的最终混沌信号；计算满足任务约束的倾侧角剖面中值以及实时需要的倾侧角大小；得到混沌化处理后的倾侧角大小；采用视线角误差走廊确定倾侧角方向；对倾侧角幅值和倾侧角速率幅值进行约束。本发明克服了传统飞行轨迹设计时的模型局限性，增加了导引指令和飞行轨迹的不可预测性；限制了不确定性对任务可达性的影响。因此，本发明在保证预定任务可行性的前提下增加了飞行轨迹的混沌性，并在导引指令计算中满足过程约束，具有一定的工程实用价值。
Description
技术领域
本发明涉及一种基于混沌模型与DNN的飞行器智能轨迹规划方法，属于飞行器轨迹规划技术领域。
背景技术
随着陆海空天探测技术的全面发展，现代飞行器越来越难以实现隐身飞行，发展在被探测条件下的新型突防技术是未来的必然趋势，而机动飞行是最重要也最有效的一种突防手段。
一方面，人工智能在飞行器中的应用日趋成熟。因此，可借助网络学习带来的精度和成本优势对飞行状态进行预测与分析，为突防决策和机动飞行轨迹规划提供必要的参考信息。
另一方面，传统的轨迹规划方法所产生的飞行弹道具有较强的规律性，现有的模糊预测与轨迹预报技术已经能够达到较高的精度。
因此，亟需一种能够突破现有轨迹规划模式的高混沌性与高敏捷性轨迹规划方法。
发明内容
为解决背景技术中存在的问题，本发明提供一种基于混沌模型与DNN的飞行器智能轨迹规划方法。
实现上述目的，本发明采取下述技术方案：一种基于混沌模型与DNN的飞行器智能轨迹规划方法，所述方法包括如下步骤：
S1：获得飞行状态量与飞行控制量之间的网络映射关系；
S2：将过程约束转化为飞行高度和倾侧角约束；
S3：通过Chebyshev映射模型和飞行器模型测量偏差生成导引指令中的最终混沌信号δ；
S4：计算满足任务约束的倾侧角剖面中值，并计算出实时需要的倾侧角大小σc；
S5：将最终混沌信号δ和最大倾侧角变化量σmax(V)-σc叠加到实时计算得到的需要倾侧角指令上，得到混沌化处理后的倾侧角大小|σ|＝|σc+δ·(σmax(V)-σc)|；
S6：采用视线角误差走廊确定倾侧角方向；
S7：对倾侧角幅值和倾侧角速率幅值进行约束。
与现有技术相比，本发明的有益效果是：
本发明克服了传统飞行轨迹设计时的模型局限性，通过引入混沌模型系统和飞行器自身模型的不确定性，增加了导引指令和飞行轨迹的不可预测性；同时又通过智能神经网络对飞行状态的实时判断，限制了不确定性对任务可达性的影响。因此，本发明在保证预定任务可行性的前提下增加了飞行轨迹的混沌性，并在导引指令计算中满足过程约束，具有一定的工程实用价值。
附图说明
图1是本发明DNN网络训练结构图。
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发明的一部分实施例，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。
为了更为科学准确的描述，给出混沌与轨迹规划的概念：
其中：
混沌：在非线性动态系统中出现的确定性的类似随机的过程。
轨迹规划：为满足飞行器空间位置等状态量约束条件下的飞行程序设计过程。
一种基于混沌模型与DNN的飞行器智能轨迹规划方法，所述方法包括如下步骤：
S1：获得飞行状态量与飞行控制量之间的网络映射关系；
S101：在初始偏差和环境扰动条件下利用飞行器动力学模型采用轨迹积分的形式生成飞行轨迹样本；
所述初始偏差和环境扰动包括：初始高度偏差(±1000m以内正态分布)、初始速度偏差(±100m/s以内正态分布)、初始飞行路径角偏差(±1°以内正态分布)、气动阻力系数偏差(±10％以内正态分布)、气动升力系数偏差(±10％以内正态分布)以及大气密度偏差(±10％以内正态分布)。
所述飞行器动力学模型为：
式(2)中：
r为地心距；
V为飞行器飞行速度；
γ为飞行路径角；
ψ为飞行器飞行航向角；
θ为飞行器飞行经度；
D为飞行器飞行气动阻力；
ωE为地球自转角速率；
L为飞行器飞行气动升力；
σ为倾侧角。
S102：以地心距r、速度V、飞行路径角γ、攻角剖面α(V)和剩余航程S等飞行状态量作为输入，以倾侧角剖面中值σmid作为输出，采用DNN进行网络模型学习，获得飞行状态量与飞行控制量之间的网络映射关系如下：
σmid＝Net(r,V,γ,α(V),S) (1)
式(1)中：
σmid为倾侧角剖面中值；
Net(·)为学习完成的神经网络模型；
r为地心距；
V为飞行器飞行速度；
γ为飞行路径角；
