EP1174675A1 - Lenkstruktur für Flugkörper - Google Patents

Lenkstruktur für Flugkörper Download PDF

Info

Publication number
EP1174675A1
EP1174675A1 EP01730001A EP01730001A EP1174675A1 EP 1174675 A1 EP1174675 A1 EP 1174675A1 EP 01730001 A EP01730001 A EP 01730001A EP 01730001 A EP01730001 A EP 01730001A EP 1174675 A1 EP1174675 A1 EP 1174675A1
Authority
EP
European Patent Office
Prior art keywords
missile
steering
model
target
vector
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.)
Withdrawn
Application number
EP01730001A
Other languages
English (en)
French (fr)
Inventor
Uwe Prof. Dr. Ing. Krogmann
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.)
Diehl BGT Defence GmbH and Co KG
Original Assignee
Bodenseewerk Geratetechnik GmbH
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 Bodenseewerk Geratetechnik GmbH filed Critical Bodenseewerk Geratetechnik GmbH
Publication of EP1174675A1 publication Critical patent/EP1174675A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41G—WEAPON SIGHTS; AIMING
    • F41G7/00—Direction control systems for self-propelled missiles
    • F41G7/20—Direction control systems for self-propelled missiles based on continuous observation of target position
    • F41G7/22—Homing guidance systems

