双线性正切制导律 (Bi-linear tangent law)

双线性正切制导率

鲁鹏，北京理工大学宇航学院

之前看迭代制导的文章 [1] 时里面提到了双线性正切制导率，很多关于火箭轨迹优化的文章也提到过如较新的文献 [2] 。本文总结双线性正切制导率 (Bi-linear tangent law) 的推导过程 ，分别使用变分法 (calculus of variations) 和最小值原理的基础知识进行推导，主要参考了文献 [3] 的57到58页和文献 [4] 的59页到61页。

一、使用变分法推导

在假设地球重力场为平行力场，重力加速度、推力大小和比冲都为常值条件下，研究最优俯仰角程序。

俯仰平面中的纵向运动方程
$$\begin{gathered} \dot{x}=v_x \\ \dot{y}=v_y \\ {\dot{v}}_x=\frac{P}{m}\cos \phi \\ {\dot{v}}_y=\frac{P}{m}\sin \phi -g \end{gathered}$$

在终点关机时刻 $t_k$ 时，导弹的速度和位置可以表示为
$$\{\begin{array}{rl}{v}_{xk}=& v_{x0}+{\int }_0^{t_k}\frac{P}{m(t)}\cos \phi (t)\mathrm{d}t\\ v_{yk}=& v_{y0}+{\int }_0^{t_k}\left(\frac{P}{m(t)}\sin \phi (t)-\mathrm{g}\right)\mathrm{d}t\\ x_k=& x_0+v_{x0}{t}_k+{\int }_0^{t_k}{\int }_0^{\tau }\frac{P}{m(t)}\cos \phi (t)\mathrm{d}t\mathrm{d}\tau \\ =& x_0+v_{x0}{t}_k+{\left[\tau {\int }_0^{\tau }\frac{P}{m(t)}\cos \phi (t)\mathrm{d}t-{\int }_0^{\tau }t\frac{P}{m(t)}\cos \phi (t)\mathrm{d}t\right]}_{\tau =t_k}\\ =& x_0+v_{x0}{t}_k+{\int }_0^{t_k}\left(t_k-t\right)\frac{P}{m(t)}\cos \phi (t)\mathrm{d}t\\ y_k=& y_0+v_{y0}{t}_k+{\int }_0^{t_k}\left(t_k-t\right)\left(\frac{P}{m(t)}\sin \phi (t)-g\right)\mathrm{d}t\end{array}$$
设$\phi (t)$的变分为$\delta \phi (t)$，则对应导弹关机时刻速度泛函和位置泛函的变分为
$$\{\begin{array}{rl}\delta v_{xk}=& -{\int }_0^{t_k}\frac{P}{m}\sin \phi (t)\delta \phi (t)\mathrm{d}t\\ \delta v_{yk}=& {\int }_0^{t_k}\frac{P}{m}\cos \phi (t)\delta \phi (t)\mathrm{d}t\\ \delta x_k=& -{\int }_0^{t_k}\left(t_k-t\right)\frac{P}{m}\sin \phi (t)\delta \phi (t)\mathrm{d}t\\ \delta y_k=& {\int }_0^{t_k}\left(t_k-t\right)\frac{P}{m}\cos \phi (t)\delta \phi (t)\mathrm{d}t\end{array}$$
则射程 $L(x_k,y_k,v_{xk},v_{yk})$ 的变分为
$$\begin{array}{rl}\delta L=& \frac{\partial L}{\partial v_{xk}}\delta v_{xk}+\frac{\partial L}{\partial v_{yk}}\delta v_{yk}+\frac{\partial L}{\partial x_k}\delta x_k+\frac{\partial L}{\partial y_k}\delta y_k\\ =& -\frac{\partial L}{\partial v_{xk}}{\int }_0^{t_k}\frac{P}{m}\sin \phi (t)\delta \phi (t)\mathrm{d}t+\frac{\partial L}{\partial v_{yk}}{\int }_0^{t_k}\frac{P}{m}\cos \phi (t)\delta \phi (t)\mathrm{d}t\\ & -\frac{\partial L}{\partial x_k}{\int }_0^{t_k}\left(t_k-t\right)\frac{P}{m}\sin \phi (t)\delta \phi (t)\mathrm{d}t+\frac{\partial L}{\partial y_k}{\int }_0^{t_k}\left(t_k-t\right)\frac{P}{m}\cos \phi (t)\delta \phi (t)\mathrm{d}t\\ =& {\int }_0^{t_k}[-\frac{\partial L}{\partial v_{xk}}\frac{P}{m}\sin \phi (t)+\frac{\partial L}{\partial v_{yk}}\frac{P}{m}\cos \phi (t)\\ & -\frac{\partial L}{\partial x_k}\left(t_k-t\right)\frac{P}{m}\sin \phi (t)+\frac{\partial L}{\partial y_k}\left(t_k-t\right)\frac{P}{m}\cos \phi (t)]\delta \phi (t)\mathrm{d}t\end{array}$$
射程达到极值的必要条件是变分 $\delta L=0$ ，即
$$-\left[\frac{\partial L}{\partial x_k}\left(t_k-t\right)+\frac{\partial L}{\partial v_{xk}}\right]\sin \phi (t)+\left[\frac{\partial L}{\partial y_k}\left(t_k-t\right)+\frac{\partial L}{\partial v_{yk}}\right]\cos \phi (\mathrm{t})=0$$
故最优俯仰角程序为
$$\phi (t)=\arctan \frac{\frac{\partial L}{\partial y_k}\left(t_k-t\right)+\frac{\partial L}{\partial V_{yk}}}{\frac{\partial L}{\partial x_k}\left(t_k-t\right)+\frac{\partial L}{\partial V_{xk}}}$$
当$\frac{\partial L}{\partial v_{xk}}\ne 0$，上式可写成
$$\phi (t)=\arctan \frac{A+Bt}{1+Ct}$$
A、B、C是待定常数，由于控制角$\phi$的正切是两个线性函数的比值，这种制导率就叫做双线性正切制导率。在工程设计中可以直接选择系数 A、B、C 使目标优化。对上式进行一阶泰勒展开可得到俯仰角程序 ${\phi }_{pr}(t)$ 按时间的线性关系表达为 ${\phi }_{pr}(t)=A+Bt$ 。工程设计中也可以使用这种简化形式，直接选择系数 A、B使目标优化。