α(V)为攻角剖面；
S为剩余航程。
所述DNN为双隐含层的深度神经网络，激活函数选择为ReLU函数，损失函数选择为均方差形式。
S2：将过载、动压和驻点热流等过程约束转化为飞行高度和倾侧角约束；
设定过程约束包括：最大动压约束qmax、最大过载约束Nmax以及最大驻点热流约束Qmax，将过程约束转化为飞行高度和倾侧角约束的过程如下：
式(3)中：
hqmax(V)为由最大动压约束转化而来的飞行高度约束；
hNmax(V)为由最大过载约束转化而来的飞行高度约束；
hQmax(V)为由最大驻点热流约束转化而来的飞行高度约束；
hs为基准高度；
ln(·)为以自然对数为底的对数函数；
ρ0为海平面大气密度；
V为飞行器飞行速度；
L为飞行器飞行气动升力；
D为飞行器飞行气动阻力；
Cq为热流密度系数；
R0为地球平均半径；
σmax(V)为倾侧角约束；
σimax(V)(i＝q,N,Q)为对应转化后的倾侧角大小约束；
q为动压约束；
N为过载约束；
Q为驻点热流约束
himax(V)为hqmax(V)、hNmax(V)和hQmax(V)的泛指。
S3：通过Chebyshev映射模型和飞行器模型测量偏差生成导引指令中的最终混沌信号δ；
S301：所述Chebyshev映射模型采用k阶的Chebyshev映射模型如下：
xn+1＝cos(k·arccosxn) (4)
式(4)中：
xn为第n次计算得到的混沌信号；
xn+1为第n+1次计算得到的混沌信号，定义区间为(-1,1)，n可按照仿真步长进行次数提取；
S302：将上述混沌信号δ叠加至导引指令中，由映射模型与飞行器模型测量偏差组合得到：
δ＝xn+1·(1+w) (5)
式(5)中：
δ为最终混沌信号；
w为飞行器模型测量偏差，且
式(6)中：
F(r,V,α)为根据飞行状态测量得到的飞行器前缘翼面压力；
Fref(r,V,α)为提前装订的标称条件下的飞行器前缘翼面压力；
Fmax为Fref(r,V,α)的最大值，仿真试验时将F(r,V,α)等效为气动阻力。
S4：计算满足任务约束的倾侧角剖面中值，并计算出实时需要的倾侧角大小σc；
S401：设定控制指令为攻角和倾侧角，其中，设定攻角与速度相关的函数如下：
式(7)中：
α为飞行攻角；
αmax为控制热流约束的飞行允许最大攻角；
V为飞行器飞行速度；
V1和V2为分段处对应速度大小；
αL为最大升阻比对应的攻角；
将倾侧角设定为两线性段组合起来的与速度相关的函数如下：
式(8)中：
σ为倾侧角；
σ0为初始状态下按照准平衡滑翔条件
算出来的倾侧角；
σf为终端状态下按照准平衡滑翔条件
算出来的倾侧角；
σmid为根据航程进行调整的倾侧角剖面中值；
V0为指定的初始速度；
Vf为指定的终端速度；
Vmid为V0和Vf的中值；
通过上述即可求得倾侧角剖面中值σmid；
S402：由实时速度插值倾侧角剖面即可得到实时需要的倾侧角大小σc＝σ。
S5：将最终混沌信号和最大倾侧角变化量σmax(V)-σc叠加到实时计算得到的需要倾侧角指令上，得到混沌化处理后的倾侧角大小|σ|＝|σc+δ·(σmax(V)-σc)|；
S6：采用视线角误差走廊确定倾侧角方向；
S6所述视线角误差走廊采用分段线性形式如下：
式(9)中：
θf为地面目标点的经度；
θ为飞行器飞行经度；
Δψ为视线角偏差；
ψ为飞行器飞行航向角；
Δψt为由视线角偏差的上下限确定的视线角偏差边界；
Δψh为设定的视线角偏差的上限；
Δψl为设定的视线角偏差的下限；
V为飞行器飞行速度；
V3和V4为按照速度分段形式的视线角偏差走廊的分段速度点；
σn+1为当前周期的倾侧角；
σn为上一周期的倾侧角；
sgn(·)为符号函数。
S7：对倾侧角幅值和倾侧角速率幅值进行约束。
S7所述倾侧角幅值和倾侧角速率幅值采用如下形式：
式(10)中：
σn+1为当前周期的倾侧角；
σn为上一周期的倾侧角；
τs为制导周期；
Δσmax为倾侧角速率幅值约束值；
sgn(·)为符号函数；
σmax为倾侧角幅值约束值。
本发明涉及一种面向突防任务需求的飞行器智能轨迹规划方法，通过混沌模型与深度神经网络使飞行器在满足任务可达性的同时，具备一定的轨迹混沌性。
本发明采用混沌模型与神经网络生成飞行轨迹，提供一种既能满足终端任务约束又具有一定不可预测性的轨迹规划方法。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：所述方法包括如下步骤：
