CN114740894B - 基于注意力机制与门控循环单元的飞行器制导方法和系统 - Google Patents
基于注意力机制与门控循环单元的飞行器制导方法和系统 Download PDFInfo
- Publication number
- CN114740894B CN114740894B CN202210516782.9A CN202210516782A CN114740894B CN 114740894 B CN114740894 B CN 114740894B CN 202210516782 A CN202210516782 A CN 202210516782A CN 114740894 B CN114740894 B CN 114740894B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- target aircraft
- predicted
- state quantity
- flight state
- 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 45
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于注意力机制与门控循环单元的飞行器制导方法和系统,涉及高超声速飞行器制导技术领域,包括:获取目标飞行器在当前时刻的初始飞行状态量;目标飞行器为高超声速飞行器;将初始飞行状态量作为输入量输入到训练好的Attention‑GRU模型,得到目标飞行器在下一个制导周期的预测倾侧角;基于预测倾侧角,对目标飞行器进行制导。本发明缓解了现有技术中存在的浪费算力与时间、对实时性影响较大的技术问题。
Description
技术领域
本发明涉及高超声速飞行器制导技术领域,尤其是涉及一种基于注意力机制与门控循环单元的飞行器制导方法和系统。
背景技术
高升阻比飞行器再入制导方法主要分为两种,基于标称轨迹的制导方法和预测校正制导,相比于基于标称轨迹跟踪的制导方法,预测校正制导具有更强的自主性和对复杂环境的适应能力。传统的预测校正制导方案的控制量为攻角和倾侧角,攻角一般由预设的速度-攻角剖面生成;通过设计纵向制导律来确定控制量倾侧角的幅值:通过当前倾侧角对动力学方程作积分,得到满足终端能量约束的纵平面射程,之后联立飞行器距离中末制导交班点的剩余航程,最终通过割线法求解倾侧角的幅值;通过设计横向制导律确定倾侧角的符号,当航向角与视线角误差超过走廊边界时倾侧角反转,通过控制倾侧角符号来使得飞行器满足再入终端的经纬度约束。
传统的预测校正制导方法存在以下缺点:倾侧角控制量的幅值和符号通过两个制导周期分别确定,在纵向制导周期中每隔t1校正一次倾侧角的幅值,在横向制导中每隔t2判断横程误差或航向角与视线角的误差是否超出走廊边界,一般情况下t1是t2的上百倍,周期上并不匹配,浪费算力与时间;预测校正方法需要在纵向制导中积分预测飞行器待飞航程,在横向制导中积分运算确定飞行状态进而得到倾侧角符号,两次积分存在明显的冗余运算,解算时间较长,对实时性的影响较大。
发明内容
有鉴于此,本发明的目的在于提供一种基于注意力机制与门控循环单元的飞行器制导方法和系统,以缓解现有技术中存在的浪费算力与时间、对实时性影响较大的技术问题。
第一方面,本发明实施例提供了一种基于注意力机制与门控循环单元的飞行器制导方法,包括:获取目标飞行器在当前时刻的初始飞行状态量;所述目标飞行器为高超声速飞行器;将所述初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到所述目标飞行器在下一个制导周期的预测倾侧角;基于所述预测倾侧角,对所述目标飞行器进行制导。
进一步地,基于所述预测倾侧角,对所述目标飞行器进行制导,包括:基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量;基于预设终末交班点状态,判断所述预测飞行状态量是否满足交班条件;如果否,则以所述预测飞行状态量作为所述训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到所述预测飞行状态量满足所述交班条件。
进一步地,基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量,包括:基于预设速度攻角剖面,确定所述目标飞行器的攻角;将所述预测倾侧角和所述攻角代入到所述目标飞行器的动力学模型,以预设积分步长进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量。
进一步地,初始飞行状态量包括:所述目标飞行器的飞行轨迹数据、所述目标飞行器的飞行轨迹数据与终末交班点数据的差值。
第二方面,本发明实施例还提供了一种基于注意力机制与门控循环单元的飞行器制导系统,包括:获取模块,预测模块和制导模块;其中,所述获取模块,用于获取目标飞行器在当前时刻的初始飞行状态量;所述目标飞行器为高超声速飞行器;所述预测模块,用于将所述初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到所述目标飞行器在下一个制导周期的预测倾侧角;所述制导模块,用于基于所述预测倾侧角,对所述目标飞行器进行制导。