Definitions

  • the invention relates to a steering structure for steering with a sensor system provided missile to a target, with a measurement vector of observable quantities can be derived.
  • a missile should aim for a target, e.g. an enemy aircraft to be destroyed be performed.
  • the missile has a seeker head with or several sensors.
  • the sensors detect a target. From the signals of this Sensors are derived from steering signals which guide the missile to the target.
  • Known missiles have e.g. an image-resolving infrared detector, which consists of a two-dimensional arrangement of detector elements. Through a imaging optical system becomes an object scene containing the target on the Infrared detector shown. The infrared detector thus observes a thermal image, in which e.g. the hot engines of an airplane and their exhaust gas jet as intense Radiation source appear. Through image processing, the Infrared detector delivered "electronic image" the position of the target in the visual field determined.
  • the seeker head is stabilized in space and by the Missile movements decoupled.
  • the search head can also with the Infrared detector rigidly sitting in the missile, being also rigid with the cell of the Missile connected (“strap-down") inertial sensors the decoupling of the electronic image of the movement of the missile.
  • the search head is usually tracked real or virtual to the target. From this The line rotation rate is determined by tracking. The steering takes place at the "Proportional navigation" so that the lateral acceleration of the missile is proportional this line of sight rotation rate is.
  • the goal e.g. an attacked aircraft usually also has sensors which recognize the attack by an approaching missile.
  • the target hits "Countermeasures" that seek to disrupt the approaching missile or distract.
  • the attacked aircraft is made by suitable maneuvers seek to escape the approaching missile.
  • the movement of the Missile itself determined and considered by an inertial measuring unit.
  • the Movement quantities of the target are unknown.
  • the expected behavior of the Target such as whether the target performs an escape maneuver and how this escape maneuver the missile does not "know”.
  • the missile only detects the line of sight to the Target, if necessary distance and change of distance and reacts to their changes.
  • the invention is based on the object, the hit probability when used to improve a missile against highly agile targets.
  • the invention is based in particular on the task for the control of Missile the "encounter kinematics", ie the movements of the missile and target consulted.
  • a model of both the Missile and the sensor system and the target shown.
  • the sensor system returns a real measurement vector.
  • the measurement vector results from the real one Relative kinematics of missile and target.
  • the real measurement vector is shown with a estimated measurement vector, which is derived from the model of missile, target and Sensor system results.
  • the real and the estimated measurement vector are usually do not match, especially since the movement states of the target are not known are. Therefore an optimal filter, e.g. a Kalman filter, an extended Kalman filter or the state-dependent Riccati equation SDRE, from the deviations of the estimated measurement vector acted upon by the real measurement vector and modified Missile target model, so changes its parameters, in the sense, this To reduce deviation and to align the measurement vectors with each other.
  • the relative kinematics vector is advantageously based on an optimal steering law the missile's autopilot.
  • a commanded lateral acceleration a MC is applied to the autopilot.
  • the commanded lateral acceleration depends on the relative kinematics vector according to a function f ( x and k ).
  • This function f ( x and k ) represents the steering law and is selected so that there is an optimal control behavior.
  • the model of the missile and target can be improved in that the signals of an inertial measuring unit of the missile are also applied to the model.
  • the movements of the missile in inertial space can be measured.
  • the determination of the missile movement states in the relative kinematics x M is improved by the connection of these measured variables to the model.
  • a further improvement of the modeling can be achieved by estimating means for estimating the target acceleration to which the measurement vector, image data from a image-resolution detector of the missile and data of the inertial measurement unit of the Missile are activated and by which the model can be corrected.
  • the estimating means are expediently a suitably trained neural network or a fuzzy neural network.
  • the target is no longer a point target in the distance range of interest here.
  • On image-resolving detector "sees" a contour in the image of the target.
  • the Airplane With an airplane as The goal is lateral acceleration combined with a change in the contour.
  • the Airplane must be in an inclined position and / or changes in position around the Go vertical axis. Taking these contour changes into account, if necessary other observed variables such as the distance to the lateral acceleration getting closed.
  • a human pilot can do this based on his experience estimated. Accordingly, a neural network trained on it can do the same except for the image data from the measurement vector and taking into account the Own movement of the missile - from the signals of the inertial measuring unit of the Missile is affected.
  • Modeling can also be improved by estimating means for estimating the three-dimensional trajectory of the target and the type of target to which the Measurement vector, image data from an image-resolving detector of the missile and data the inertial measurement unit of the missile and through which the model is correctable.
  • the estimation means are expediently a suitably trained neuronal Network, a fuzzy-neural network or in the simplest case a rule-based fuzzy logic unit.
  • An observer can from the image of the target with knowledge of the measurands of the Measurement vector and of course taking into account the own movement due to its Experience statements about the three-dimensional path of the target as well as the target type do.
  • This can also be a neural network trained on it or a rule-based fuzzy logic unit.
  • the Optimal filters provide sizes that indicate how well the after a calculation step Adaptation of the model to reality has taken place.
  • an optimal filter that delivers Residual i.e. the difference between the measurement vector resulting from the model and the actually measured measurement vector is a measure of the quality of this adaptation.
  • This one from the Sizes supplied to optimal filters, e.g. Residuals, and estimate of relative kinematics from the model are switched to an inference unit.
  • the inference unit can be a neural network or a fuzzy neural network.
  • the inference unit dials in model closest to reality.
  • the inference unit can also have several Select a model with appropriate weights, if several such models are around are equally well adapted to reality.
  • the estimate of the relative kinematics of each of the selected models is with an associated optimal steering law on the The missile's autopilot.
  • the optimal filter needs less computational effort to model the missile and target to reality adapt.
  • the adjustment is faster and more precise.
  • the vector of the missile-target relative kinematics faster and more accurately Available.
  • a driver who realizes that image of a vehicle driving in front of him suddenly becomes larger on the retina does not consider that the apparent growth of the vehicle on an approach caused by the reduced speed of this vehicle will, accordingly, to avoid bumping up its speed should also decrease and that you can do this by pressing a brake pedal can reach.
  • Block 12 designates the flight controller of the target, an enemy aircraft to be attacked.
  • the target dynamics 14 provides the change of a state vector x ⁇ T of the target.
  • a block 16 represents the autopilot of a missile.
  • the autopilot 16 receives a commanded lateral acceleration a MC at an input 18 in a manner to be described.
  • the autopilot 16 receives signals from an inertial measurement unit ("IMU").
  • IMU inertial measurement unit
  • the change x ⁇ M of the state vector of the missile results from the missile dynamics .
  • This change x ⁇ M of the state vector of the missile acts on the inertial measurement unit 22 of the missile.
  • the changes in the state vectors x ⁇ T and x ⁇ M of the target and the missile result in a change in the relative kinematics, which is represented by a vector x ⁇ R.
  • a vector x ⁇ R This is shown schematically in FIG. 1 by a summing point 24.
  • the vector x ⁇ R of the change in the relative kinematics is integrated, which is represented by block 26. This returns the vector x R.
  • "s" is the Laplace transform variable.
  • the relative kinematics identified by vector x R is detected by sensors which form a sensor system 28. These sensors can be passive sensors such as image-resolving infrared sensors, or active sensors such as radar or laser sensors.
  • the sensor system delivers signals according to the line of sight ⁇ , the line of sight rotation rate ⁇ ⁇ , the distance R between the missile and the target and its change R ⁇ . These signals are subjected to signal processing 30 and provide a real measurement vector z .
  • the missile now contains a model 31 of the real world described above in a computer.
  • this model 31 is surrounded by a dashed line in FIG.
  • This model includes a model 32 of the missile and a model 34 of the target.
  • the signals of the (real) inertial measurement unit 22 are applied to the model 32 of the missile.
  • the model 32 of the missile provides an estimate the change in the state vector of the missile.
  • the model 34 of the target provides an estimate the change in the state vector of the target. From the two vectors and a vector results which represents the change in the relative kinematics between the missile and the target as an estimate in the model.
  • the estimated value z and the measurement vector will initially not match the real measurement vector z .
  • This difference is switched to an optimal filter44.
  • This optimal filter 44 can be, for example, a Kalman filter, an extended Kalman filter or a solution to the state-dependent Riccati equation (SDRE).
  • SDRE state-dependent Riccati equation
  • the parameters of the model are modified by the optimal filter in order to adapt the model 31 to reality. This is symbolically represented in FIG. 1 by the connection of a vector ⁇ from the optimal filter 44 to the summing point 36.
  • the vector corrected what after integration to a corrected relative kinematics vector leads.
  • the estimated value z and of the measurement vector are matched to the real measurement vector z .
  • the relative kinematics vector resulting from the model is now connected to an optimal steering controller 46, which applies a commanded lateral acceleration a MC to the autopilot of the missile.
  • the steering structure of FIG. 2 additionally contains a neural network 50.
  • the measurement vector z is applied to this neural network 50 once.
  • the neural network 50 receives image data from an image sensor or image-resolution detector.
  • the signals of the inertial measuring unit are also connected to the neural network and take into account the own movement of the missile.
  • the neural network 50 is trained in such a way that from these input variables it delivers estimates for the lateral acceleration of the target.
  • the neural network 50 exploits, for example, the fact that a lateral acceleration of an aircraft forming the target is accompanied by a change in position of the aircraft in space and thus a characteristic change in the contour, which is "seen" from the missile. Based on experience, in the form of learning processes in the neural network, the size and direction of the lateral acceleration can therefore be inferred from such a change in contour.
  • FIG. 3 also essentially corresponds to the steering structure of FIG Fig.1. Corresponding parts are in both figures with the same reference numerals provided and not described again in detail.
  • the steering structure of FIG. 3 also contains a neural network 54.
  • the measurement vector z is connected to this neural network 54, as in FIG.
  • the neural network 54 likewise receives image data from an image sensor or image-resolution detector.
  • the signals of the inertial measuring unit are also connected to the neural network 54 and take into account the intrinsic movement of the missile.
  • the neural network 54 is trained in such a way that estimated values for the three-dimensional path of the target are obtained from these input variables. These estimates also serve to better model the relative kinematics. This is symbolized in FIG. 3 by the fact that the output of the neural network 54 is connected to the "summing point" 36 via a loop.
  • the neural network 54 also delivers a statement from the image data that has been switched on about the type of target.
  • FIG. 4 Another embodiment of the steering structure is shown in Fig.4.
  • the execution after Fig. 4 assumes that the number of possible destinations is limited in many cases. So there are only a limited number of aircraft types used by an enemy become. The flight characteristics of these aircraft are known. It is also known what optimal escape maneuvers a particular aircraft type can make to one to escape approaching missiles. This knowledge is in the steering structure of Fig.4 realized.
  • a model of the target a plurality of models are provided in the steering structure of FIG. 4, of which each model is based on a hypothesis about the target movement.
  • These hypotheses correspond, for example, to possible escape movements of one aircraft type or of several aircraft types.
  • These hypotheses about the target movement are represented in FIG. 4 by blocks 34.1, 34.2 ... 34.n.
  • Each of these hypotheses yields a vector .
  • Each of the hypotheses 34.1, 34.2 ... 34.n is assigned an optimal filter 44.1, 44.1 ... 44.n.
  • the model of the missile is of course the same in all cases.
  • the result is a plurality of parallel models of the missile-target relative kinematics with assigned optimal filters, which are represented by ⁇ in the manner described be adapted to reality.
  • An inference unit 58 receives the vectors once as inputs from the different models to the other the residuals , The inference unit 58 then selects according to the residuals a vector x and R one of the models. This is then given to an assigned optimal steering law, which results in a commanded lateral acceleration a MC . It may be that after the residuals more than one model approximates reality pretty well.
  • the inference unit 58 selects more than one vector x and R and the selected vectors and the associated steering laws are weighted overlaid.
  • the inference unit 58 can contain a neural network or a fuzzy-neuronal network.
  • FIG. 5 shows a further embodiment of a steering structure, in which the relative kinematic vector x and R from the model is reactive on the autopilot, firstly via a first channel according to a knowledge-based, optimal steering law and secondly via a second channel, for example according to an algorithmic steering law can be activated.
  • the steering structure with the real world and the model of the real world is the same as in the embodiments according to FIGS. 1 to 4. Corresponding parts are provided with the same reference numerals as in FIGS. 1 to 4 and are no longer described in detail.
  • the model 31 provides an estimate x and R for the relative kinematics vector representing the relative kinematics between the missile and the target. The steering is based on this estimated value of the relative kinematics vector x and R.
  • two channels 60 and 62 are connected to the autopilot 16. Steering takes place via channel 60, as in the embodiments from FIGS. 1 to 4, according to a knowledge-based, optimal steering law, depending on the relative kinematics vector x and R estimated in model 31.
  • Such a steering law can be implemented, for example, in that starting from different simulated, represented by relative kinematics vectors Encounter situations are calculated from control signals, which eventually cause the missile to hit the target. These courses are determined according to Criteria e.g. optimized in terms of flight time and fuel consumption. For any such Encounter situation then results in a kind of "multi-dimensional characteristic". The All of these characteristics provide a multi-dimensional characteristic field. This Characteristic field allows the training of a neural network to display the optimal steering law. This is represented by blocks 64 in FIG.
  • An algorithmic or "reactive" steering law is implemented in the second channel 62. This is represented by block 66.
  • Processed sensor signals which are represented by a vector z , serve as measured variables.
  • the algorithmic steering law can be proportional navigation, whereby the commanded lateral acceleration, for example, is made the target proportional to the rate of rotation of the line of sight.
  • the algorithmic steering law can be a modified proportional navigation.
  • the algorithmic steering law can also be given by a solution of the state-dependent Ricati equation (SDRE).
  • SDRE state-dependent Ricati equation
  • the "reactive" steering law can also be implemented by a neural or fuzzy-neuronal network. This neural or fuzzy-neural network is trained offline with data that are generated as optimal trajectories for given encounter situations between the missile and the target as a result of a numerical, genetic or evolutionary optimization calculation.
  • a main steering controller 68 controls the activation of the via control units 70 and 72 two channels 60 and 62 on the autopilot 16. The activation of one or the other channels 60, 62 or both channels takes place depending on the aerodynamic State of the missile (speed, angle of attack, flight altitude) and the status of the Missile (e.g. the remaining fuel supply)
  • the estimated value of the relative kinematics vector x and R is obtained by an optimal filter 44, for example a Kalman filter.
  • filters provide not only an estimate for the relative kinematics vector x and R but also estimates for the "reliability" of the components of this vector in the form of, for example, the covariances.
  • the main steering controller can query these reliabilities. If the estimated value of the relative kinematics vector x and R has insufficient "reliability", for example as a result of interference measures by the target, the main steering controller will rely exclusively or primarily on the reactive channel 62 for the steering control.
  • the activation of the relative kinematics vector x and R on the one hand via an optimal controller and on the other hand the (processed) sensor signals z in a reactive channel offers significant advantages:
  • the optimal controller guides the missile to its destination on an optimal flight path.
  • the optimal controller reacts too slowly to rapid and unexpected changes in the relative kinematics, which is caused, for example, by an unexpected maneuver of the target. It takes time for the optimal controller to determine the correct "multidimensional characteristic" for a relative kinematics vector x and R in the first channel.
  • the reliability of the estimated value of the relative kinematics vector x and R can also be insufficient.
  • the "reactive" channel 62 initially reacts relatively quickly to sensor signals, for example to a change in the line of sight to the target, and guides the missile according to the guidance law of proportional navigation. Which of the two channels 60 or 62 is activated by the main steering controller depends on the aerodynamic state and the other status of the missile and the reliability of the relative kinematics vector x and R.
  • the target model 34 is characterized by additional information the sensor image and inertia measurement data supplemented, as in Figures 2, 3 and 4 is shown. This is through blocks 50A and 50B that correspond to block 50 in FIG correspond and block 54 is shown.
  • Block 74 provides information about common ones Escape maneuvers of a type-recognized target, e.g. of a certain, recognized Aircraft type. The various information provided in this way becomes one Subjected to inference processing and the target model 34 is then modified.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

