CN115469552B - 一种基于初始协态训练的在线弹道规划方法及装置 - Google Patents

一种基于初始协态训练的在线弹道规划方法及装置 Download PDF

Info

Publication number
CN115469552B
CN115469552B CN202211356433.1A CN202211356433A CN115469552B CN 115469552 B CN115469552 B CN 115469552B CN 202211356433 A CN202211356433 A CN 202211356433A CN 115469552 B CN115469552 B CN 115469552B
Authority
CN
China
Prior art keywords
initial
state
terminal state
neural network
trajectory
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
CN202211356433.1A
Other languages
English (en)
Other versions
CN115469552A (zh
Inventor
禹春梅
陈曦
李超兵
程晓明
张惠平
尚腾
包为民
李明华
郑卓
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.)
Beijing Aerospace Automatic Control Research Institute
Original Assignee
Beijing Aerospace Automatic Control Research Institute
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 Beijing Aerospace Automatic Control Research Institute filed Critical Beijing Aerospace Automatic Control Research Institute
Priority to CN202211356433.1A priority Critical patent/CN115469552B/zh
Publication of CN115469552A publication Critical patent/CN115469552A/zh
Application granted granted Critical
Publication of CN115469552B publication Critical patent/CN115469552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种基于初始协态训练的在线弹道规划方法及装置，解决了在线弹道规划的适用性与实时性问题，属于飞行器制导与控制领域。通过获得初始协态、确定终端状态约束，并将轨迹规划转化为函数极小化；利用Newton法求解，其中将初始协态作为函数极小化的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。本发明技术方案收敛速度快、精度高、实时性好。