进一步地,所述制导模块,包括:计算单元和判断单元;其中,所述计算单元,用于基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量;所述判断单元,用于基于预设终末交班点状态,判断所述预测飞行状态量是否满足交班条件;如果否,则以所述预测飞行状态量作为所述训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到所述预测飞行状态量满足所述交班条件。
进一步地,所述计算单元,还用于:基于预设速度攻角剖面,确定所述目标飞行器的攻角;将所述预测倾侧角和所述攻角代入到所述目标飞行器的动力学模型,以预设积分步长进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量。
进一步地,初始飞行状态量包括:所述目标飞行器的飞行轨迹数据、所述目标飞行器的飞行轨迹数据与终末交班点数据的差值。
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上述第一方面所述方法。
本发明提供了一种基于注意力机制与门控循环单元的飞行器制导方法和系统,利用门控循环单元(GRU)神经网络取代已有网络模型,GRU网络具有更加简单的结构、更少的参数和更好的收敛性,同时引入注意力机制(Attention)优化网络输入,以减少因实时状态量过多引起的网络训练耗时、收敛性差、拟合程度低的问题,缓解了现有技术中存在的浪费算力与时间、对实时性影响较大的技术问题。
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根据本发明实施例提供的一种基于注意力机制与门控循环单元的飞行器制导方法的流程图;
图2为根据本发明实施例提供的一种坐标系转换关系示意图;
图3为根据本发明实施例提供的一种再入制导方案示意图;
图4为根据本发明实施例提供的一种注意力机制的示意图;
图5为根据本发明实施例提供的一种门控循环单元模型结构示意图;
图6为根据本发明实施例提供的一种基于注意力机制与门控循环单元的飞行器制导系统的示意图。
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基于注意力机制与门控循环单元的飞行器制导方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,获取目标飞行器在当前时刻的初始飞行状态量;目标飞行器为高超声速飞行器。
可选地,初始飞行状态量包括:目标飞行器的飞行轨迹数据、目标飞行器的飞行轨迹数据与终末交班点数据的差值。
步骤S104,将初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到目标飞行器在下一个制导周期的预测倾侧角。
步骤S106,基于预测倾侧角,对目标飞行器进行制导。
本发明提供了一种基于注意力机制与门控循环单元的飞行器制导方法,利用GRU神经网络取代已有网络模型,具有更加简单的结构、更少的参数和更好的收敛性,同时引入注意力机制优化网络输入,以减少因实时状态量过多引起的网络训练耗时、收敛性差、拟合程度低的问题,缓解了现有技术中存在的浪费算力与时间、对实时性影响较大的技术问题。
具体的,步骤S106还包括如下步骤:
步骤S1061,基于预测倾侧角,对目标飞行器的动力学模型进行积分,得到目标飞行器在下一个制导周期的预测飞行状态量。
具体的,基于预设速度攻角剖面,确定目标飞行器的攻角;将预测倾侧角和攻角代入到目标飞行器的动力学模型,以预设积分步长进行积分,得到目标飞行器在下一个制导周期的预测飞行状态量。
步骤S1062,基于预设终末交班点状态,判断预测飞行状态量是否满足交班条件;如果否,则以预测飞行状态量作为训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到预测飞行状态量满足交班条件。
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考虑地球曲率和地球自转的滑翔飞行的运动方程,具体过程如下:
①常用坐标系及转换关系:
采用模型数据公开发表的通用航空飞行器(Common Aero Vehicle,CAV)中的高升力体CAV-H模型为研究对象。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CAV-H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、过载、动压约束,结合伪平衡滑翔条件,确定了高超声速飞行器再入飞行走廊。
在建立高超声速飞行器模型之前,坐标系的选择是很关键的。选取不同的坐标系所建立的数学模型,会存在不同的形式,并且各种形式所建立的模型具有不同复杂度,关乎到模型解算的难易程度。因此要尽可能选取既符合飞行器运动规律又使得模型方程简单的坐标系。
a.坐标系定义:
坐标系是建立飞行器运动标量方程的基础。对于高超声速飞行器滑翔段轨迹规划来说,选取不同的坐标系,所建立的飞行器运动方程复杂程度也会因此不同,所以重点是选取合适的坐标系。本发明实施例中建立的坐标系都属于苏式坐标体系。