Die Erfindung betrifft eine Lenkstruktur zum Lenken eines mit einem Sensorsystem versehenen Flugkörpers zu einem Ziel, wobei aus dem Sensorsystem ein Meßvektor von beobachtbaren Größen ableitbar ist. Der Erfindung liegt die Aufgabe zu Grunde, die Trefferwahrscheinlichkeit bei Einsatz eines Flugkörpers gegen hochagile Ziele zu verbessern, indem für die Lenkung des Flugkörpers die "Begegnungskinematik", also die Bewegungen von Flugkörper und Ziel herangezogen wird. Nach der Erfindung wird in einem flugkörperseitigen Rechner ein Modell sowohl des Flugkörpers und des Sensorsystems als auch des Ziels dargestellt. Das Sensorsystem liefert einen realen Meßvektor. Der Meßvektor ergibt sich aus der realen Relativkinematik von Flugkörper und Ziel. Der reale Meßvektor wird mit einem geschätzten Meßvektor verglichen, der sich aus dem Modell von Flugkörper, Ziel und Sensorsystem ergibt. Der reale und der geschätzte Meßvektor werden normalerweise nicht übereinstimmen, insbesondere da die Bewegungszustände des Ziels nicht bekannt sind. Deshalb wird ein Optimalfilter, z.B. ein Kalmanfilter, ein erweitertes Kalmanfilter oder die zustandsabhängige Riccatigleichung SDRE, von den Abweichungen des geschätzten Meßvektors vom realen Meßvektor beaufschlagt und modifiziert das Flugkörper-Ziel-Modell, also verändert dessen Parameter, in dem Sinne, diese Abweichung zu vermindern und die Meßvektoren einander anzugleichen. Das führt schließlich zu einem Modell, das nicht nur die Bewegungsparameter des Flugkörpers sondern auch die Bewegungsparameter des Ziels nachbildet. In diesem Modell gibt es einen Vektor der Relativkinematik. In Abhängigkeit von diesem Vektor erfolgt dann die Lenkung des Flugkörpers. Es läßt sich in der Simulation zeigen, daß damit auch bei hochagilen Zielen der Flugkörper trotz Fluchtmanövern mit erheblich verbesserter Trefferwahrscheinlichkeit zu dem Ziel geführt werden kann. <IMAGE>