Description

一种基于初始协态训练的在线弹道规划方法及装置
技术领域
本发明涉及一种基于初始协态训练的在线弹道规划方法及装置，属于飞行器制导与控制领域。
背景技术
现有技术方案通常是采用直接法中的配点法来解最优控制问题，该方法利用速度倾角和攻角作为航天飞机的制导参数；利用了降阶动力学模型，采用非旋转球面系、分段级数气动方程，并以比能的形式进行估计，最终将制导问题转换为依赖各种任务条件的轨迹优化问题。其核心算法可描述为：首先，产生真空解并获取关于时间的主矢量函数；然后，离散化主矢量函数，并通过配点法来解边界值问题；最后，通过将坐标系从惯性系转换到移动系，并加入各种限制条件来计算制导命令。现有技术方案存在以下不足：
1）广泛应用于真空段的闭路制导算法，其故障适应能力不足；
2）算法的实施解算能力没有得到验证，求解速度慢达不到实际应用的要求；
3）控制系统的任务适应能力不足，难以适应多样化投送能力的发射需求；
4）大气层内最优制导收敛性不足等方面缺点。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，解决了在线弹道规划的适用性与实时性问题。
本发明目的通过以下技术方案予以实现：
一种基于初始协态训练的在线弹道规划方法，包括：
在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
利用极大值原理，将轨迹规划问题转化成两点边值问题；确定终端状态约束；将两点边值问题转化成非线性方程组的求解问题；
利用Powell’s dogleg方法，将非线性方程组的求解问题转化为函数极小化问题；
利用Newton法求解函数极小化问题，其中将初始协态作为函数极小化问题的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
一种基于初始协态训练的在线弹道规划方法，包括：
在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
利用极大值原理，确定协态微分方程；确定终端状态约束；根据协态微分方程确定非线性方程组；
根据非线性方程组，利用Powell’s dogleg方法，确定性能指标函数；
利用Newton法求解性能指标函数，其中将初始协态作为初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
优选的，在飞行器飞行前，离线生成若干条满足终端状态约束的弹道，每条弹道选择多个离散点，将离散点处的状态量、本体参数偏差、终端状态约束作为神经网络训练的输入量，将俯仰角程序角指令、偏航程序角指令、俯仰角程序角指令对应的初始协态、偏航程序角指令对应的初始协态作为神经网络训练的输出量，进行神经网络训练。
优选的，利用Newton法求解性能指标函数，迭代过程中的权重系数随着迭代次数进行调节。
优选的，根据所述满足终端状态约束的初始协态，对协态微分方程进行积分，得到不同时间对应的最优速度协态值；利用不同时间对应的最优速度协态值，确定不同时间对应的推力方向。
优选的，根据不同时间对应的推力方向，对动力学方程进行积分，得到弹道轨迹。
一种基于初始协态训练的在线弹道规划装置，包括：
初始协态模块，在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
转换模块，首先利用极大值原理，将轨迹规划问题转化成两点边值问题；确定终端状态约束后，将两点边值问题转化成非线性方程组的求解问题；然后利用Powell’s dogleg方法，将非线性方程组的求解问题转化为函数极小化问题；
迭代模块，利用Newton法求解函数极小化问题，其中将初始协态作为函数极小化问题的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
弹道规划模块，利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
本发明相比于现有技术具有如下有益效果：
（1）本发明结合了离线训练与在线寻优两种方式，通过离线训练给出在线寻优的协态初始猜想，利用在线迭代可靠收敛得到最优飞行轨迹和制导指令；
（2）本发明在进行Newton搜索最优初始协态过程中，给出了自适应的抛物线权重调整方法，可在寻优初始时，首先利用性能指标的反馈进行粗搜索，然后利用约束的满足情况进行细搜索，进一步提升了最优解的收敛速度；
（3）本发明采用Newton迭代调节初始协态可反馈终端误差，最终可收敛得到满足终端约束的初始协态并进而得到最优协态和最优推力方向，进行训练后其误差不累计，规划后终端精度高；
（4）本发明由于初始猜想是学习后的网络输出，与最优初始协态较近，通常在求解两点边值问题时，能够快速收敛并满足在线弹道规划对实时性的要求；
（5）本发明在保证实时性的要求的同时，可保证求解的高精度。
附图说明
图1为一种基于初始协态训练的在线弹道规划方法流程图。
图2为终端状态约束（高度85km，速度8050m/s）下实际飞行航迹倾角。
图3为终端状态约束（高度85km，速度8050m/s）下实际飞行俯仰角曲线。
图4为终端状态约束（高度85km，速度8050m/s）下实际飞行动压曲线。
图5为终端状态约束（高度85km，速度8050m/s）下实际飞行热流密度曲线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步详细描述。
实施例1：
一种基于初始协态训练的在线弹道规划方法，包括：
（1）神经网络模型训练
在设计样本时需考虑终端高度、速度、速度倾角约束，利用伪谱法，在初始状态散布和本体模型散布下，离线生成1000条满足终端高度、速度及速度倾角约束的弹道，每条弹道选择100个离散点，选择各离散点处的状态量、本体参数偏差（推力偏差、质量偏差）及终端约束作为样本训练的输入量，将俯仰、偏航程序角指令及对应的初始协态作为输出量，选择输出误差较小的4层（Layer）/256单元（Units）神经网络完成初始协态网络模型的样本训练，获得训练好的神经网络模型。
（2）实时产生初始协态
Figure 759823DEST_PATH_IMAGE001
在飞行器飞行中，实时以当前协态作为输入，利用（1）中训练得到的神经网络模 型，在线快速产生初始协态
Figure 676963DEST_PATH_IMAGE001
。
（3）函数极小化问题
利用极大值原理，将轨迹规划问题转化成典型的两点边值问题，两点边值问题的协态微分方程表达形式为
Figure 456701DEST_PATH_IMAGE002
（1）
其中，
Figure 727276DEST_PATH_IMAGE003
为地球Schuler频率，
Figure 541648DEST_PATH_IMAGE004
为未来的飞行时间，
Figure 364111DEST_PATH_IMAGE005
为当前时间，
Figure 631144DEST_PATH_IMAGE006
是一个
Figure 728848DEST_PATH_IMAGE007
的单位矩阵，
Figure 397727DEST_PATH_IMAGE008
，
Figure 391091DEST_PATH_IMAGE009
为位置协态，
Figure 145420DEST_PATH_IMAGE010
为速度协态。
根据终端状态约束得到横截条件为：
Figure 757798DEST_PATH_IMAGE011
（2）
Figure 281183DEST_PATH_IMAGE012
（3）
其中
Figure 711028DEST_PATH_IMAGE013
为终端时间，
Figure 952653DEST_PATH_IMAGE014
