滑翔导弹末段多约束智能弹道规划
来源:《光学精密工程》,作者邵会兵等
摘要:滑翔导弹末段飞行时空复杂度高、不确定性强、约束多,给弹道规划与制导算法带来了较大的建模和求解难度。针对这一问题,同时增大末段机动范围并提高弹道规划效率,本文提出一种利用连续型深度置信神经网络(Convolutional Deep Brief Networks,CDBN)预测机动能力、设计经由点状态实现末段多约束智能弹道规划的方法。过程中采用CDBN对机动能力进行在线预测,快速判定经由点状态的可行性,并且通过经由点状态智能设计,实现前后段能量的优化分配,扩大弹道机动包络;通过设计三角函数型弹目视线角实现末段弹道摆动机动,推导机动弹道最优末制导律对视线角进行跟踪,并调节机动频率以满足速度约束。仿真结果表明,CDBN相对BP网络具有更高的机动能力预测精度;本文所提智能弹道规划方法在满足末端速度约束的前提下,可以实现弹道摆动机动并大幅增加飞行包络。弹道规划能够在0.5 s内完成,满足工程应用的快速性要求。
关 键 词:滑翔导弹;机动能力预测;连续型深度置信网络;机动弹道规划
1 引 言
滑翔导弹是一种区别于传统弹道导弹、可在临近空间长时间高速滑翔、机动飞行的新型武器装备[1],具有飞行速度快、飞行高度高、飞行环境复杂的特点。为了满足现代化战争中实际作战需要,滑翔导弹需要具有对威胁区和拦截网进行规避、对拦截弹和探测网有效突防、为满足制导或侦察需求经由特定区域以及对目标进行高精度打击等能力。复杂的飞行环境、多变的战场态势、多类型的任务要求使滑翔导弹任务规划及弹道规划的时空复杂度急剧增加,亟需在相关技术中获得突破。
滑翔导弹末段打击任务对弹道末端倾角、速度等多种约束具有严苛的要求。同时,飞行过程中的绕飞探测任务需要导弹在满足速度、过载、姿态、终点状态等多约束前提下增加飞行通道、扩大机动区域、增加机动形式[2]。因此,需要开展末段多约束弹道规划和制导方法研究。
然而,滑翔导弹末段飞行的高时空复杂度、强不确定性和多约束的特点使相应的弹道规划与制导问题也具有了类似的特征,既难以精确建模,又难以快速精确求解,需要研究行之有效的解决方案。近年来,人工智能基础理论获得了突破发展,人工智能以其强大的学习能力与适应性在自动控制、航空航天等领域表现出突出的优势与应用前景。其中,基于深度学习神经网络的智能方法在解决各领域中具有复杂、不确定、多约束等特点的问题上获得了巨大成功。深度学习神经网络可通过大量样本的训练来逼近实际问题的真实模型,然后根据新的输入迅速给出对应的结果。因此,本文将结合深度学习神经网络,一方面解决滑翔导弹末段规划与制导中部分环节的复杂系统建模问题,一方面满足在线弹道规划与制导的快速性要求。
深度学习和传统的人工神经网络不同,在采用监督学习进行网络训练前,引入了梯度向上的非监督学习,利用无标记的训练样本逐层训练参数,通过对输入数据信息的充分利用有效地解决了上述问题,深度学习的深层非线性网络结构通过训练大量的样本数据学习有用的特征,逼近复杂的非线性函数。目前较为公认的深度学习基本模型包括卷积神经网络[3]、基于自动编码器的堆叠自动编码器[4]和基于限制玻尔兹曼机 (Restricted Boltzmann Machine, RBM)的深度置信网络(Deep Belief Network, DBN)[5]。DBN不仅在图像、语音、金融预测、模式识别等领域表现出较好的特征提取及学习能力,而且在多因素影响的特征提取及回归预测问题中也得到越来越多的应用研究,如储层预测[6]、用户投诉预测[7]、油井热采效率预测[8]、工业软测量建模[9]、疾病风险预警[10]等问题。
