基于迁移学习的角度约束时间最短制导算法

doi:10.7527/S1000-6893.2022.28400

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于迁移学习的角度约束时间最短制导算法

罗皓文¹^,², 何绍溟¹^,²(), 金天宇¹^,², 刘子超¹^,²

^1.北京理工大学宇航学院，北京　100081
^2.北京理工大学无人机自主控制技术北京市重点实验室，北京　100081

收稿日期:2022-12-14 修回日期:2023-02-01 接受日期:2023-03-20 出版日期:2023-10-15 发布日期:2023-03-31
通讯作者: 何绍溟 E-mail:shaoming.he@bit.edu.cn
基金资助:
国家重点研发计划(2022YFE0204400)

Impact-angle-constrained with time-minimum guidance algorithm based on transfer learning

Haowen LUO¹^,², Shaoming HE¹^,²(), Tianyu JIN¹^,², Zichao LIU¹^,²

^1.School of Astronautics，Beijing Institute of Technology，Beijing 　100081，China
^2.Beijing Key Laboratory of UAV Autonomous Control Technology，Beijing Institute of Technology，Beijing 　100081，China

Received:2022-12-14 Revised:2023-02-01 Accepted:2023-03-20 Online:2023-10-15 Published:2023-03-31
Contact: Shaoming HE E-mail:shaoming.he@bit.edu.cn
Supported by:
National Key Research and Development Programm(2022YFE0204400)

摘要/Abstract

摘要：

由于导弹所处的气动环境等外界条件复杂多变，因此在特定气动环境中表现优异的深度监督学习制导算法将无法直接作用于新环境，这给制导指令的精准预测带来了很大挑战。针对上述问题，本文以落角约束下优化飞行时间的制导问题为背景，提出了一种基于迁移学习的角度约束时间最短制导算法，该算法只需极少量的新数据，便能使制导律迅速适应不同的气动环境。在本文中，我们首先通过域对抗地训练特征提取器和域判别器，从不同气动环境的弹道数据中提取出对气动变化不敏感的关键特征；其次设计了适应于不同气动环境的偏置加速度预测器，进而实现了对导弹的精准制导；最后，大量数值仿真结果表明，在新气动环境下，基于迁移学习的角度约束时间最短制导算法仍能实现制导指令的精准预测。

关键词: 计算制导, 深度学习, 迁移学习, 落角约束, 偏置比例导引律

Abstract:

The aerodynamic environment and other external conditions of the missile are complex and changeable. The deep supervised learning guidance algorithm with excellent performance in the specific aerodynamic environment cannot be directly applied to the new environment, which brings great challenges to the accurate prediction of guidance instructions. To solve the above problem, this paper proposes a Transfer-learning-based Impact-angel Constraint with Time-minimum Guidance algorithm (TICTG) for missile guidance, which minimizes the impact time under impact angle constraints. The proposed algorithm can quickly adapt the guidance law to different aerodynamic conditions with very little new data. Firstly, we extract key features insensitive to aerodynamic changes from ballistic data in different aerodynamic environments by training the feature extractor and domain discriminator against the domain ground. Secondly, we design a bias acceleration predictor adapted to different aerodynamic conditions, so as to achieve accurate guidance of the missile. A large number of numerical simulation results show that the method proposed can achieve accurate prediction of guidance instructions in the new aerodynamic environment.

Key words: computational guidance, deep learning, transfer learning, impact angle constraint, bais proportion navigation

中图分类号:

V249

罗皓文, 何绍溟, 金天宇, 刘子超. 基于迁移学习的角度约束时间最短制导算法[J]. 航空学报, 2023, 44(19): 328400-328400.

Haowen LUO, Shaoming HE, Tianyu JIN, Zichao LIU. Impact-angle-constrained with time-minimum guidance algorithm based on transfer learning[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(19): 328400-328400.