Description

Die Erfindung betrifft eine Lenkstruktur zum Lenken eines mit einem Sensorsystem versehenen Flugkörpers zu einem Ziel, wobei aus dem Sensorsystem ein Meßvektor von beobachtbaren Größen ableitbar ist.
Ein Flugkörper soll zu einem Ziel, z.B. einem zu zerstörenden gegnerischen Flugzeug geführt werden. Zu diesem Zweck weist der Flugkörper einen Suchkopf mit einem oder mehreren Sensoren auf. Die Sensoren erfassen ein Ziel. Aus den Signalen dieser Sensoren werden Lenksignale abgeleitet, welche den Flugkörper zu dem Ziel führen.
Bekannte Flugkörper weisen z.B. einen bildauflösenden Infrarotdetektor auf, der aus einer zweidimensionalen Anordnung von Detektorelementen besteht. Durch ein abbildendes optisches System wird eine das Ziel enthaltende Objektszene auf dem Infrarotdetektor abgebildet. Der Infrarotdetektor beobachtet somit ein Wärmebild, in welchem z.B. die heißen Triebwerke eines Flugzeugs und deren Abgasstrahl als intensive Strahlungsquelle erscheinen. Durch Bildverarbeitung wird aus dem von dem Infrarotdetektor gelieferten "elektronischen Bild" die Position des Ziels im Gesichtsfeld ermittelt. Bei bekannten Flugkörpern ist der Suchkopf im Raum stabilisiert und von den Bewegungen des Flugkörpers entkoppelt. Der Suchkopf kann aber auch mit dem Infrarotdetektor starr im Flugkörper sitzen, wobei durch ebenfalls starr mit der Zelle des Flugkörpers verbundene ("Strap-Down") Inertialsensoren die Entkopplung des elektronischen Bildes von der Bewegung des Flugkörpers erfolgt.
Üblicherweise wird der Suchkopf real oder virtuell dem Ziel nachgeführt. Aus dieser Nachführung wird die Sichliniendrehrate bestimmt. Die Lenkung erfolgt bei der "Proportionalnavigation" so, daß die Querbeschleunigung des Flugkörpers proportional dieser Sichtliniendrehrate ist.
Es gibt auch Flugkörper mit Radar- oder Lasersensor oder Sensoren, die in anderen Wellenlängenbereichen als Infrarot arbeiten. Es gibt auch Flugkörper mit mehr als einem Sensor. Man spricht dann von einem Sensorsystem.
Das Ziel, z.B. ein angegriffenes Flugzeug, hat üblicherweise ebenfalls Sensoren, welche den Angriff durch einen anfliegenden Flugkörper erkennen. Das Ziel trifft dann "Gegenmaßnahmen", die anstreben, den anfliegenden Flugkörper zu stören oder abzulenken. Insbesondere wird aber das angegriffene Flugzeug durch geeignete Manöver dem anfliegenden Flugkörper zu entkommen suchen.
Bei der Lenkung des Flugkörpers in das Ziel wird natürlich die Bewegung des Flugkörpers selbst durch eine inertiale Meßeinheit bestimmt und berücksichtigt. Die Bewegungsgrößen des Ziels sind dagegen unbekannt. Das zu erwartende Verhalten des Ziels, etwa ob das Ziel ein Fluchtmanöver ausführt und wie dieses Fluchtmanöver aussehen wird, "weiß" der Flugkörper nicht. Der Flugkörper erfaßt nur die Sichtlinie zum Ziel, ggf. Entfernung und Entfernungsänderung und reagiert auf deren Änderungen.
Der Erfindung liegt die Aufgabe zu Grunde, die Trefferwahrscheinlichkeit bei Einsatz eines Flugkörpers gegen hochagile Ziele zu verbessern.
Der Erfindung liegt insbesondere die Aufgabe zu Grunde, für die Lenkung des Flugkörpers die "Begegnungskinematik", also die Bewegungen von Flugkörper und Ziel heranzuziehen.
Erfindungsgemäß wird diese Aufgabe dadurch gelöst, daß
  • (a) in dem Flugkörper ein Modell von Flugkörper-Ziel-Relativkinematik und Sensorsystem dargestellt ist,
  • (b) das Modell durch Optimalfiltermittel modifizierbar ist, welche von der Abweichung eines sich aus dem Modell ergebenden Meßvektors von dem realen Meßvektor beaufschlagt sind, wobei durch die Modifikation eine Anpassung des Modells an die Realität angestrebt wird, und
  • (c) der Flugkörper in Abhängigkeit von einem in dem Modell erzeugten, die relative Kinematik von Flugkörper und Ziel darstellenden Relativkinematik-Vektor lenkbar ist.
    • Nach der Erfindung wird in einem flugkörperseitigen Rechner ein Modell sowohl des Flugkörpers und des Sensorsystems als auch des Ziels dargestellt. Das Sensorsystem liefert einen realen Meßvektor. Der Meßvektor ergibt sich aus der realen Relativkinematik von Flugkörper und Ziel. Der reale Meßvektor wird mit einem geschätzten Meßvektor verglichen, der sich aus dem Modell von Flugkörper, Ziel und Sensorsystem ergibt. Der reale und der geschätzte Meßvektor werden normalerweise nicht übereinstimmen, insbesondere da die Bewegungszustände des Ziels nicht bekannt sind. Deshalb wird ein Optimalfilter, z.B. ein Kalmanfilter, ein erweitertes Kalmanfilter oder die zustandsabhängige Riccatigleichung SDRE, von den Abweichungen des geschätzten Meßvektors vom realen Meßvektor beaufschlagt und modifiziert das Flugkörper-Ziel-Modell, also verändert dessen Parameter, in dem Sinne, diese Abweichung zu vermindern und die Meßvektoren einander anzugleichen. Das führt schließlich zu einem Modell, das nicht nur die Bewegungsparameter des Flugkörpers sondern auch die Bewegungsparameter des Ziels nachbildet. In diesem Modell gibt es einen Vektor der Relativkinematik. In Abhängigkeit von diesem Vektor erfolgt dann die Lenkung des Flugkörpers. Es läßt sich in der Simulation zeigen, daß damit auch bei hochagilen Zielen der Flugkörper trotz Fluchtmanövern mit erheblich verbesserter Trefferwahrscheinlichkeit zu dem Ziel geführt werden kann.
    Vorteilhafterweise ist der Relativkinematik-Vektor nach einem optimalen Lenkgesetz auf den Autopiloten des Flugkörpers aufgeschaltet.
    Auf den Autopiloten wird eine kommandierte Querbeschleunigung a MC aufgeschaltet. Die kommandierte Querbeschleunigung hängt von dem Relativkinematik-Vektor nach einer Funktion f ( x and k ) ab. Diese Funktion f ( x and k ) stellt das Lenkgesetz dar und ist so gewählt, daß sich ein optimales Regelverhalten ergibt.
    Das Modell von Flugkörper und Ziel kann dadurch verbessert werden, daß die Signale einer inertialen Meßeinheit des Flugkörpers auch auf das Modell aufgeschaltet sind. Die Bewegungen des Flugkörpers im inertialen Raum können ja gemessen werden. Durch die Aufschaltung dieser Meßgrößen auf das Modell wird die Bestimmung der Flugkörper-Bewegungszustände in der Relativkinematik x M verbessert.
    Eine weitere Verbesserung der Modellierung kann erreicht werden durch Schätzermittel zum Schätzen der Zielbeschleunigung, auf welche der Meßvektor, Bilddaten von einem bildauflösenden Detektor des Flugkörpers und Daten der Trägheitsmeßeinheit des Flugkörpers aufgeschaltet sind und durch welche das Modell korrigierbar ist.
    Zweckmäßig sind die Schätzermittel ein entsprechend trainiertes neuronales Netz oder ein fuzzy-neuronales Netz.
    Das Ziel ist in dem hier interessierenden Abstandsbereich kein Punktziel mehr. Ein bildauflösender Detektor "sieht" eine Kontur im Bild des Ziels. Bei einem Flugzeug als Ziel ist eine Querbeschleunigung mit einer Änderung der Kontur verbunden. Das Flugzeug muß notwendig in eine Schräglage und/oder in Lageänderungen um die Hochachse gehen. Aus diesen Konturänderungen kann ggf. unter Berücksichtigung anderer beobachteter Größen wie der Entfernung auf die Querbeschleunigung geschlossen werden. Das kann ein menschlicher Pilot auf Grund seiner Erfahrung abschätzen. Das kann dementsprechend auch ein darauf trainiertes neuronales Netz, das außer von den Bilddaten von dem Meßvektor und -zu Berücksichtigung der Eigenbewegung des Flugkörpers- von den Signalen der Trägheitsmeßeinheit des Flugkörpers beeinflußt ist.
    Eine Verbesserung der Modellierung kann auch erreicht werden durch Schätzermittel zum Schätzen der dreidimensionalen Bahn des Ziels sowie des Zieltyps, auf welche der Meßvektor, Bilddaten von einem bildauflösenden Detektor des Flugkörpers und Daten der Trägheitsmeßeinheit des Flugkörpers aufgeschaltet sind und durch welche das Modell korrigierbar ist.
    Auch hier sind zweckmäßig die Schätzermittel ein entsprechend trainiertes neuronales Netz, ein fuzzy-neuronales Netz oder im einfachsten Fall eine regelbasierte Fuzzy-Logikeinheit.
    Ein Beobachter kann aus dem Bild des Ziels bei Kenntnis der Meßgrößen des Meßvektors und natürlich bei Berücksichtigung der Eigenbewegung auf Grund seiner Erfahrung Aussagen über die dreidimensionale Bahn des Ziels sowie des Zieltyps machen. Das kann dann auch ein darauf trainiertes neuronales Netz oder eine regelbasierte Fuzzy-Logikeinheit.
    Wenn so durch "Vorwissen" schon gewisse Aussagen über das Modell, insbesondere über das Ziel und seine Bahn, gemacht werden können, dann wird es einfacher, d.h. geht es schnell er und erfordert geringeren Rechenaufwand, mittels des Optimalfilters das Modell an die Realität anzupassen.
    Das Modell kann in der Weise weitergebildet werden, daß
  • (a) das das Modell der Flugkörper-Ziel-Relativkinematik eine Mehrzahl von Hypothesen über die Bewegung des Ziels enthält.
  • (b) das Modell parallel für jede dieser Hypothesen durch ein zugehöriges Optimalfilter im Sinne einer Anpassung des Modells an die Realität modifizierbar ist,
  • (c) die dabei erhaltenen geschätzten Zustandsvektoren und eine Ausgangsgröße des zugehörigen Optimalfilters auf eine Inferenzeinheit aufgeschaltet ist, die einen oder mehrere Zustandsvektoren auswählt,
  • (d) durch die Inferenzeinheit wenigstens ein ausgewählter Zustandsvektor auf einen zugehörigen Lenkregler aufschaltbar ist, der nach einem zugehörigen optimalen optimalen Lenkgesetz arbeitet.