在智能弹道规划方面,魏黎明等人[11]利用BP神经网络设计了吸气式高超声速导弹突防弹道,在导弹工作动压窗口、攻角窗口的条件下,通过大量离线仿真数据训练BP神经网络以拟合得出导弹初始机动高度、马赫数、质量与机动时间之间的非线性映射关系,从而实现了通过机动初始条件预测机动时间。方科等人[12]基于BP神经网络设计了高超声速再入飞行器时间可控再入制导律,通过离线仿真获得时间预估BP网络训练集,并采用贝叶斯正则化算法进行离线训练,从而实现了对剩余再入飞行时间的预估。相关研究主要集中于采用智能优化算法进行轨迹优化设计,以及采用大量离线数据训练神经网络以实现对弹道规划过程中相关参数的在线快速预测两个方面。
为了增大滑翔导弹的末段机动范围并降低弹道规划难度,本文提出一种利用经由点设计实现末段多约束智能弹道规划的方法。通过智能规划经由点状态,扩大导弹机动包络,同时保证有足够的能量实现对目标的多约束精确打击。经由点的智能设计中,将采用深度置信神经网络建立机动能力预测模型,快速判定经由点状态的可行性,实现经由点前、后段能量的合理分配,提高经由点在线设计的效率。
为满足弹道摆动机动需求,本文将导弹相对目标点的视线角设计为三角函数形式,并通过设计机动弹道最优末制导律,实现对期望视线角的跟踪,最后通过调节视线角的机动频率满足期望的速度约束。
2 基于CDBN的末段机动能力预测
2.1 机动能力预测流程
结合任务需求,弹头在滑翔末段需要判断从当前状态是否能够到达给定终端状态,为经由点或机动指令的设计提供基础。滑翔末段机动能力可通过比较导弹当前位置能量状态与限定终端状态后反向推算出的当前位置所需最小能量状态进行衡量。其中当前位置所需最小能量状态是指,弹头从当前位置按当前速度方向,以最省能量弹道到达给定终端位置时,恰好满足终端速度大小及方向约束,所对应的初始能量状态。由于无动力导弹质量恒定,故能量状态可用速度来表示。
因此,对导弹机动能力的预测可以通过建立相应的神经网络模型来进行。即选取关键的状态变量作为神经网络的输入,预测的能量状态作为输出。通过优化设计获得样本库,利用样本库对神经网络进行离线训练,通过神经网络模型实现对机动能力的在线预测。机动能力预测流程图如图1所示。
图1 机动能力预测流程图
Fig.1 Flowchart of maneuverability prediction
假定地球模型为均质非旋圆球,则滑翔末段机动能力主要受当前点的状态、终点状态以及当前点与终点的相对状态的影响。输入变量包括当前点状态中的速度倾角θ、高度H,终点状态中的末端速度VfD、末端落角θfD、末端高度HfD,当前点与终点相对状态中的航向角偏差Δψ、水平距离L、末端航向角偏差ΔψfD。
输出变量为当前位置、当前速度方向下,保证飞行终点满足给定终端状态的当前最小速度Vmin。
样本生成中,内层采用角度约束最优末制导律获得满足末端约束的能量最优弹道,外层采用牛顿迭代法获得满足末端约束的最小初始速度。
预测模型采用连续型深度置信神经网络。
2.2 机动能力预测样本库构建
对每一个包含当前状态、终端状态和相对状态的输入X=(H, L, θ,Δψ, VfD, θfD, ΔψfD, HfD),采取牛顿迭代的方法,可得到满足末端约束的最小初始速度Vmin,步骤如下:
(1)取当前时刻速度大小初值为V0,基于角度约束最优末制导律[13]:
(1)
其中:γD为弹道倾角,
为剩余飞行时间,λD为高低视线角。
从当前位置积分到终端状态,得