S1：获得飞行状态量与飞行控制量之间的网络映射关系；
所述S1包括如下步骤：
S101：在初始偏差和环境扰动条件下利用飞行器动力学模型采用轨迹积分的形式生成飞行轨迹样本；
S102：以飞行状态量作为输入，以倾侧角剖面中值σmid作为输出，采用DNN进行网络模型学习，获得飞行状态量与飞行控制量之间的网络映射关系如下：
σmid＝Net(r,V,γ,α(V),S) (1)
式(1)中：
σmid为倾侧角剖面中值；
Net(·)为学习完成的神经网络模型；
r为地心距；
V为飞行器飞行速度；
γ为飞行路径角；
α(V)为攻角剖面；
S为剩余航程；
S2：将过程约束转化为飞行高度和倾侧角约束；
所述S2包括如下步骤：
设定过程约束包括：最大动压约束qmax、最大过载约束Nmax以及最大驻点热流约束Qmax，将过程约束转化为飞行高度和倾侧角约束的过程如下：
式(3)中：
hqmax(V)为由最大动压约束转化而来的飞行高度约束；
hNmax(V)为由最大过载约束转化而来的飞行高度约束；
hQmax(V)为由最大驻点热流约束转化而来的飞行高度约束；
hs为基准高度；
ln(·)为以自然对数为底的对数函数；
ρ0为海平面大气密度；
V为飞行器飞行速度；
L为飞行器飞行气动升力；
D为飞行器飞行气动阻力；
Cq为热流密度系数；
R0为地球平均半径；
σmax(V)为倾侧角约束；
σimax(V)(i＝q,N,Q)为对应转化后的倾侧角大小约束；
q为动压约束；
N为过载约束；
Q为驻点热流约束
himax(V)为hqmax(V)、hNmax(V)和hQmax(V)的泛指；
S3：通过Chebyshev映射模型和飞行器模型测量偏差生成导引指令中的最终混沌信号δ；
所述S3包括如下步骤：
S301：所述Chebyshev映射模型采用k阶的Chebyshev映射模型如下：
xn+1＝cos(k·arccosxn) (4)
式(4)中：
xn为第n次计算得到的混沌信号；
xn+1为第n+1次计算得到的混沌信号，定义区间为(-1,1)，n可按照仿真步长进行次数提取；
S302：将上述混沌信号叠加至导引指令中，由映射模型与飞行器模型测量偏差组合得到：
δ＝xn+1·(1+w) (5)
式(5)中：
δ为最终混沌信号；
w为飞行器模型测量偏差，且
式(6)中：
F(r,V,α)为根据飞行状态测量得到的飞行器前缘翼面压力；
Fref(r,V,α)为提前装订的标称条件下的飞行器前缘翼面压力；
Fmax为Fref(r,V,α)的最大值，仿真试验时将F(r,V,α)等效为气动阻力；
S4：计算满足任务约束的倾侧角剖面中值，并计算出实时需要的倾侧角大小σc；
S5：将最终混沌信号δ和最大倾侧角变化量σmax(V)-σc叠加到实时计算得到的需要倾侧角指令上，得到混沌化处理后的倾侧角大小|σ|＝|σc+δ·(σmax(V)-σc)|；
S6：采用视线角误差走廊确定倾侧角方向；
S7：对倾侧角幅值和倾侧角速率幅值进行约束；
S7所述倾侧角幅值和倾侧角速率幅值采用如下形式：
式(10)中：
σn+1为当前周期的倾侧角；
σn为上一周期的倾侧角；
τs为制导周期；
Δσmax为倾侧角速率幅值约束值；
sgn(·)为符号函数；
σmax为倾侧角幅值约束值。
2.根据权利要求1所述的一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：S101所述初始偏差和环境扰动包括：初始高度偏差、初始速度偏差、初始飞行路径角偏差、气动阻力系数偏差、气动升力系数偏差以及大气密度偏差。
3.根据权利要求2所述的一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：S101所述飞行器动力学模型为：
式(2)中：
r为地心距；
V为飞行器飞行速度；
γ为飞行路径角；
ψ为飞行器飞行航向角；
θ为飞行器飞行经度；
D为飞行器飞行气动阻力；
ωE为地球自转角速率；
L为飞行器飞行气动升力；
σ为倾侧角。
4.根据权利要求3所述的一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：S102所述DNN为双隐含层的深度神经网络，激活函数选择为ReLU函数，损失函数选择为均方差形式。
5.根据权利要求4所述的一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：S4所述倾侧角剖面中值的计算包括如下步骤：