(1)地面坐标系:
(2)地心赤道惯性坐标系:
(3)地心赤道旋转坐标系:
地心赤道旋转坐标系,又被简称为地球坐标系,其中在地球中心处建立原点E,轴和地球赤道平面相互垂直,并且该轴以指向北极为正方向;轴位于赤道平面内,以指向赤道平面与格林威治子午面的相交线为正;轴则由、轴以及右手定则来确定。对于高超声速飞行器滑翔段运动方程建立来说,该坐标系很重要,因为其具有角速度。
(4)当地铅垂坐标系:
当地铅垂坐标系,一般又称为飞行器牵连铅垂地面固定坐标系,将地球视为椭球体,其中原点O位于飞行器质心,轴指向北方,轴铅垂向上,轴指向东方,也就是”北-天-东”规则。飞行器姿态的定义即与飞行器牵连铅垂地面固定坐标系有关。
(5)机体坐标系:
机体坐标系,与飞行器机体固联,是动坐标系。其中原点O位于飞行器质心,轴与飞行器机体纵轴重合,指向前方(机头方向)为正;轴位于飞行器机体纵向对称平面内,垂直于轴,指向上为正;轴由、轴以及右手定则来确定。
(6)航迹坐标系:
航迹坐标系,与飞行器速度矢量固联,是动坐标系。其中原点O位于飞行器质心,轴与飞行器速度矢量V重合,以指向前为正;轴位于包含航迹速度矢量V的铅垂平面内,且与航迹速度矢量垂直,指向上为正;轴则由、轴和右手准则来确定。
(7)速度坐标系:
b.坐标系的转换:
飞行器在飞行过程中,作用在其上的力包括重力、推力和空气动力。这些力往往定义在上述不同的坐标系中。为了建立描绘飞行器质心运动的动力学方程,必须进行上述各坐标系之间的转换,即将不同坐标系下定义的作用力都转换到某一个选定的、能够描述飞行器运动特征的坐标系下。不同坐标系之间的转换关系图如图2所示,图2为根据本发明实施例提供的一种坐标系转换关系示意图。
其中,坐标系绕着它的某一个坐标轴的旋转被称为基元旋转,可以得到:
(1)地球坐标系与当地铅垂坐标系之间的关系及转换:
所以可以得到由地球坐标系到当地铅垂坐标系的坐标转换矩阵为:
(2)当地铅垂坐标系与航迹坐标系之间的关系及转换:
当地铅垂坐标系与航迹坐标系之间的相对关系可由航迹倾斜角和航迹方位角来确定。其中航迹倾斜角是指水平面与飞行器速度矢量V之间的夹角,当水平面位于速度矢量V的下方时,定义航迹倾斜角为正,反之为负。航迹方位角是指轴与飞行器速度矢量V在水平面上的投影之间的夹角,当轴位于该投影线的左侧时,定义航迹方位角为正,反之为负。所以当地铅垂坐标系与航迹坐标系之间的关系可表示为:
所以可以得到由当地铅垂坐标系到航迹坐标系的坐标转换矩阵为:
(3)机体坐标系与速度坐标系之间的关系及转换:
机体坐标系与速度坐标系之间的相对关系可由攻角和侧滑角来确定。其中攻角是指飞行器纵轴与飞行器速度矢量V在纵向对称平面内的投影的夹角,当飞行器纵轴位于速度矢量投影线的上方时,定义攻角为正,反之为负。侧滑角是指飞行器纵向对称平面与飞行器速度矢量V之间的夹角,若沿着飞行方向观察,气流从右侧流向飞行器,可定义此时侧滑角为正,反之为负。所以机体坐标系与速度坐标系之间的关系可表示为:
所以可以得到由机体坐标系到速度坐标系的坐标转换矩阵为:
(4)航迹坐标系与速度坐标系之间的关系及转换:
航迹坐标系与速度坐标系之间的相对关系可由倾侧角来确定,又称为速度滚转角。其中倾侧角是指包含飞行器速度矢量V在内的铅垂平面与飞行器纵向对称平面内的轴之间的夹角(轴与轴之间的夹角),当沿着飞行器速度方向观察,若飞行器纵向对称平面向右侧倾斜时,定义倾侧角为正,反之为负。所以航迹坐标系与速度坐标系之间的关系可表示为:
所以可以得到由航迹坐标系到速度坐标系的坐标转换矩阵为:
②高超声速滑翔飞行器建模:
飞行器运动方程组是一组描述关于飞行器运动参数与作用在飞行器上的力、力矩之间关系的方程。由经典力学可知,刚体在空间的任意运动分为刚体质心平移运动和绕刚体质心转动运动,即分别决定了刚体的瞬时质心位置的三个自由度与刚体瞬时姿态的三个自由度。
a.基本假设:
因为飞行器质心运动相对绕质心转动变化较慢,所以建立高超声速飞行器的运动数学模型过程中,会对高超声速飞行器做出假设:
(1)高超声速飞行器为面对称的刚体,忽略飞行器机体弹性形变造成的影响;
(2)高超声速飞行器的几何中心、质心两点重合;
(3)高超声速飞行器滑翔段飞行过程中,不考虑飞行器的质量变化,质心位置也不发生改变;
(4)高超声速飞行器滑翔段起始点发动机就已停止工作,所以整个滑翔段飞行过程中,高超声速飞行器飞行主要依靠空气动力与自身重力进行;
(5)高超声速飞行器滑翔段轨迹规划,只考虑质心平移运动,认为绕质心旋转运动处于瞬时平衡状态。
b.高超声速飞行器滑翔段运动方程的一般形式:
基于牛顿第二定律可知,惯性系下的高超声速飞行器质心运动的矢量方程可表示为:
其中,ai表示绝对加速度,P表示作用在飞行器上的发动机的推力矢量,R表示作用在飞行器上的空气动力,g表示地球产生的引力加速度,m表示飞行器的质量。
由公式(2)可看出,飞行器的绝对加速度ai由三部分组成,第一部分表示相对加速度,其中Vk表示飞行器质心相对地球的速度,第二部分表示科氏加速度,第三部分表示牵连加速度。
在圆球形地球假设(考虑地球曲率和地球自转因素)下,引力加速度也可表示成:
结合公式(1)-(3),可以得到高超声速飞行器滑翔段相对于地球运动的动力学方程为:
c.航迹坐标系下的飞行器质心动力学方程:
高超声速飞行器滑翔段制导设计一般建立在航迹坐标系下,因为在航迹坐标系下建立的飞行器质心动力学方程,可以很清楚的表示出飞行器轨迹速度大小和方向的变化,这有利于对飞行轨迹进行控制分析。
航迹坐标系是一个动坐标系,因此以航迹坐标系为基准,航迹坐标系与地球坐标系之间会存在有相对角速度,实际是由当地铅垂坐标系与航迹坐标系之间的相对角速度和当地铅垂坐标系与地球坐标系之间的相对角速度组成,这两项可表示为:
也就是:
所以此时飞行器在航迹坐标系下相对于地球的速度可表示为:
综上可以得到航迹坐标系下的飞行器运动方程的矢量形式为:
对公式(8)进行详细推导,有:
因为有几何关系:
所以有:
所以有:
所以有:
所以由公式(1)~公式(20)可以得到在航迹坐标系下高超声速飞行器滑翔段质心运动的动力学方程为:
观察公式(21),可看出高超声速飞行器滑翔段质心运动的动力学方程右边由5项内容组成,依次分别为地球曲率对飞行器的作用、地球引力对飞行器的作用、推力和气动力对飞行器的作用、科氏惯性力对飞行器的作用、牵连惯性力对飞行器的作用。本发明实施例中的研究对象是高超声速飞行器无动力滑翔段,所以不考虑第3项中的推力作用。且本发明实施例假设飞行过程无侧滑运动,所以对第3项中的空气动力作用部分做些简化处理。
d.航迹坐标系下的飞行器质心运动学方程:
研究飞行器质心运动的运动学方程,可以确定每一时刻高超声速飞行器滑翔段质心的位置信息,而飞行器质心运动学方程常常以飞行器质心位置变化率和速度之间的关系来表示:
其中,A代表高超声速飞行器的质心位置矢量。
本发明实施例中的研究对象是处于飞行航程近似一万公里的状态下,所以为了便于分析,假设为圆球形大地情况。
飞行器速度矢量在当地铅垂坐标系下的分量可表示为:
在当地铅垂坐标系下,距离矢量r的分量可表示为:
所以飞行器速度矢量在当地铅垂坐标系下的分量也可以表示为:
其中:
将公式(26)代入公式(25),可以得到:
因为公式(27)与公式(23)相等,所以可以得到高超声速飞行器滑翔段在航迹坐标系下质心运动的运动学方程为:
综合飞行器质心运动的动力学方程(21)和运动学方程(28),可以得到三维空间内,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:
其中,r表示高超声速飞行器质心相对于地球的地心距,表示经度,表示纬度,、、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,表示地球的自转角速率,表示倾侧角,D表示飞行器所受空气阻力,L表示升力。阻力和升力的具体表达式如下所示:
公式(30)~公式(31)中,表示高超声速飞行器的参考面积,;表示飞行器当前所处高度的大气密度;和分别表示为飞行器阻力系数和升力系数,本论文中根据CAV-H公开资料,对气动力数据进行插值拟合,将阻力系数和升力系数都定义为关于攻角的函数:
在后续实现中,为便于分析,对高超声速飞行器滑翔段三维空间运动模型中的变量都做无量纲化处理。
③再入飞行走廊的建立:
再入飞行走廊可定义为高超声速飞行器安全再入所必须满足的各种约束条件的交集,进而可以确定飞行过程中控制变量倾侧角的变化范围,所以确定再入飞行走廊是CAV-H滑翔段轨迹规划的首要工作。
a.过程约束:
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:
热流约束:
过载约束:
动压约束:
将公式(37)代入公式(34)~公式(36)中,可以得到:
综上,过程约束组合即为再入飞行走廊的下边界。
b.伪平衡滑翔条件:
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,航迹倾斜角通常很小,并且变化相对很慢。所以在式(29)中第二行基础上,令,得:
公式(39)就是伪平衡滑翔条件(Quasi-Equilibrium Guide Condition,QEGC)。在理论上来说,只要受到足够的空气升力,公式(39)就可以保证飞行轨迹绝对平直。
④控制量设计:
首先是攻角剖面。由于再入飞行走廊的形状取决于攻角变化规律,因此攻角曲线设计是飞行方案设计的首要任务。对于大升阻比再入滑翔飞行器,热防护是攻角曲线设计的主要考虑因素。本发明实施例中设计CAV-H攻角曲线为关于速度的分段线性函数:
(40)式中,αmax、αmaxL/D分别表示是最大飞行攻角和最大升阻比对应的攻角,取值为20°、10°。V1和V2为曲线分段参数,可以根据滑翔段吸热最少进行优化设计,本发明实施例中取值为5km/s和3km/s。采用公式(40)所示攻角变化规律的好处在于:在滑翔段初期以大攻角飞行,这样可以使防热结构系统的负担减轻;通过高热流区域后以最大升阻比攻角飞行,可以增加纵向航程和侧向机动能力。
然后是基于Attention-GRU模型的倾侧角设计,本发明实施例基于Attention-GRU模型,输入当前时刻的飞行状态量,实时输出控制量倾侧角,具体过程见图3,图3为根据本发明实施例提供的一种再入制导方案示意图。
(1)注意力机制(Attention机制):
深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息,本发明实施例利用此机制优化因输入状态量过多导致的收敛性差、训练耗时及泛化性差的问题,其基本思想如图4所示,图4为根据本发明实施例提供的一种注意力机制的示意图。