    • In vielen Fällen liegen Kenntnisse über das Bewegungsverhalten potentieller Ziele vor. Wenn das Ziel ein gegnerisches Flugzeug ist, dann kommt nur eine begrenzte Anzahl von Flugzeugtypen als Ziel in Frage. Das Flugverhalten solcher Flugzeugtypen ist in der Regel bekannt. Insbesondere ist bekannt, welche optimalen Fluchtbewegungen ein solches Flugzeug bei Anflung eines Flugkörpers ausführt -und ausführen muß, wenn es dem Flugkörper entkommen will. Diese Kenntnis kann zur Vereinfachung der Modellierung ausgenutzt werden, indem für die verschiedenen Zieltypen, z.B. Flugzeugtypen, Hypothesen über denen Bewegungen aufgestellt werden. Mit diesen Hypothesen werden parallele Modelle der Flugkörper-Ziel-Relativkinematik vorgesehen. Jedes dieser Modelle wird durch ein zugehöriges Optimalfilter optimiert. Die Optimalfilter liefern Größen, die angeben, wie gut nach einem Rechenschritt die Anpassung des Modells an die Realität erfolgt ist. Bei einem Optimalfilter liefert das Residuum, d.h. die Differenz des sich aus dem Modell ergebenden Meßvektors und des real gemessenen Meßvektors ein Maß für die Güte dieser Anpassung. Diese von den Optimalfiltern gelieferten Größen, z.B. Residuen, und Schätzwert der Relativkinematik aus dem Modell sind auf eine Inferenzeinheit geschaltet. Die Inferenzeinheit kann ein neuronales Netz oder ein fuzzy-neuronales Netz sein. Die Inferenzeinheit wählt dann ein der Realität am nächsten kommendes Modell aus. Die Inferenzeinheit kann auch mehrere Modell mit entsprechenden Gewichten auswählen, wenn mehrere solcher Modelle etwa gleich gut an die Realität angepaßt sind. Der Schätzwert der Relativkinematik jedes der ausgewählten Modelle ist mit einem zugehörigen optimalen Lenkgesetz auf den Autopiloten des Flugkörpers aufgeschaltet.
    Durch die Ausnutzung von Vorkenntnissen über das Ziel braucht das Optimalfilter weniger Rechenaufwand, um das Modell von Flugkörper und Ziel an die Realität anzupassen. Die Anpassung geht schneller und wird genauer. Dementsprechend steht auch der Vektor der Flugkörper-Ziel-Relativkinematik schneller und genauer zur Verfügung. Das entspricht der Arbeitsweise des menschlichen Gehirns: Das Gehirn erzeugt sich auf Grund der Sinneseindrücke ein Modell der realen Welt, und der Mensch handelt entsprechend. Dabei werden aus dem Unterbewußtsein Erfahrungen über ähnliche Situationen hervorgeholt und mit verarbeitet. Ein Autofahrer, der feststellt, daß auf der Retina erzeugte Bild eines vor ihm fahrendes Fahrzeugs plötzlich größer wird, stellt keine Überlegungen darüber an, daß das scheinbare Größerwerden des Fahrzeugs auf eine Annäherung durch verminderte Geschwindigkeit dieses Fahrzeugs verursacht wird, daß er dementsprechend zur Vermeidung eines Auffahrens seine Geschwindigkeit ebenfalls vermindern sollte und daß man dies durch Betätigen eines Bremspedals erreichen kann. Solche Überlegungen würden viel zu lange dauern und zu einem Auffahrunfall führen. Vielmehr holt der Autofahrer aus seinem Unterbewußtsein Erfahrungen aus vergleichbaren Situationen und tritt ohne Nachdenken auf die Bremse. Das Nachdenken ist nur erforderlich zur Anpassung des Grundmusters an die spezielle Situation. Die vorgenannten logischen Überlegungen entsprechen der Wirkungsweise des Optimalfilters. Der Einsatz von Vorwissen durch Schätzer oder Hypothesen entspricht dem Unterbewußtsein.
    Ausführungsbeispiele der Erfindung sind nachstehend unter Bezugnahme auf die zugehörigen Zeichnungen näher erläutert.
    Fig.1
    ist ein Blockdiagramm einer Lenkstruktur zum Lenken eines mit einem Sensorsystem versehenen Flugkörpers zu einem Ziel, wobei die Anpassung des Modells der Begegnungssituation an die reale Welt ausschließlich durch ein Optimalfilter erfolgt.
    Fig.2
    ist ein Blockdiagramm ähnlich Fig.1, wobei zusätzlich eine Schätzung der Zielbeschleunigung mittels eines neuronalen Netzes erfolgt.
    Fig.3
    ist ein Blockdiagramm ähnlich Fig.1, wobei zusätzlich eine Schätzung der dreidimensionalen Flugbahn des Ziels mittels eines neuronalen Netzes erfolgt.
    Fig.4
    ist ein Blockdiagramm einer Lenkstruktur mit einer Mehrzahl von Zielmodellen und einer Mehrzahl von Optimalfiltern, wobei jedem Zielmodell eine Hypothese über die Zielbewegung zu Grunde liegt und mittels eines neuronalen oder fuzzy-neuronalen Netzes deine Auswahl des für die Lenkung verwendeten Zielmodells erfolgt.
    Fig.5
    ist ein Blockdiagramm einer Lenkstruktur ähnlich Fig. 1 bis 4, wobei auf den Autopiloten des Flugkörpers zusätzlich Sensorsignale reaktiv, z.B. nach einem algorithmischen Lenkgesetz aufschaltbar sind.
    In Fig. 1 ist als Blockdiagramm oberhalb einer strickpunktierten Linie 10 die reale Welt dargestellt. Block 12 bezeichnet den Flugregler des Ziels, eines anzugreifenden gegnerischen Flugzeuges. Die Zieldynamik 14 liefert die Änderung eines Zustandsvektors x ˙ T des Zieles. Ein Block 16 stellt den Autopiloten eines Flugkörpers dar. Der Autopilot 16 erhält an einem Eingang 18 in noch zu beschreibender Weise eine kommandierte Querbeschleunigung a MC. An einem Eingang 20 erhält der Autopilot 16 Signale von einer Trägheitsmeßeinheit ("IMU"). Aus der Flugkörperdynamik ergibt sich die Änderung x ˙ M des Zustandsvektors des Flugkörpers. Diese Änderung x ˙ M des Zustandsvektors des Flugkörpers beaufschlagt die Trägheitsmeßeinheit 22 des Flugkörpers.
    Aus den Änderungen der Zustandsvektoren x ˙ T und x ˙ M von Ziel und Flugkörper ergibt sich eine Änderung der Relativkinematik, die durch einen Vektor x ˙ R dargestellt ist. Das ist in Fig.1 schematisch durch einen Summierpunkt 24 dargestellt. Tatsächlich ist der Vektor x ˙ R nicht einfach die Differenz der Zustandsvektoren x ˙ T und x ˙ M, sondern es ist generell x ˙ R = f( x ˙ T , x ˙ M ) plus Rauschen.
    Der Vektor x ˙ R der Änderung der Relativkinematik wird integriert, was durch Block 26 dargestellt ist. Das Liefert den Vektor x R. In Block 26 ist "s" die Variable der Laplace-Transformation. Die durch Vektor x R gekennzeichnete Relativkinematik wird durch Sensoren, die ein Sensorsystem 28 bilden, erfaßt. Diese Sensoren können passive Sensoren wie bildauflösende Infrarotsensoren sein, oder aktive Sensoren wie Radar- oder Lasersensoren. Das Sensorsystem liefert z.B. Signale nach Maßgabe der Sichtlinie σ, der Sichtliniendrehrate σ ˙, des Abstands R zwischen Flugkörper und Ziel und dessen Änderung R ˙. Diese Signale werden einer Signalverarbeitung 30 unterworfen und liefern einen realen Meßvektor z.
    Der Flugkörper enthält nun in einem Rechner ein Modell 31 der vorstehend geschilderten realen Welt. Im vorliegenden Fall ist dies ein algorithmisch dargestelltes Modell. Dieses Modell 31 ist in Fig.l durch eine gestrichelte Linie umrandet. Dieses Modell umfaßt ein Modell 32 des Flugkörpers und ein Modell 34 des Ziels. Auf das Modell 32 des Flugkörpers sind die Signale der (realen) Trägheitsmeßeinheit 22 aufgeschaltet. Das Modell 32 des Flugkörpers liefert einen Schätzwert
    Figure 00090001
    der Änderung des Zustandsvektors des Flugkörpers. Das Modell 34 des Ziels liefert einen Schätzwert
    Figure 00090002
    der Änderung des Zustandsvektors des Ziels. Aus den beiden Vektoren
    Figure 00090003
    und
    Figure 00090004
    ergibt sich ein Vektor
    Figure 00090005
    der im Modell als Schätzwert die Änderung der Relativkinematik zwischen Flugkörper und Ziel darstellt. In Fig. 1 ist dies wieder symbolisch als ein Summierpunkt 36 dargestellt, obwohl der Vektor
    Figure 00090006
    nicht einfach die Differenz der Änderungen der Zustandsvektoren ist. Auch hier ist allgemein
    Figure 00090007
    = f(
    Figure 00090008
    ,
    Figure 00090009
    ) plus Rauschen. Der Vektor wird integriert, wie durch Block 38 dargestellt ist. Das ergibt einen Schätzwert x and des Vektors der Relativkinematik. Dieser Schätzwert x and R ist auf ein Sensormodell 40 aufgeschaltet. Das Sensormodell 40 ist ein Modell der Sensoren und der zugehörigen Signalverarbeitung. Das Sensormodell 40 liefert einen Schätzwert z and des Meßvektors.
    Da das Modell im allgemeinen zunächst nicht mit der Realität übereinstimmt, insbesondere weil das Verhalten des Ziels unbekannt ist, wird der Schätzwert z and des Meßvektors zunächst nicht mit dem realen Meßvektor z übereinstimmen. In einem Summierpunkt 42 wird die Differenz der beiden Meßvektoren z und z and gebildet. Diese Differenz wird auf ein Optimalfilter44 geschaltet. Dieses Optimalfilter 44 kann z.B. ein Kalmanfilter, ein erweitertes Kalmanfilter oder eine Lösung der zustandsabhängigen Riccatigleichung (SDRE) sein. Durch das Optimalfilter werden die Parameter des Modells modifiziert im Sinne einer Anpassung des Modells 31 an die Realität. Das ist in Fig.1 symbolisch dargestellt durch die Aufschaltung eines Vektors Δ
    Figure 00100001
    von dem Optimalfilter 44 auf den Summierpunkt 36. Damit wird der Vektor korrigiert, was nach Integration zu einem korrigierten Relativkinematik-Vektor führt. Dadurch wird der Schätzwert z and des Meßvektors an den realen Meßvektor z angeglichen.
    Der sich so aus dem Modell ergebende Relativkinematik-Vektor ist nun auf einen optimalen Lenkregler 46 aufgeschaltet, der eine kommandierte Querbeschleunigung a MC auf den Autopiloten des Flugkörpers aufschaltet.
    Die Lenkstruktur von Fig.2 entspricht im wesentlichen der Lenkstruktur von Fig.1. Entsprechende Teile sind in beiden Figuren mit den gleichen Bezugszeichen versehen und nicht noch einmal im einzelnen beschrieben.
    Die Lenkstruktur von Fig.2 enthält zusätzlich ein ein neuronales Netz 50. Auf dieses neuronale Netz 50 ist einmal der Meßvektor z aufgeschaltet. Weiterhin erhält das neuronale Netz 50 Bilddaten von einem Bildsensor oder bildauflösenden Detektor. Schließlich sind auch die Signale der Trägheitsmeßeinheit auf das neuronale Netz aufgeschaltet und berücksichtigen die Eigenbewegung des Flugkörpers. Das neuronale Netz 50 ist so trainiert, daß aus diesen Eingangsgrößen Schätzwerte für die Querbeschleunigung des Ziels liefert. Das neuronale Netz 50 nutzt z.B. die Tatsache aus, daß eine Querbeschleunigung eines das Ziel bildenden Flugzeugs mit einer Lageänderung des Flugzeugs im Raum und damit einer charakteristischen Änderung der Kontur, die vom Flugkörper aus "gesehen" wird, einhergeht. Aus einer sochen Konturänderung kann daher nach Erfahrungen -in Form von Lernprozessen des neuronalen Netzes- auf Größe und Richtung der Querbeschleunigung geschlossen werden.
    Die auf diese Weise gewonnene Kenntnis über das Ziel wird bei der Modellierung des Ziels berücksichtigt. Das ist in Fig.2 dadurch symbolisch dargestellt, daß die Beschleunigung a T des Ziels über eine Schleife 52 zusätzlich auf den "Summierpunkt" 36 aufgeschaltet ist.