S401：设定控制指令为攻角和倾侧角，其中，设定攻角与速度相关的函数如下：
式(7)中：
α为飞行攻角；
αmax为控制热流约束的飞行允许最大攻角；
V为飞行器飞行速度；
V1和V2为分段处对应速度大小；
αL为最大升阻比对应的攻角；
将倾侧角设定为两线性段组合起来的与速度相关的函数如下：
式(8)中：
σ为倾侧角；
σ0为初始状态下按照准平衡滑翔条件
算出来的倾侧角；
σf为终端状态下按照准平衡滑翔条件
算出来的倾侧角；
σmid为根据航程进行调整的倾侧角剖面中值；
V0为指定的初始速度；
Vf为指定的终端速度；
Vmid为V0和Vf的中值；
通过上述即可求得倾侧角剖面中值σmid；
S402：由实时速度插值倾侧角剖面即可得到实时需要的倾侧角大小σc＝σ。
6.根据权利要求5所述的一种基于混沌模型与DNN的飞行器智能轨迹规划方法，其特征在于：S6所述视线角误差走廊采用分段线性形式如下：
式(9)中：
ψLOS为飞行器与目标连线的视线角；
θf为地面目标点的经度；
θ为飞行器飞行经度；
Δψ为视线角偏差；
ψ为飞行器飞行航向角；
Δψt为由视线角偏差的上下限确定的视线角偏差边界；
Δψh为设定的视线角偏差的上限；
Δψl为设定的视线角偏差的下限；
V为飞行器飞行速度；
V3和V4为按照速度分段形式的视线角偏差走廊的分段速度点；
σn+1为当前周期的倾侧角；
σn为上一周期的倾侧角；
sgn(·)为符号函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210152780.6A CN114442673B (zh) | 2022-02-18 | 2022-02-18 | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210152780.6A CN114442673B (zh) | 2022-02-18 | 2022-02-18 | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114442673A CN114442673A (zh) | 2022-05-06 |
| CN114442673B true CN114442673B (zh) | 2022-08-16 |
Family
ID=81372719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210152780.6A Active CN114442673B (zh) | 2022-02-18 | 2022-02-18 | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114442673B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996658B (zh) * | 2022-07-20 | 2022-11-08 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于投影的高超声速飞行器气动热预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112558475A (zh) * | 2020-11-30 | 2021-03-26 | 中国运载火箭技术研究院 | 一种基于凸优化的考虑飞行时间的再入制导方法 |
| CN113805609A (zh) * | 2021-10-13 | 2021-12-17 | 河海大学 | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
| US20230195952A1 (en) * | 2020-05-20 | 2023-06-22 | Schlumberger Technology Corporation | Well planning based on hazard predictive models |
| 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系统 |
-
2022