如图4所示,将Source中的构成元素想象成是由一系列的<Key,Value>数据对构成,此时给定Target中的某个元素Query,通过计算Query和各个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和,而Query和Key用来计算对应Value的权重系数。
其本质思想可改写为公式(41):
公式(41)中,n表示Source的长度。
(2)门控循环单元网络(GRU网络):
GRU是长短期记忆(LSTM)网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,其具体结构如图5所示,图5为根据本发明实施例提供的一种门控循环单元模型结构示意图。其模型表达式见公式(42):
公式(42)中Wr、Wz、Wh、Wo为待学习的权值参数,[]表示两个向量拼接,*表示矩阵相乘,xt为当前的输入,ht-1为上一个节点传递下来的隐状态,yt为当前隐藏节点的输出,ht为传递给下一个节点的隐状态,rt为重置门输出,zt为更新门输出,为当前时刻候选状态,计算出候选值后通过更新门来控制前一个隐藏状态有多少信息可以传递到当前隐藏状态。
至此,完成Attention-GRU模型的建立,再通过此模型完成倾侧角的设计。
本发明实施例提供的一种基于注意力机制与门控循环单元的飞行器制导方法,通过神经网络完成序列到单一变量的拟合,即将飞行轨迹数据的状态向量以及当前值与目标点数据的差值的组合向量作为网络输入,最终得到的网络输出为下一时刻的倾侧角。
具体的,本发明实施例中,Attention-GRU模型的网络输入为:
得到下一时刻倾侧角后,根据需要设计积分步长,后对建立的飞行器动力学模型(即(29)式所示模型)进行积分,即可得到此时的飞行器状态。
得到飞行器下一时刻的状态之后,与终末交班点状态做比对,若满足要求则制导结束,若不满足要求则更新飞行器状态继续通过网络预测下一时刻的倾侧角,循环此过程直到生成满足交班点要求的完整轨迹。
本发明实施例提供的一种基于注意力机制与门控循环单元的飞行器制导方法,能够在高超声速飞行器再入段进行实时在线制导,针对传统的预测校正制导方法进行改进,提出基于Attention-GRU模型的智能再入制导方案,此方案无论是相较于传统的预测校正方案还是现有的改进算法,都可以在满足基本等同的轨迹规划效果的同时,优化网络输入,提高模型的泛化性,能够进一步减少计算量、节省计算机算力、提高计算速度,能满足在线制导的实时性要求。
实施例二:
图6为根据本发明实施例提供的一种基于注意力机制与门控循环单元的飞行器制导系统的示意图。如图6所示,该系统包括:获取模块10,预测模块20和制导模块30。
获取模块10,用于获取目标飞行器在当前时刻的初始飞行状态量;目标飞行器为高超声速飞行器。
可选地,初始飞行状态量包括:目标飞行器的飞行轨迹数据、目标飞行器的飞行轨迹数据与终末交班点数据的差值。
预测模块20,用于将初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到目标飞行器在下一个制导周期的预测倾侧角。
制导模块30,用于基于预测倾侧角,对目标飞行器进行制导。
本发明提供了一种基于注意力机制与门控循环单元的飞行器制导系统,利用GRU神经网络取代已有网络模型,具有更加简单的结构、更少的参数和更好的收敛性,同时引入注意力机制优化网络输入,以减少因实时状态量过多引起的网络训练耗时、收敛性差、拟合程度低的问题,缓解了现有技术中存在的浪费算力与时间、对实时性影响较大的技术问题。
可选地,制导模块30,包括:计算单元31和判断单元32。
具体的,计算单元31,用于基于预测倾侧角,对目标飞行器的动力学模型进行积分,得到目标飞行器在下一个制导周期的预测飞行状态量。
判断单元32,用于基于预设终末交班点状态,判断预测飞行状态量是否满足交班条件;如果否,则以预测飞行状态量作为训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到预测飞行状态量满足交班条件。
可选地,计算单元31,还用于:基于预设速度攻角剖面,确定目标飞行器的攻角;将预测倾侧角和攻角代入到目标飞行器的动力学模型,以预设积分步长进行积分,得到目标飞行器在下一个制导周期的预测飞行状态量。
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,程序代码使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 (8)
1.一种基于注意力机制与门控循环单元的飞行器制导方法,其特征在于,包括:
获取目标飞行器在当前时刻的初始飞行状态量;所述目标飞行器为高超声速飞行器;
将所述初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到所述目标飞行器在下一个制导周期的预测倾侧角;