图/表 23

图 1

表 1

源域气动力系数

马赫数	$C D 0$	$C D α 2$	$C L α$
0.1	0.451 29	22.041	24.538
0.2	0.421 05	22.424	24.496
0.3	0.416 64	22.731	24.572
0.4	0.421 47	23.056	24.551
0.5	0.421 68	23.190	24.678
0.6	0.430 61	23.592	24.994
0.7	0.444 04	24.158	25.263

表 1

图 2

图 3

表 2

目标域气动力系数

马赫数	$C D 0$	$C D α 2$	$C L α$
0.1	0.541 55	26.449	29.446
0.2	0.505 26	26.909	29.395
0.3	0.499 97	27.276	29.487
0.4	0.505 76	27.667	29.461
0.5	0.506 02	27.828	29.613
0.6	0.516 73	28.311	29.993
0.7	0.532 85	28.988	30.316

表 2

图 4

图 5

表 3

初始状态和落角约束

参数	取值
导弹x方向初始位 $x 0 / m$	0
导弹y方向初始位 $y 0 / k m$	5
目标x方向位置 $x f / k m$	［20， 21］
目标y方向位置 $y f / m$	2
导弹初始速度 $v 0 / (m ⋅ s - 1)$	300
初始弹道倾角 $θ 0 / ∘$	［0，10］
终端攻击角度 $θ f / ∘$	-90

表 3

表 4

图 6

图 7

表 5

偏置加速度的预测误差均值、最大值、中位数以及标准差

参数	均值	最大值	中位数	标准差
与实际偏置加速度的误差/（ $m ⋅ s - 2$ ）	0.153 3	22.42	0.009 1	2.072

表 5

图 8

图 9

图 10

表 6

TICTG的误差统计

误差	均值	最大值	中位数	标准差
水平脱靶量 $Δ x / 10 - 3 m$	2.4	3.6	2.11	1.1
铅锤脱靶量 $Δ y / m$	0.578 2	0.987 6	0.437 6	0.223 2
速度误差 $Δ v / (m ⋅ s - 1)$	0.080 3	0.542	0.072 2	0.031 91
攻击角度误差 $Δ θ / (°)$	0.208 8	0.266 4	0.151 93	0.052 8
飞行时间误差 $Δ t / 10 - 3 s$	9.07	43.39	12.5	3.8

表 6

表 7

不同的气动环境摄动

气动环境摄动	$C D 0$ /%	$C D α 2$ /%	$C L α$ /%
1	5	5	5
2	10	10	10
3	20	20	20

表 7

图 11

表 8

TICTG和DICTG在摄动环境1中的误差统计

误差种类	TICTG				DICTG
误差种类	均值	最大值	中位数	标准差	均值	最大值	中位数	标准差
水平脱靶量 $Δ x / 10 - 3 m$	4.7	9.1	6.41	1.8	43.2	92.6	43.2	17.6
铅锤脱靶量 $Δ y / m$	0.573 2	0.994 2	0.529 3	0.206 7	0.589 2	0.997 7	0.601	0.216 8
速度误差 $Δ v / (m ⋅ s - 1)$	1.932	2.240	2.123	0.412	2.507 1	2.847 9	2.201	0.357 8
攻击角度误差 $Δ θ / (°)$	0.481 9	0.698 2	0.474 7	0.090 3	4.248	6.252	4.331	0.917
飞行时间误差 $Δ t / s$	0.415 5	0.470 6	0.409 7	0.022 3	1.106	1.516	1.224	0.191

表 8

表 9

TICTG和DICTG在摄动环境2中的误差统计

误差种类	TICTG				DICTG
误差种类	均值	最大值	中位数	标准差	均值	最大值	中位数	标准差
水平脱靶量 $Δ x / 10 - 3 m$	13.6	26.9	13.4	5.1	103.2	220.0	103.8	46.2
铅锤脱靶量 $Δ y / m$	0.623 6	0.999 9	0.634 1	0.211 8	0.634 5	0.995 6	0.633	0.223
速度误差 $Δ v / (m ⋅ s - 1)$	3.867 5	4.218 5	4.022 6	0.367 8	4.238	4.739	4.367	0.310
攻击角度误差 $Δ θ / (°)$	1.263 6	1.784 8	1.274 7	0.216 2	9.160	13.110	9.56	2.256
飞行时间误差 $Δ t / s$	0.812 6	0.946 1	0.811 7	0.054 7	2.359 1	3.233	2.398	0.499 2

表 9

表 10

TICTG和DICTG在摄动环境3中的误差统计

误差	TICTG				DICTG
误差	均值	最大值	中位数	标准差	均值	最大值	中位数	标准差
水平脱靶量 $Δ x / 10 - 3 m$	25.1	50.8	6.35	10.0	239.4	555.6	205.4	102.2
铅锤脱靶量 $Δ y / m$	0.588	0.992	0.567	0.214 8	0.654 8	0.9996	0.632 2	0.195 1
速度误差 $Δ v / (m ⋅ s - 1)$	7.502	7.767	7.184 3	0.258 4	8.165 6	9.0946	8.214 8	0.395 8
攻击角度误差 $Δ θ / (°)$	2.451	3.087	2.711 9	0.329	19.815	30.238	18.785 4	5.212 3
飞行时间误差 $Δ t / s$	1.493	1.676	0.437 2	0.084 9	5.160 4	7.8024	4.887 5	1.278 4