为终端高度约束，
Figure 227777DEST_PATH_IMAGE015
为求解得到的终端高度，
Figure 746614DEST_PATH_IMAGE016
为x方 向的终端速度约束，
Figure 81780DEST_PATH_IMAGE017
为y方向的终端速度约束，
Figure 810702DEST_PATH_IMAGE018
及
Figure 889516DEST_PATH_IMAGE019
分别为求解得到的
Figure 262860DEST_PATH_IMAGE020
方 向的终端速度；其中，x方向和y方向分别对应惯性坐标系下的x轴和y轴。
将两点边值问题用非线性方程组表示并进行求解，即转化成非线性方程组的求解问题：
Figure 34507DEST_PATH_IMAGE021
（4）
其中，s代表自变量为
Figure 985145DEST_PATH_IMAGE022
的函数，
Figure 867651DEST_PATH_IMAGE021
为非线性方程组约束，利用Powell’s dogleg方法，将非线性方程组求解问题转化为一个函数极小化问题：
Figure 220134DEST_PATH_IMAGE023
（5）
其中，
Figure 38049DEST_PATH_IMAGE024
为极小化问题的性能指标函数。
（4）利用Newton法求解最优初始协态
利用Newton法求解上述函数极小化问题，将（2）中产生的初始协态
Figure 475983DEST_PATH_IMAGE025
作为该问题 求解的初始猜想，进一步迭代更新初始协态。
在第k次迭代过程中，第k次初始协态
Figure 896600DEST_PATH_IMAGE026
的迭代如下：
Figure 369170DEST_PATH_IMAGE027
（6）
其中，参数下标中的k、k-1分别表示第k次、k-1次迭代的相关参数，
Figure 357986DEST_PATH_IMAGE028
为第k-1 次迭代的初始协态值，权重系数
Figure 283217DEST_PATH_IMAGE029
及
Figure 507524DEST_PATH_IMAGE030
是以迭代次数k为变量的抛物线形式进行自主调 节：
Figure 569021DEST_PATH_IMAGE031
（7）
Figure 728738DEST_PATH_IMAGE032
（8）
其中
Figure 141265DEST_PATH_IMAGE033
为设定的最大迭代次数。
通过Newton法迭代地求解初始协态，最终收敛得到满足终端状态约束的初始协态
Figure 169264DEST_PATH_IMAGE034
，对协态微分方程（式1）进行积分，得到后续各个时间点对应的协态值（至少包括最优的 速度协态）。令飞行器的推力方向为：
Figure 350847DEST_PATH_IMAGE035
（9）
其中，
Figure 415886DEST_PATH_IMAGE036
为求模值，
Figure 315709DEST_PATH_IMAGE037
为推力矢量，
Figure 881819DEST_PATH_IMAGE038
为最优的速度协态。
以飞行器推力方向
Figure 183488DEST_PATH_IMAGE039
为控制量，对动力学方程进行积分，得到飞行弹道。
考虑三种终端状态约束要求，分别如下：1）高度为130km，速度为7900m/s；2）高度为140km，速度为8000m/s；3）高度为150km，速度为8100m/s，生成三类样本集。以高度为130km，速度为7900m/s为例，输入对应状态量以及当前的终端状态约束，通过神经网络逼近的值函数应分别与俯仰角曲线、协态曲线对应，使得其评价指标最小，最终完成训练过程。
选定在训练样本中不存在任务的终端状态要求，即高度为120km，速度为8050m/s。在该任务要求下，需要根据训练好的网络，进行实时制导指令生成，最终满足终端任务要求。
在飞行过程中，制导指令每1秒生成一次，在飞行器飞行中，则产生初始协态猜想，通过Newton迭代，实时得到轨迹和制导指令。
图2为终端状态约束（高度85km，速度8050m/s）下实际飞行航迹倾角，图3为终端状态约束（高度85km，速度8050m/s）下实际飞行俯仰角曲线，从图2及图3中可看出，终端的高度和速度约束均能够高精度的满足速度。在后期飞行中，已训练网络均可通过输出初始协态的方式，在1s内完成轨迹规划，最后保证较高的终端精度。
图4为终端状态约束（高度85km，速度8050m/s）下实际飞行动压曲线，图5为终端状态约束（高度85km，速度8050m/s）下实际飞行热流密度曲线，从图中可以看出，针对当前任务，动压约束与热流密度约束均能够满足要求。
实施例2：
一种基于初始协态训练的在线弹道规划方法，如图1所示，包括：
S1、在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
S2、利用极大值原理，将轨迹规划问题转化成两点边值问题；确定终端状态约束；将两点边值问题转化成非线性方程组的求解问题；
S3、利用Powell’s dogleg方法，将非线性方程组的求解问题转化为函数极小化问题；
S4、利用Newton法求解函数极小化问题，其中将初始协态作为函数极小化问题的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
S5、利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
一种基于初始协态训练的在线弹道规划方法，包括：
在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
利用极大值原理，确定协态微分方程；确定终端状态约束；根据协态微分方程确定非线性方程组；
根据非线性方程组，利用Powell’s dogleg方法，确定性能指标函数；
利用Newton法求解性能指标函数，其中将初始协态作为初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
可选的，在飞行器飞行前，离线生成若干条满足终端状态约束的弹道，每条弹道选择多个离散点，将离散点处的状态量、本体参数偏差、终端状态约束作为神经网络训练的输入量，将俯仰角程序角指令、偏航程序角指令、俯仰角程序角指令对应的初始协态、偏航程序角指令对应的初始协态作为神经网络训练的输出量，进行神经网络训练。
可选的，利用Newton法求解性能指标函数，迭代过程中的权重系数随着迭代次数进行调节。
可选的，根据所述满足终端状态约束的初始协态，对协态微分方程进行积分，得到不同时间对应的最优速度协态值；利用不同时间对应的最优速度协态值，确定不同时间对应的推力方向。
可选的，根据不同时间对应的推力方向，对动力学方程进行积分，得到弹道轨迹。
一种基于初始协态训练的在线弹道规划装置，包括：
初始协态模块，在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
转换模块，首先利用极大值原理，将轨迹规划问题转化成两点边值问题；确定终端状态约束后，将两点边值问题转化成非线性方程组的求解问题；然后利用Powell’s dogleg方法，将非线性方程组的求解问题转化为函数极小化问题；
迭代模块，利用Newton法求解函数极小化问题，其中将初始协态作为函数极小化问题的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
弹道规划模块，利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (5)