所述初始飞行状态量包括:当前时刻目标飞行器的地心距,经度,纬度,速度,航迹倾斜角和航迹方位角;当前时刻目标飞行器与终末交班点的地心距之差,纬度之差、经度之差和速度之差;以及当前时刻目标飞行器的航向角与视线角的偏差,剩余飞行时间,当前时刻热流率与驻点处最大循序热流率的偏差,当前时刻目标飞行器过载与最大允许过载的偏差和当前时刻目标飞行器动压与最大允许动压的偏差;Attention-GRU模型的输出为下一个制导周期的倾侧角的符号与幅值;
基于所述预测倾侧角,对所述目标飞行器进行制导。
2.根据权利要求1所述的方法,其特征在于,基于所述预测倾侧角,对所述目标飞行器进行制导,包括:
基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量;
基于预设终末交班点状态,判断所述预测飞行状态量是否满足交班条件;
如果否,则以所述预测飞行状态量作为所述训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到所述预测飞行状态量满足所述交班条件。
3.根据权利要求2所述的方法,其特征在于,基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量,包括:
基于预设速度攻角剖面,确定所述目标飞行器的攻角;
将所述预测倾侧角和所述攻角代入到所述目标飞行器的动力学模型,以预设积分步长进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量。
4.一种基于注意力机制与门控循环单元的飞行器制导系统,其特征在于,包括:获取模块,预测模块和制导模块;其中,
所述获取模块,用于获取目标飞行器在当前时刻的初始飞行状态量;所述目标飞行器为高超声速飞行器;
所述预测模块,用于将所述初始飞行状态量作为输入量输入到训练好的Attention-GRU模型,得到所述目标飞行器在下一个制导周期的预测倾侧角;所述初始飞行状态量包括:当前时刻目标飞行器的地心距,经度,纬度,速度,航迹倾斜角和航迹方位角;当前时刻目标飞行器与终末交班点的地心距之差,纬度之差、经度之差和速度之差;以及当前时刻目标飞行器的航向角与视线角的偏差,剩余飞行时间,当前时刻热流率与驻点处最大循序热流率的偏差,当前时刻目标飞行器过载与最大允许过载的偏差和当前时刻目标飞行器动压与最大允许动压的偏差;Attention-GRU模型的输出为下一个制导周期的倾侧角的符号与幅值;
所述制导模块,用于基于所述预测倾侧角,对所述目标飞行器进行制导。
5.根据权利要求4所述的系统,其特征在于,所述制导模块,包括:计算单元和判断单元;其中,
所述计算单元,用于基于所述预测倾侧角,对所述目标飞行器的动力学模型进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量;
所述判断单元,用于基于预设终末交班点状态,判断所述预测飞行状态量是否满足交班条件;如果否,则以所述预测飞行状态量作为所述训练好的Attention-GRU模型的输入量,继续预测下一个制导周期的预测倾侧角和计算下一个制导周期的预测飞行状态量,直到所述预测飞行状态量满足所述交班条件。
6.根据权利要求5所述的系统,其特征在于,所述计算单元,还用于:
基于预设速度攻角剖面,确定所述目标飞行器的攻角;
将所述预测倾侧角和所述攻角代入到所述目标飞行器的动力学模型,以预设积分步长进行积分,得到所述目标飞行器在下一个制导周期的预测飞行状态量。
7.一种电子设备,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3任一项所述的方法的步骤。
8.一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1-3任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210516782.9A CN114740894B (zh) | 2022-05-13 | 2022-05-13 | 基于注意力机制与门控循环单元的飞行器制导方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210516782.9A CN114740894B (zh) | 2022-05-13 | 2022-05-13 | 基于注意力机制与门控循环单元的飞行器制导方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114740894A CN114740894A (zh) | 2022-07-12 |
CN114740894B true CN114740894B (zh) | 2022-08-26 |
Family
ID=82285376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210516782.9A Active CN114740894B (zh) | 2022-05-13 | 2022-05-13 | 基于注意力机制与门控循环单元的飞行器制导方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740894B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106586033A (zh) * | 2017-01-13 | 2017-04-26 | 北京航空航天大学 | 自适应分段的多段线性伪谱广义标控脱靶量再入制导方法 |