二、使用最小值原理推导

向直线路径的最大速度转移问题（maximum velocity transfer to a rectilinear path）：质量为$m$的质点上作用着一个大小为$ma$的推力。这里只考虑平面问题，质点在惯性坐标系中的坐标是$x,y$，速度分量表示为$u,v$，推力的方向用角度$\beta (t)$表示，推力方向是问题中唯一的控制变量

质点的运动方程
$$\begin{gathered} \dot{u}=a\cos \beta \\ \dot{v}=a\sin \beta \\ \dot{x}=u \\ \dot{y}=v \end{gathered}$$

其中 $a$ 是时间的已知函数。该问题的哈密度函数
$$H={\lambda }_{u}a\cos \beta +{\lambda }_{v}a\sin \beta +{\lambda }_{x}u+{\lambda }_{y}v$$
协态方程 (costate equation, adjoint equation)
$$\dot{{\lambda }_u}=\frac{\partial H}{\partial u}=-{\lambda }_x,\dot{{\lambda }_v}=-{\lambda }_y,\dot{{\lambda }_x}=0,\dot{{\lambda }_y}=0$$
对上面的微分方程积分可得
$${\lambda }_u=-c_{1}t+c_3,{\lambda }_v=-c_{2}t+c_4,{\lambda }_x=c_1,{\lambda }_y=c_2$$
其中$c_1,c_2,c_3,c_4$都是常数。

根据最优性条件可知
$$\frac{\partial H}{\partial \beta }=-{\lambda }_{u}a\sin \beta +{\lambda }_{v}a\cos \beta =0$$
因此最优控制率如下
$$\tan \beta =\frac{{\lambda }_v}{{\lambda }_u}=\frac{-c_{2}t+c_4}{-c_{1}t+c_3}$$
这个就是双线性正切制导率的公式。

现在考虑另一个例子，把这个质点在给定时间$T$内转移到平行于$x$轴并且距离$x$轴$h$远的路径上，使末端速度水平速度$u(T)$尽可能大，而不对终端$x$进行限制。

此时这个问题的边界条件如下
$$\begin{array}{rlr}u(0)=0& & {\lambda }_u(T)=1\\ v(0)=0& & v(T)=0,{\lambda }_v(T)={\nu }_v\\ x(0)=0& & {\lambda }_x(T)=0\\ y(0)=0& & y(T)=h,{\lambda }_y(T)={\nu }_y\end{array}$$
其中 ${\nu }_v,{\nu }_y$ 是待确定的拉格朗日乘子。

使用上一部分双线性正切制导率推导过程中的信息可得 ${\lambda }_x=0$，进而 ${\lambda }_u=1$。此时最优控制率变成了线性正切制导率
$$\tan \beta =\tan {\beta }_0-ct,\text{ where }\tan \beta ={\nu }_v+{\nu }_{y}T,c={\nu }_y$$

参考：

[1] Chandler D C , Smith I E . Development of the iterative guidance mode with its application to various vehicles and missions.[J]. Journal of Spacecraft & Rockets, 1967, 4(7):898-903.
[2] Federici L , Zavoli A , Colasurdo G , et al. Integrated Optimization of First-Stage SRM and Ascent Trajectory of Multistage Launch Vehicles[J]. Journal of Spacecraft and Rockets, 2021(4):1-12.
[3] 祝强军.弹道导弹弹道仿真与优化设计[D].陕西:西北工业大学,2007,57-58. DOI:10.7666/d.y1033176.
[4] A.E. Bryson, Jr., and Y.-C. Ho. Applied Optimal Control, 2nd edition (revised). Hemisphere Publishing Corp., Washington D.C., 1975
[5] Perkins F M . DERIVATION OF LINEAR-TANGENT STEERING LAWS. 1966.