1.一种基于初始协态训练的在线弹道规划方法，其特征在于，包括：
在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
利用极大值原理，将轨迹规划问题转化成两点边值问题；确定终端状态约束；将两点边值问题转化成非线性方程组的求解问题；
利用Powell’s dogleg方法，将非线性方程组的求解问题转化为函数极小化问题；
利用Newton法求解函数极小化问题，其中将初始协态作为函数极小化问题的初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹；
在飞行器飞行前，离线生成若干条满足终端状态约束的弹道，每条弹道选择多个离散点，将离散点处的状态量、本体参数偏差、终端状态约束作为神经网络训练的输入量，将俯仰角程序角指令、偏航程序角指令、俯仰角程序角指令对应的初始协态、偏航程序角指令对应的初始协态作为神经网络训练的输出量，进行神经网络训练；
利用Newton法求解函数极小化问题，迭代过程中的权重系数随着迭代次数进行调节。
2.根据权利要求1所述的在线弹道规划方法，其特征在于，根据所述满足终端状态约束的初始协态，对协态微分方程进行积分，得到不同时间对应的最优速度协态值；利用不同时间对应的最优速度协态值，确定不同时间对应的推力方向。
3.一种基于初始协态训练的在线弹道规划方法，其特征在于，包括：
在飞行器飞行中，以当前协态作为输入，利用已训练的神经网络，获得初始协态；
利用极大值原理，确定协态微分方程；确定终端状态约束；根据协态微分方程确定非线性方程组；
根据非线性方程组，利用Powell’s dogleg方法，确定性能指标函数；
利用Newton法求解性能指标函数，其中将初始协态作为初始猜想，迭代后最终收敛得到满足终端状态约束的初始协态；
利用满足终端状态约束的初始协态，确定推力方向，进而通过积分得到弹道轨迹；
在飞行器飞行前，离线生成若干条满足终端状态约束的弹道，每条弹道选择多个离散点，将离散点处的状态量、本体参数偏差、终端状态约束作为神经网络训练的输入量，将俯仰角程序角指令、偏航程序角指令、俯仰角程序角指令对应的初始协态、偏航程序角指令对应的初始协态作为神经网络训练的输出量，进行神经网络训练；
利用Newton法求解性能指标函数，迭代过程中的权重系数随着迭代次数进行调节。
4.根据权利要求3所述的在线弹道规划方法，其特征在于，根据所述满足终端状态约束的初始协态，对协态微分方程进行积分，得到不同时间对应的最优速度协态值；利用不同时间对应的最优速度协态值，确定不同时间对应的推力方向。
5.根据权利要求3所述的在线弹道规划方法，其特征在于，根据不同时间对应的推力方向，对动力学方程进行积分，得到弹道轨迹。
CN202211356433.1A 2022-11-01 2022-11-01 一种基于初始协态训练的在线弹道规划方法及装置 Active CN115469552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211356433.1A CN115469552B (zh) 2022-11-01 2022-11-01 一种基于初始协态训练的在线弹道规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211356433.1A CN115469552B (zh) 2022-11-01 2022-11-01 一种基于初始协态训练的在线弹道规划方法及装置