CN108036676A (zh) * | 2017-12-04 | 2018-05-15 | 北京航空航天大学 | 一种基于三维再入弹道解析解的全射向自主再入制导方法 |
CN109270960A (zh) * | 2018-12-05 | 2019-01-25 | 中南大学 | 基于Radau伪谱法的在线最优反馈再入制导方法 |
CN110442600A (zh) * | 2019-04-17 | 2019-11-12 | 江苏网谱数据服务有限公司 | 一种时间序列异常检测方法 |
CN111580555A (zh) * | 2020-05-13 | 2020-08-25 | 北京控制工程研究所 | 一种高超声速飞行器上升段分段自适应预测校正制导方法 |
CN112498744A (zh) * | 2020-11-12 | 2021-03-16 | 中国航天空气动力技术研究院 | 纵横向松耦合在线轨迹规划方法及电子设备 |
CN112623259A (zh) * | 2021-03-08 | 2021-04-09 | 北京航空航天大学 | 针对高超声速飞行器数据丢包的自抗扰控制器设计方法 |
CN112947573A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 终端时间约束下的高超声速飞行器再入制导方法 |
CN113835442A (zh) * | 2021-09-30 | 2021-12-24 | 北京航空航天大学 | 高超声速滑翔飞行器线性伪谱再入制导方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992074B (zh) * | 2017-12-07 | 2019-08-20 | 大连理工大学 | 一种基于飞行路径角规划的再入轨迹设计方法 |
CN108983800B (zh) * | 2018-07-27 | 2020-11-03 | 西北工业大学 | 一种基于深度学习的飞机姿态控制方法 |
CN113408588B (zh) * | 2021-05-24 | 2023-02-14 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
CN113269363B (zh) * | 2021-05-31 | 2023-06-30 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
-
2022
- 2022-05-13 CN CN202210516782.9A patent/CN114740894B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106586033A (zh) * | 2017-01-13 | 2017-04-26 | 北京航空航天大学 | 自适应分段的多段线性伪谱广义标控脱靶量再入制导方法 |
CN108036676A (zh) * | 2017-12-04 | 2018-05-15 | 北京航空航天大学 | 一种基于三维再入弹道解析解的全射向自主再入制导方法 |
CN109270960A (zh) * | 2018-12-05 | 2019-01-25 | 中南大学 | 基于Radau伪谱法的在线最优反馈再入制导方法 |
CN110442600A (zh) * | 2019-04-17 | 2019-11-12 | 江苏网谱数据服务有限公司 | 一种时间序列异常检测方法 |
CN111580555A (zh) * | 2020-05-13 | 2020-08-25 | 北京控制工程研究所 | 一种高超声速飞行器上升段分段自适应预测校正制导方法 |
CN112498744A (zh) * | 2020-11-12 | 2021-03-16 | 中国航天空气动力技术研究院 | 纵横向松耦合在线轨迹规划方法及电子设备 |
CN112623259A (zh) * | 2021-03-08 | 2021-04-09 | 北京航空航天大学 | 针对高超声速飞行器数据丢包的自抗扰控制器设计方法 |
CN112947573A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 终端时间约束下的高超声速飞行器再入制导方法 |
CN113835442A (zh) * | 2021-09-30 | 2021-12-24 | 北京航空航天大学 | 高超声速滑翔飞行器线性伪谱再入制导方法和系统 |
Non-Patent Citations (7)
Title |
---|
An Optimal Nonlinear Guidance Logic for the Trajectory Tracking of Supercavitating Vehicles;Jia Song et al.;《Proceedings of 2017 lEEE International Conference on Mechatronics and Automation》;20170809;第1221-1226页 * |