表 10

图 12

表 11

在气动摄动环境1中引入推力扰动的误差统计

误差	均值	最大值	中位数	标准差
水平脱靶量 $Δ x / 10 - 3 m$	2.7	9.5	2.5	2.2
铅锤脱靶量 $Δ y / m$	0.618 1	0.996 1	0.618 1	0.218 9
速度误差 $Δ v / (m ⋅ s - 1)$	2.465 4	3.272	2.541	0.491 1
攻击角度误差 $Δ θ / (°)$	0.541 6	0.764 9	0.673 2	0.173 9
飞行时间误差 $Δ t / s$	0.394 6	0.463 8	0.393 4	0.015 2

表 11

参考文献 25

1	高峰，唐胜景，师娇，等. 一种基于落角约束的偏置比例导引律［J］. 北京理工大学学报， 2014， 34（3）： 277-282.
	GAO F， TANG S J， SHI J， et al. A bias proportional navigation guidance law based on terminal impact angle constraint［J］. Transactions of Beijing Institute of Technology， 2014， 34（3）： 277-282 （in Chinese）.
2	KIM B S， LEE J G， HAN H S. Biased PNG law for impact with angular constraint［J］. IEEE Transactions on Aerospace and Electronic Systems， 1998， 34（1）： 277-288.
3	张友根，于德海，张友安. 基于时间最优的攻击角度控制研究［J］. 飞行力学， 2010， 28（2）： 46-50.
	ZHANG Y G， YU D H， ZHANG Y A. Study on time-optimal impact angle control［J］. Flight Dynamics， 2010， 28（2）： 46-50 （in Chinese）.
4	黄汉桥，周军，郭建国. 具有角度和时间约束的导弹最优全弹道设计［J］. 西北工业大学学报， 2010， 28（2）： 165-170.
	HUANG H Q， ZHOU J， GUO J G. Design and simulation of an optimal missile trajectory with constraints of impact time and impact angle［J］. Journal of Northwestern Polytechnical University， 2010， 28（2）： 165-170 （in Chinese）.
5	KIM T H， LEE C H， TAHK M J， et al. Biased PNG law for impact-time control［J］. Transactions of the Japan Society for Aeronautical and Space Sciences， 2013， 56（4）： 205-214.
6	KIM T H， LEE C H， JEON I S， et al. Augmented polynomial guidance with impact time and angle constraints［J］. IEEE Transactions on Aerospace and Electronic Systems， 2013， 49（4）： 2806-2817.
7	ARITA S， UENO S. Optimal feedback guidance for nonlinear missile model with impact time and angle constraints： AIAA-2013-4785［R］. Reston： AIAA， 2013.
8	LU P. Introducing computational guidance and control［J］. Journal of Guidance， Control， and Dynamics， 2017， 40（2）： 193.
9	WANG X Y， QUAN Z Y， ZHANG J J. Optimal 3-dimension trajectory-tracking guidance for reusable launch vehicle based on back-stepping adaptive dynamic programming［J］. Neural Computing and Applications， 2023， 35（7）： 5319-5334.
10	WAN S Z， CHANG X F， LI Q C， et al. Suboptimal midcourse guidance with terminal-angle constraint for hypersonic target interception［J］. International Journal of Aerospace Engineering， 2019， 2019： 1-13.
11	周聪，闫晓东，唐硕，等. 大气层内模型预测静态规划拦截中制导［J］. 航空学报， 2021， 42（11）： 524912.
	ZHOU C， YAN X D， TANG S， et al. Midcourse guidance for endo-atmospheric interception based on model predictive static programming［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（11）： 524912 （in Chinese）.
12	PAN B F， MA Y Y， YAN R. Newton-type methods in computational guidance［J］. Journal of Guidance， Control， and Dynamics， 2019， 42（2）： 377-383.
13	SHI W， JING Z L， YANG Y S， et al. A pseudospectral approach to ascent trajectory optimization for hypersonic air-breathing vehicles［C］∥ 2013 9th Asian Control Conference （ASCC）. Piscataway： IEEE Press， 2013： 1-6.
14	HE S M， SHIN H S， TSOURDOS A. Computational missile guidance： A deep reinforcement learning approach［J］. Journal of Aerospace Information Systems， 2021， 18（8）： 571-582.
15	刘子超，王江，何绍溟，等. 基于预测校正的落角约束计算制导方法［J］. 航空学报， 2022， 43（8）： 325433.
	LIU Z C， WANG J， HE S M， et al. A computational guidance algorithm for impact angle control based on predictor-corrector concept［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 325433 （in Chinese）.
16	PAN S J， YANG Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.
17	王育鹏，吕帅帅，杨宇，等. 基于域自适应的复合材料结构损伤识别方法［J］. 航空学报， 2022， 43（6）： 526752.
	WANG Y P， LYU S S， YANG Y， et al. Damage recognition of composite structures based on domain adaptive model［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（6）： 526752 （in Chinese）.
18	O’CONNELL M， SHI G Y， SHI X C， et al. Neural-fly enables rapid learning for agile flight in strong winds［J］. Science Robotics， 2022， 7（66）： eabm6597.
19	YE C C， YANG J X， DING H. High-accuracy prediction and compensation of industrial robot stiffness deformation［J］. International Journal of Mechanical Sciences， 2022， 233： 107638.
20	LIU C Y， GRYLLIAS K. Simulation-driven domain adaptation for rolling element bearing fault diagnosis［J］. IEEE Transactions on Industrial Informatics， 2022， 18（9）： 5760-5770.
21	ROSS I M， FAHROO F. A perspective on methods for trajectory optimization： AIAA-2002-4727［R］. Reston： AIAA， 2002.
22	FAHROO F， ROSS I M. Direct trajectory optimization by a Chebyshev pseudospectral method［J］. Journal of Guidance， Control， and Dynamics， 2002， 25（1）： 160-166.
23	SHI Y， WANG Z B. A deep learning-based approach to real-time trajectory optimization for hypersonic vehicles： AIAA-2020-0023［R］. Reston： AIAA， 2020.
24	MA Y C， ZHANG Z， YANG H L， et al. An adaptive adversarial domain adaptation approach for corn yield prediction［J］. Computers and Electronics in Agriculture， 2021， 187： 106314.
25	SILVESTRINI S， LAVAGNA M. Deep learning and artificial neural networks for spacecraft dynamics， navigation and control［J］. Drones， 2022， 6（10）： 270.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