    Die Lenkstruktur von Fig.3 entspricht ebenfalls im wesentlichen der Lenkstruktur von Fig.1. Entsprechende Teile sind in beiden Figuren mit den gleichen Bezugszeichen versehen und nicht noch einmal im einzelnen beschrieben.
    Die Lenkstruktur von Fig.3 enthält in ähnlicher Weise wie Fig.2 zusätzlich ein neuronales Netz 54. Auf dieses neuronale Netz 54 ist wie in Fig.2 einmal der Meßvektor z aufgeschaltet. Weiterhin erhält das neuronale Netz 54 ebenfalls Bilddaten von einem Bildsensor oder bildauflösenden Detektor. Schließlich sind auch die Signale der Trägheitsmeßeinheit auf das neuronale Netz 54 aufgeschaltet und berücksichtigen die Eigenbewegung des Flugkörpers. Das neuronale Netz 54 ist aber so trainiert, daß aus diesen Eingangsgrößen Schätzwerte für die dreidimensionale Bahn des Ziels erhalten werden. Auch diese Schätzwerte dienen der besseren Modellierung der Relativkinematik. Das ist in Fig.3 dadurch symbolisiert, daß der Ausgang des neuronalen Netzes 54 über eine Schleife auf den "Summierpunkt" 36 aufgeschaltet ist.
    Das neuronale Netz 54 liefert außerdem aus den aufgeschalteten Bilddaten eine Aussage über die Art des Zielobjekts.
    Eine weitere Ausführung der Lenkstruktur ist in Fig.4 dargestellt. Die Ausführung nach Fig.4 geht davon aus, daß die Anzahl möglicher Ziele in vielen Fällen begrenzt ist. So gibt es nur eine begrenzte Anzahl von Flugzeugtypen, die von einem Gegner eingesetzt werden. Die Flugeigenschaften dieser Flugzeuge sind bekannt. Es ist auch bekannt, welche optimalen Fluchtmanöver ein bestimmter Flugzeugtyp machen kann, um einem anfliegenden Flugkörper zu entkommen. Dieses Wissen ist bei der Lenkstruktur von Fig.4 verwirklicht.
    Die Lenkstruktur von Fig.4 entspricht in wesentlichen Teilen der von Fig.1. Auch hier sind entsprechende Teile mit den gleichen Bezugszeichen versehen wie dort und nicht nochmals im einzelnen beschrieben.
    Statt eines Modells des Zieles sind bei der Lenkstruktur von Fig.4 eine Mehrzahl von Modellen vorgesehen, von denen jedem Modell eine Hypothese über die Zielbewegung zu Grunde gelegt ist. Diese Hypothesen entsprechen z.B. möglichen Fluchtbewegungen eines Flugzeugtyps oder mehrerer Flugzeugtypen. Diese Hypothesen über die Zielbewegung sind in Fig.4 durch Blöcke 34.1, 34.2 ... 34.n dargestellt. Jede dieser Hypothesen ergibt einen Vektor
    Figure 00120001
    . Jeder der Hypothesen 34.1, 34.2 ... 34.n ist ein Optimalfilter 44.1, 44.1... 44.n zugeordnet. Das Modell des Flugkörpers ist natürlich in allen Fällen das gleiche. Es ergeben sich eine Mehrzahl von parallelen Modellen der Flugkörper-Ziel-Relativkinematik mit zugeordneten Optimalfiltern, die in der beschriebenen Weise durch Δ an die Realität angepaßt werden.
    Je besser die Hypothese über die Zielbewegung in einem bestimmten Modell der Flugkörper-Ziel-Relativdynamik der Realität entspricht, desto kleiner wird bei einem Optimalfilter das "Residuum"
    Figure 00120002
    , d.h. die Differenz von gemessenem und geschätzem Wert. Eine Inferenzeinheit 58 erhält als Eingänge einmal die Vektoren von den verschiedenen Modellen und zum anderen die Residuen . Die Inferenzeinheit 58 wählt dann nach Maßgabe der Residuen einen Vektor x and R eines der Modelle aus. Dieser wird dann auf ein zugeordnetes optimales Lenkgesetz gegeben, woraus sich eine kommandierte Querbeschleunigung a MC ergibt. Es kann sein, daß nach den Residuen mehr als ein Modell die Realität ziemlich gut annähert. In diesem Fall kann es geschehen, daß die Inferenzeinheit 58 mehr als einen Vektor x and R auswählt und die ausgewählten Vektoren sowie die zugehörigen Lenkgesetze gewichtet überlagert werden. Die Inferenzeinheit 58 kann, wie in Fig.4 angedeutet, ein neuronales Netz oder ein fuzzy-neuronales Netz enthalten.
    Fig.5 zeigt eine weitere Ausführung einer Lenkstruktur, bei welcher der Relativkinematik-Vektor x and R aus dem Modell einmal über einen ersten Kanal nach einem wissensbasierten, optimalen Lenkgesetz und zum anderen über einen zweiten Kanal reaktiv, z.B. nach einem algorithmischen Lenkgesetz auf den Autopiloten aufschaltbar ist.
    Die Lenkstruktur mit der realen Welt und dem Modell der realen Welt ist die gleiche wie bei den Ausführungen nach Fig.1 bis 4. Entsprechende Teile sind mit den gleichen Bezugszeichen versehen wie in Fig.1 bis 4 und nicht mehr im einzelnen beschrieben. Das Modell 31 liefert einen Schätzwert x and R für den die Relativkinematik zwischen Flugkörper und Ziel darstellenden Relativkinematik-Vektor. Nach diesem Schätzwert des Relativkinematik-Vektors x and R erfolgt die Lenkung.
    Bei der Ausführung nach Fig.5 sind zwei Kanäle 60 und 62 auf den Autopiloten 16 aufgeschaltet. Über den Kanal 60 erfolgt die Lenkung -wie bei den Ausführungen von Fig. 1 bis 4- nach einem wissensbasierten, optimalen Lenkgesetz in Abhängigkeit von dem im Modell 31 geschätzten Relativkinematik-Vektor x and R.
    Ein solches Lenkgesetz kann beispielsweise dadurch implementiert werden, daß ausgehend von verschiedenen simulierten, durch Relativkinematik-Vektoren dargestellten Begegnungssituationen Verläufe von Stellsignalen berechnet werden, die schließlich dazu führen, daß der Flugkörper das Ziel trifft. Diese Verläufe werden nach bestimmten Kriterien z.B. hinsichtlich Flugzeit und Treibstoffverbrauch optimiert. Für jede solche Begegnungssituation ergibt sich dann eine Art "mehrdimensionale Kennlinie". Die Gesamtheit dieser Kennlinien liefert ein mehrdimensionales Kennlinienfeld. Dieses Kennlinienfeld gestattet das Trainieren eines neuronalen Netzes zur Darstellung des optimalen Lenkgesetzes. Das ist in Fig.5 durch Blöcke 64 dargestellt.
    In dem zweiten Kanal 62 ist ein algorithmisches oder "reaktives" Lenkgesetz verwirklicht. Das ist durch Block 66 dargestellt. Als Meßgrößen dienen hier verarbeitete Sensorsignale, die durch einen Vektor z dargestellt sind. Das algorithmische Lenkgesetz kann, wie angegeben, die Proportionalnavigation sein, wobei z.B. die kommandierte Querbeschleunigung proportional zur Drehrate der Sichtlinie zum Ziel gemacht wird. Das algorithmische Lenkgesetz kann eine modifizierte Proportionalnavigation sein. Das algorithmische Lenkgesetz kann aber auch durch eine Lösung der zustandsabhängigen Ricatigleichung (SDRE) gegeben sein. Alternativ kann das "reaktive" Lenkgesetz auch durch ein neuronales oder fuzzy-neuronales Netz realisiert sein. Dieses neuronale oder fuzzy-neuronale Netz wird offline trainiert mit Daten, die als optimale Trajektorien für gegebene Begegnungssituationen zwischen Flugkörper und Ziel als ergebnis einer numerischen, genetischen oder evolutionären Optimierungsrechnung erzeugt werden.
    Dieser reaktive Teil der Lenkung reagiert schnell und direkt und, z.B. im Fall der Proportionalnavigation, über ein einfaches und robustes Lenkgesetz. Dabei werden Sensordaten wie inertiale Sichtlinienrichtung σ, Sichtlinien-Drehrate und Entfernung R verwendet.
    Ein Hauptlenkregler 68 steuert über Steuereinheiten 70 bzw. 72 die Aufschaltung der beiden Kanäle 60 und 62 auf den Autopiloten 16. Die Aufschaltung des einen oder des anderen Kanals 60, 62 oder beider Kanäle erfolgt in Abhängigkeit vom aerodynamischen Zustand des Flugkörpers (Geschwindigkeit, Anstellwinkel, Flughöhe) und des Status des Flugkörpers (z.B. des noch vorhandenen Treibstoffvorrats)
    Ein weiteres wichtiges Kriterium, nach welchem der erste "Relativkinematik"- oder der zweite "reaktive" Kanal 60 bzw. 62 auf den Autopiloten aufgeschaltet wird, ist die Zuverlässigkeit des Relativkinematik-Vektors x and R. Der Schätzwert des Relativkinematik-Vektor x and R wird durch ein optimales Filter 44, z.B. ein Kalmanfilter, erhalten. Solche Filter liefern nicht nur einen Schätzwert für den Relativkinematik-Vektor x and R sondern auch Schätzwerte für die "Zuverlässigkeit" der Komponenten dieses Vektors in Form z.B. der Kovarianzen. Der Hauptlenkregler kann diese Zuverlässigkeiten abfragen. Wenn der Schätzwert des Relativkinematik-Vektors x and R etwa durch Störmaßnahmen des Ziels nur eine unzureichende "Zuverlässigkeit" besitzt, wird der Hauptlenkregler sich für die Lenkregelung ausschließlich oder vornehmlich auf den reaktiven Kanal 62 stützen.
    Die Aufschaltung einerseits des Relativkinematik-Vektors x and R über einen optimalen Regler und andererseits der (verarbeiteten) Sensorsignale z in einem reaktiven Kanal bietet wesentliche Vorteile: Der optimale Regler führt den Flugkörper auf einer optimalen Flugbahn zum Ziel. Es hat sich aber gezeigt, daß der optimale Regler auf schnelle und unerwartete Änderungen der Relativkinematik, die z.B. durch ein unerwartetes Manöver des Ziels verursacht wird, zu langsam reagiert. Es erfordert Zeit, bis der optimale Regler in dem ersten Kanal die richtige "mehrdimensionale Kennlinie" für einen Relativkinematik-Vektor x and R ermittelt hat. Auch kann die Zuverlässigkeit des Schätzwertes des Relativkinematik-Vektors x and R unzureichend sein. In einem solchen Fall reagiert zunächst relativ schnell der "reaktive" Kanal 62 auf Sensorsignale, z.B. auf eine Änderung der Sichtlinie zum Ziel, und führt den Flugkörper nach dem Lenkgesetz der Proportionalnavigation. Welcher der beiden Kanäle 60 oder 62 durch den Hauptlenkregler aufgeschaltet wird, richtet sich nach dem aerodynamischen Zustand und dem sonstigen Status des Flugkörpers sowie der Zuverlässigkeit des Relativkinematik-Vektors x and R .
    Bei der Ausführung von Fig.5 ist das Zielmodell 34 durch zusätzliche Informationen aus den Sensor- Bild- und Trägheitsmeßdaten ergänzt, wie das in den Figuren 2, 3 und 4 dargestellt ist. Das ist durch die Blöcke 50A und 50B, die dem Block 50 in Fig.2 entsprechen und Block 54 dargestellt. Block 74 liefert Informationen über übliche Fluchtmanöver eines dem Typ nach erkannten Ziels, z.B. eines bestimmten, erkannten Flugzeugtyps. Die verschiedenen so gelieferten Informationen werden einer Inferenzverarbeitung unterworfen, und das Zielmodell 34 wird danach modifiziert.