- 2022-02-18 CN CN202210152780.6A patent/CN114442673B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112558475A (zh) * | 2020-11-30 | 2021-03-26 | 中国运载火箭技术研究院 | 一种基于凸优化的考虑飞行时间的再入制导方法 |
| CN113805609A (zh) * | 2021-10-13 | 2021-12-17 | 河海大学 | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114442673A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jorgensen et al. | A neural network baseline problem for control of aircraft flare and touchdown | |
| CN110243359A (zh) | 基于低空风预测模型的安全航迹规划方法 | |
| CN106773713A (zh) | 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法 | |
| CN106681348A (zh) | 考虑全捷联导引头视场约束的制导控制一体化设计方法 | |
| CN109635494B (zh) | 一种飞行试验与地面仿真气动力数据综合建模方法 | |
| CN110672092B (zh) | 一种降低固定翼无人机平台磁干扰的航迹生成方法 | |
| CN109703770B (zh) | 基于测风激光雷达和cfd数据库的舰载机助降方法 | |
| Bird et al. | Closing the loop in dynamic soaring | |
| CN108153323B (zh) | 一种高空无人飞行器高精度再入制导方法 | |
| Tsiotras et al. | Initial guess generation for aircraft landing trajectory optimization | |
| CN112506218B (zh) | 一种基于轨迹智能预测的再入飞行器任意禁飞区绕飞方法 | |
| CN106019987A (zh) | 一种三维交互式模拟航迹生成方法及系统 | |
| CN102393200A (zh) | 基于飞行仿真的通用惯导测试方法 | |
| CN111881518A (zh) | 一种智能的高超声速飞行器再入机动制导方法及系统 | |
| CN112148024A (zh) | 基于自适应伪谱法的无人机实时在线航迹规划方法 | |
| CN109947126A (zh) | 四旋翼无人机的控制方法、装置、设备及可读介质 | |
| CN107367941B (zh) | 高超声速飞行器攻角观测方法 | |
| CN113126643A (zh) | 一种高超声速飞行器智能鲁棒再入制导方法及系统 | |
| CN114442673B (zh) | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 | |
| CN107817818A (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
| CN114637327A (zh) | 基于深度策略性梯度强化学习的在线轨迹生成制导方法 | |
| CN108917767B (zh) | 一种基于电子海图的航海运动标绘计算方法 | |
| CN113093790B (zh) | 一种基于解析模型的飞行器再入滑翔轨迹规划方法 | |
| Smith et al. | Application of the concept of dynamic trim control to automatic landing of carrier aircraft | |
| Kelly et al. | The Queen Elizabeth class aircraft carriers: airwake modelling and validation for ASTOVL flight simulation |
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 |