数据	数据大小	弹道条数
源域数据	718 318	5 500
目标域数据a	9 201	121
目标域数据b	5 087	55
目标域数据c	4 197	44
目标域数据d	3 375	33

[1]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[2]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[3]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[4]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[5]	陈立群, 邹旭, 张磊, 朱颖盼, 王港, 陈金勇. 基于国产商用器件的星载智能目标检测技术[J]. 航空学报, 2023, 44(S2): 728860-728860.
[6]	刘鹏宇, 朱雪耀. 基于深度学习的融合空域空管指令语义解析技术[J]. 航空学报, 2023, 44(S1): 727592-727592.
[7]	盛永智, 甘佳豪, 张成新. 弹道可调的落角约束分数阶滑模制导律设计[J]. 航空学报, 2023, 44(7): 327073-327073.
[8]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.
[9]	丁鹏, 宋亚飞. 代价敏感的空中目标意图识别方法[J]. 航空学报, 2023, 44(24): 328551-328551.
[10]	李晓航, 周建江. 基于自适应记忆长度的多尺度模态融合网络[J]. 航空学报, 2023, 44(22): 628977-628977.
[11]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.
[12]	赵鋆赫, 王生楠. 基于深度学习的权函数法应力强度因子求解[J]. 航空学报, 2023, 44(19): 228367-228367.
[13]	高树一, 林德福, 郑多, 胡馨予. 针对集群攻击的飞行器智能协同拦截策略[J]. 航空学报, 2023, 44(18): 328301-328301.
[14]	苑玉彬, 吴一全, 赵朗月, 陈金林, 赵其昌. 基于深度学习的无人机航拍视频多目标检测与跟踪研究进展[J]. 航空学报, 2023, 44(18): 28334-028334.
[15]	王莲子, 汪玲, 朱岱寅. 结合迁移学习基于全卷积神经网络的ISAR自聚焦算法[J]. 航空学报, 2023, 44(17): 328172-328172.

基于迁移学习的角度约束时间最短制导算法

Impact-angle-constrained with time-minimum guidance algorithm based on transfer learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价