    Claims (15)

    1. Lenkstruktur zum Lenken eines mit einem Sensorsystem versehenen Flugkörpers zu einem Ziel, wobei aus dem Sensorsystem ein Meßvektor (z) von beobachtbaren Größen ableitbar ist, dadurch gekennzeichnet, daß
      (a) in dem Flugkörper ein Modell (31) von Flugkörper-Ziel-Relativkinematik und Sensorsystem (28) dargestellt ist,
      (b) das Modell durch ein Optimalfiltermittel (44) modifizierbar ist, welches von der Abweichung eines sich aus dem Modell ergebenden Meßvektors ( z and ) von dem realen Meßvektor (z) beaufschlagt sind, wobei durch Die Modifikation eine Anpassung des Modells (31) an die Realität angestrebt wird, und
      (c) der Flugkörper in Abhängigkeit von einem in dem Modell erzeugten, die relative Kinematik von Flugkörper und Ziel darstellenden Relativkinematik-Vektor ( x and R ) lenkbar ist.
    2. Lenkstruktur nach Anspruch 1, dadurch gekennzeichnet, daß der Relativkinematik-Vektor ( x and R ) nach einem optimalen Lenkgesetz (46) auf den Autopiloten (16) des Flugkörpers aufgeschaltet ist.
    3. Lenkstruktur nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Signale einer inertialen Meßeinheit (22) des Flugkörpers auch auf das Modell (31) aufgeschaltet sind.
    4. Lenkstruktur nach einem der Ansprüche 1 bis 3, gekennzeichnet durch Schätzermittel (50) zum Schätzen der Zielbeschleunigung, auf welche der Meßvektor, Bilddaten von einem bildauflösenden Detektor des Flugkörpers und Daten der Trägheitsmeßeinheit (22) des Flugkörpers aufgeschaltet sind und durch welche das Modell (31) korrigierbar ist.
    5. Lenkstruktur nach einem der Ansprüche 1 bis 4, gekennzeichnet durch Schätzermittel (54) zum Schätzen der dreidimensionalen Bahn des Ziels, auf welche der Meßvektor, Bilddaten von einem bildauflösenden Detektor des Flugkörpers und Daten der Trägheitsmeßeinheit (22) des Flugkörpers aufgeschaltet sind und durch welche das Modell (31) korrigierbar ist.
    6. Lenkstruktur nach Anspruch 4 oder 5, dadurch gekennzeichnet, daß die Schätzermittel (50,54) ein entsprechend trainiertes neuronales Netz sind.
    7. Lenkstruktur nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß
      (a) das das Modell (31) der Flugkörper-Ziel-Relativkinematik eine Mehrzahl von Hypothesen (34.1, 34.2 ... 34.n) über die Bewegung des Ziels enthält.
      (b) das Modell (31) parallel für jede dieser Hypothesen (34.1, 34.2 ... 34.n) durch ein zugehöriges Optimalfilter (44.1, 44.2... 44.n) im Sinne einer Anpassung des Modells (31) an die Realität modifizierbar ist,
      (c) die dabei erhaltenen geschätzten Zustandsvektoren ( x and R ) und eine Ausgangsgröße (
      Figure 00170001
      ) des zugehörigen Optimalfilters (44.1, 44.2... 44.n) auf eine Inferenzeinheit (58) aufgeschaltet ist, die einen oder mehrere Zustandsvektoren ( x and R ) auswählt,
      (d) durch die Inferenzeinheit (58) wenigstens ein ausgewählter Zustandsvektor ( x and R ) auf einen zugehörigen Lenkregler (46.1, 46.2 ... 46.n) aufschaltbar ist, der nach einem zugehörigen optimalen Lenkgesetz arbeitet.
    8. Lenkstruktur nach Anspruch 2, dadurch gekennzeichnet, daß auf den Autopiloten (16) des Flugkörpers zusätzlich Sensorsignale (z) in einem reaktiven Kanal (62) aufgeschaltet oder aufschaltbar sind.
    9. Lenkstruktur nach Anspruch 8, dadurch gekennzeichnet, daß die Aufschaltung der Sensorsignale nach einem algorithmischen Lenkgesetz erfolgt.
    10. Lenkstruktur nach Anspruch 9, dadurch gekennzeichnet, daß das algorithmische Lenkgesetz das Lenkgesetz der Proportionalnavigation ist.
    11. Lenkstruktur nach Anspruch 9, dadurch gekennzeichnet, daß das algorithmische Lenkgesetz ein Lenkgesetz einer modifizierten Proportionalnavigation ist.
    12. Lenkstruktur nach Anspruch 9, dadurch gekennzeichnet, daß das algorithmische Lenkgesetz eine Lösung der zustandsabhängigen Ricatigleichung beinhaltet.
    13. Lenkstruktur nach Anspruch 9, dadurch gekennzeichnet, daß der reaktive Kanal ein neuronales oder fuzzy-neuronales Netz enthält.
    14. Lenkstruktur nach Anspruch 13, dadurch gekennzeichnet, daß das neuronale oder fuzzy-neuronale Netz offline mit Daten trainiert ist, die als optimale Trajektorien für gegebene Begegnungssituationen zwischen Flugkörper und Ziel als Ergebnis einer Optimierungsrechnung erzeugt werden.
    15. Lenkstruktur nach einem der Ansprüche 8 bis 14, dadurch gekennzeichnet, daß
      (a) die Aufschaltung des Relativkinematik-Vektors (x and R) nach einem wissensbasierten optimalen Lenkgesetz über einen ersten Kanal und die Aufschaltung von Sensorsignalen über einen zweiten, reaktiven Kanal erfolgt und
      (b) ein Hauptlenkregler vorgesehen ist, der in Abhängigkeit von dem aerodynamischen Zustand und/oder dem Status des Flugkörpers und/oder der Zuverlässigkeit des Relativkinematik-Vektors (x and R) den ersten Kanal oder den zweiten Kanal oder beide auf den Autopiloten des Flugkörpers aufschaltet.
    EP01730001A 2000-07-08 2001-06-05 Lenkstruktur für Flugkörper Withdrawn EP1174675A1 (de)