Publications (2)

Publication Number Publication Date
CN115469552A CN115469552A (zh) 2022-12-13
CN115469552B true CN115469552B (zh) 2023-06-06

Family

ID=84336472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211356433.1A Active CN115469552B (zh) 2022-11-01 2022-11-01 一种基于初始协态训练的在线弹道规划方法及装置

Country Status (1)

Country Link
CN (1) CN115469552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119719583A (zh) * 2023-09-26 2025-03-28 华为云计算技术有限公司 一种非线性方程组求解方法以及相关设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250625B (zh) * 2016-07-29 2017-11-03 北京航天自动控制研究所 一种航天器迭代制导的优化方法
CN112270108B (zh) * 2020-11-13 2023-07-18 北京航天自动控制研究所 一种运载火箭椭圆轨道在线规划方法
CN113031448B (zh) * 2021-03-24 2022-03-04 西安电子科技大学 基于神经网络的飞行器上升段轨迹优化方法

Also Published As

Publication number Publication date
CN115469552A (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN111306989B (zh) 一种基于平稳滑翔弹道解析解的高超声速再入制导方法
CN107450324A (zh) 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN108803336A (zh) 一种航空发动机自适应lqg/ltr控制器设计方法
CN114610057B (zh) 一种高马赫飞行器机动突防策略设计方法
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
CN116560403B (zh) 多高超声速飞行器智能化时间协同制导方法、系统及设备
CN114637323B (zh) 面向无人机编队保持的航路规划方法
CN113126491A (zh) 基于t-s模糊干扰建模的抗干扰跟踪控制设计方法
CN119739043B (zh) 基于物理神经网络预测模型的无人机飞行控制方法
CN115454145A (zh) 飞行速度不可控条件下高速飞行器协同制导方法及系统
Tan et al. Optimal maneuver trajectory for hypersonic missiles in dive phase using inverted flight
CN121232615B (zh) 一种可重复使用飞行器智能故障诊断与控制方法
CN114047778A (zh) 一种小型飞机短距离自动着陆横侧向控制方法
CN115469552A (zh) 一种基于初始协态训练的在线弹道规划方法及装置
CN116700013A (zh) 一种飞行器最快爬升轨迹混合优化方法
CN115358167B (zh) 一种考虑发动机参数的飞发一体气动伴随优化设计方法
He et al. Disturbance compensation based piecewise linear control design for perching maneuvers
CN121257362A (zh) 一种基于随体耦合流场分析的降落伞飞行性能预测方法
CN115903509B (zh) 基于改进模型预测静态规划算法的火箭回收轨迹规划方法
CN109062044B (zh) 一种终端迭代学习对接控制方法
CN113111433B (zh) 一种双线程嵌入式实时轨迹优化与制导方法
CN117235884A (zh) 一种面向机体损伤的电动飞机建模与容错飞行控制方法
CN115407664B (zh) 一种基于神经网络训练的非程序制导方法
Cheng et al. Cross-cycle iterative unmanned aerial vehicle reentry guidance based on reinforcement learning
CN115268276B (zh) 一种基于梯度下降的制导参数在线修正方法及系统

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