Investigation of direct force control for aerocapture at Neptune;Rohan G. Deshmukh et al.;《Acta Astronautica》;20200531;第375–386页 * |
基于LSTM模型的飞行器智能制导技术研究;汪韧 等;《力学学报》;20210731;第2047-2057页 * |
基于倾侧角反馈控制的预测校正再入制导方法;赵江 等;《兵工学报》;20150531(第05期);第823-830页 * |
基于循环神经网络的集群意图识别方法研究;吴南方;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200315;第5、38-42页 * |
高超声速飞行器再入段LQR自抗扰控制方法设计;高科 等;《宇航学报》;20201130;第1418-1423页 * |
高超声速飞行器纵向平面滑翔飞行制导控制方法;王建华 等;《国防科技大学学报》;20170228(第01期);第58-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114740894A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
Lawrance et al. | Autonomous exploration of a wind field with a gliding aircraft | |
CN104392047B (zh) | 一种基于平稳滑翔弹道解析解的快速弹道规划方法 | |
Scorsoglio et al. | Image-based deep reinforcement meta-learning for autonomous lunar landing | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
Kang et al. | Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter | |
De Marco et al. | A general solution to the aircraft trim problem | |
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 | |
CN110362089A (zh) | 一种基于深度强化学习和遗传算法的无人船自主导航的方法 | |
CN103995540A (zh) | 一种高超声速飞行器的有限时间轨迹快速生成方法 | |
CN111123923B (zh) | 一种无人船舶局部路径动态优化方法 | |
Spasojevic et al. | Perception-aware time optimal path parameterization for quadrotors | |
CN114355777B (zh) | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 | |
CN113359448A (zh) | 一种针对时变动力学的自主水下航行器轨迹跟踪控制方法 | |
Gao et al. | Dubins path‐based dynamic soaring trajectory planning and tracking control in a gradient wind field | |
CN112173173A (zh) | 一种面向成像卫星的目标可见弧段确定方法 | |
CN114721261A (zh) | 一种火箭子级姿态翻转着陆在线制导方法 | |
CN115755598A (zh) | 一种智能航天器集群分布式模型预测路径规划方法 | |
CN115265532A (zh) | 一种用于船用组合导航中的辅助滤波方法 | |
Kobilarov | Discrete geometric motion control of autonomous vehicles | |
Baier et al. | Hybrid physics and deep learning model for interpretable vehicle state prediction | |
De La Torre et al. | Autonomous suspended load operations via trajectory optimization and variational integrators | |
CN114740894B (zh) | 基于注意力机制与门控循环单元的飞行器制导方法和系统 | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 | |
CN116068894A (zh) | 基于双层强化学习的火箭回收制导方法 |
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 |