    Applications Claiming Priority (2)

    Application Number Priority Date Filing Date Title
    DE10033368 2000-07-08
    DE2000133368 DE10033368A1 (de) 2000-07-08 2000-07-08 Lenkstruktur für Flugkörper

    Publications (1)

    Publication Number Publication Date
    EP1174675A1 true EP1174675A1 (de) 2002-01-23

    Family

    ID=7648335

    Family Applications (1)

    Application Number Title Priority Date Filing Date
    EP01730001A Withdrawn EP1174675A1 (de) 2000-07-08 2001-06-05 Lenkstruktur für Flugkörper

    Country Status (2)

    Country Link
    EP (1) EP1174675A1 (de)
    DE (1) DE10033368A1 (de)

    Cited By (4)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    EP1241431A1 (de) 2001-03-16 2002-09-18 BODENSEEWERK GERÄTETECHNIK GmbH Lenkstruktur für Flugkörper
    EP4261493A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zum lenken eines flugkörpers
    EP4261491A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zum lenken eines abfangflugkörpers
    EP4261492A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zur midcourse-lenkung eines im schub steuerbaren flugkörpers

    Citations (6)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US4589610A (en) * 1983-11-08 1986-05-20 Westinghouse Electric Corp. Guided missile subsystem
    US5253823A (en) * 1983-10-07 1993-10-19 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Guidance processor
    DE4218600A1 (de) * 1992-06-05 1993-12-09 Bodenseewerk Geraetetech Einrichtung zur Bestimmung von Bewegungsgrößen eines Flugkörpers
    GB2309068A (en) * 1985-01-30 1997-07-16 Secr Defence Missile guidance system
    DE19704279A1 (de) * 1997-02-05 1998-08-06 Diehl Stiftung & Co Verfahren zur Flugsteuerung eines Gleitschirms
    WO1999035460A1 (en) * 1998-01-09 1999-07-15 Raytheon Company Neural network trajectory command controller

    Patent Citations (6)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US5253823A (en) * 1983-10-07 1993-10-19 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Guidance processor
    US4589610A (en) * 1983-11-08 1986-05-20 Westinghouse Electric Corp. Guided missile subsystem
    GB2309068A (en) * 1985-01-30 1997-07-16 Secr Defence Missile guidance system
    DE4218600A1 (de) * 1992-06-05 1993-12-09 Bodenseewerk Geraetetech Einrichtung zur Bestimmung von Bewegungsgrößen eines Flugkörpers
    DE19704279A1 (de) * 1997-02-05 1998-08-06 Diehl Stiftung & Co Verfahren zur Flugsteuerung eines Gleitschirms
    WO1999035460A1 (en) * 1998-01-09 1999-07-15 Raytheon Company Neural network trajectory command controller

    Cited By (4)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    EP1241431A1 (de) 2001-03-16 2002-09-18 BODENSEEWERK GERÄTETECHNIK GmbH Lenkstruktur für Flugkörper
    EP4261493A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zum lenken eines flugkörpers
    EP4261491A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zum lenken eines abfangflugkörpers
    EP4261492A1 (de) * 2022-04-13 2023-10-18 Diehl Defence GmbH & Co. KG Verfahren zur midcourse-lenkung eines im schub steuerbaren flugkörpers

    Also Published As

    Publication number Publication date
    DE10033368A1 (de) 2002-01-17

    Similar Documents

    Publication Publication Date Title
    DE3875379T2 (de) Expertensystem als steuerung fuer ein fahrzeug.
    DE102017106684A1 (de) Autonome fahrzeugseitensteuerung zur bahnverfolgung und stabilität
    DE102006041565A1 (de) Verfahren und Vorrichtung zur vorschaubasierten Fahrzeugquersteuerung
    DE4300941A1 (en) Automatic control of moving body, e.g. automobile - uses camera to monitor road to allow comparison of vehicle position with required path for steering control
    DE102020006465B4 (de) Abfangflugkörper und Verfahren zu dessen Lenkung
    DE102018205278A1 (de) Verfahren und System zur Steuerung eines autonom fahrenden Fahrzeugs
    DE102017205040A1 (de) Verfahren zur Planung von kombinierter Längs- und Querbewegung für Fahrzeuge
    DE102017108130A1 (de) Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm
    EP1020699B1 (de) Flugkörper
    DE69931216T2 (de) Flugbahnbefehlssteuerung mit neuronalem netzwerk
    DE4218600C2 (de) Einrichtung zur Bestimmung von Bewegungsgrößen eines Flugkörpers
    EP0974806B1 (de) Verfahren zum Trainieren eines neuronalen Netzes für die Lenkung eines Flugkörpers zu einem Ziel
    EP1174675A1 (de) Lenkstruktur für Flugkörper
    WO2019057568A1 (de) Verfahren und vorrichtung zur beurteilung eines müdigkeitsgrads eines fahrzeuginsassen eines fahrzeugs
    DE19523111A1 (de) Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug
    EP1014028B1 (de) Lenk,- Navigations- und Regelsystem für Flugkörper
    DE19649735A1 (de) Lenkung für Flugkörper-Systeme mit Ziel-Tracker und zusätzlicher manueller Korrektur des Trackpunktes
    EP2600096B1 (de) Bestimmen von Indikatoren für die Trefferwahrscheinlichkeit eines Waffensystems
    DE69912053T2 (de) Verfahren und Vorrichtung zum Lenken eines Flugkörpers, insbesondere einer Kampfrakete, auf ein Ziel
    DE102018206326B4 (de) Verfahren zum Erweitern einer Datenbasis eines Bayesschen Netzes
    EP1087200B1 (de) Flugkörper-Missionseinheit
    DE102021114768A1 (de) Fahrzeugsteuerung unter Verwendung eines Controllers eines neuronalen Netzes in Kombination mit einem modellbasierten Controller
    DE102020213527A1 (de) Verfahren zum Optimieren einer Strategie für einen Roboter
    DE19716025A1 (de) Plattform mit abschießbaren, zielverfolgenden Flugkörpern, insbesondere Kampfflugzeug
    DE19543048A1 (de) Vorrichtung zur Erzeugung von Lenksignalen für zielverfolgenden Flugkörper

    Legal Events

    Date Code Title Description
    PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

    Free format text: ORIGINAL CODE: 0009012

    AK Designated contracting states

    Kind code of ref document: A1

    Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE TR

    Kind code of ref document: A1

    Designated state(s): DE FR GB SE

    AX Request for extension of the european patent

    Free format text: AL;LT;LV;MK;RO;SI

    17P Request for examination filed

    Effective date: 20020723

    AKX Designation fees paid

    Free format text: DE FR GB SE

    RAP1 Party data changed (applicant data changed or rights of an application transferred)

    Owner name: DIEHL BGT DEFENCE GMBH & CO.KG

    17Q First examination report despatched

    Effective date: 20080404

    STAA Information on the status of an ep patent application or granted ep patent

    Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

    18D Application deemed to be withdrawn

    Effective date: 20081015