基于能量机动的近距空战模型及应用

doi:10.7527/S1000-6893.2024.30863

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于能量机动的近距空战模型及应用

李恒晖(), 林前辉, 韩涛锋, 何阳

江西洪都航空工业集团有限责任公司，南昌 330024

收稿日期:2024-06-25 修回日期:2024-09-03 接受日期:2024-11-18 出版日期:2024-12-02 发布日期:2024-11-29
通讯作者: 李恒晖 E-mail:cauc_lhh@126.com

Close-range air combat model based on energy maneuverability and its applications

Henghui LI(), Qianhui LIN, Taofeng HAN, Yang HE

AVIC Jiangxi Hongdu Aviation Industry Group，Nanchang 330024，China

Received:2024-06-25 Revised:2024-09-03 Accepted:2024-11-18 Online:2024-12-02 Published:2024-11-29
Contact: Henghui LI E-mail:cauc_lhh@126.com

摘要/Abstract

摘要：

目前近距智能空战的研究侧重理论与算法，在能量机动方面考虑有所欠缺。为了将能量机动融入近距空战模型，对空战理论进行了分析，提出了一种基于能量机动的1对1近距空战专家模型构建方法：基于能量机动，对空战态势进行静态态势与动态态势判断，得到期望的滚转角与法向过载，并采用比例-积分-微分（PID）控制算法对模型横航向与纵向进行控制。即模型通过态势判断直接得到期望飞行状态，无需选择执行某一机动，决策时间步长可以尽可能缩短，有利于缩短观察、判断、决策、行动（OODA）循环时间。仿真结果表明，所建立的模型在60场仿真模拟中获得了58场胜利，可以按设计发挥出战机的机动性能。提出的模型构建方法具有通用性，在近距空战教学与训练、无人机（UAV）空战等方面应用前景广阔。

关键词: 智能空战, 近距空战, 能量机动, 专家模型, 机动能力

Abstract:

At present， research on intelligent air combat at close range focuses on theories and algorithms， but lacks consideration in energy maneuverability. To integrate energy maneuverability into close-range air combat， an analysis of air combat theories is conducted， and a one-to-one expert system construction method for close-range air combat based on energy maneuverability is proposed. Based on energy maneuvering， decisions on static and dynamic situations of air combat are made to obtain the expected roll angle and normal G-force， and Proportion-Integration-Differentiation （PID） control algorithm is constructed to control the lateral and longitudinal directions of the model. That is， the model directly obtains the expected flight state through situational judgment， without the need to choose to execute a certain maneuver. The decision time step can be shortened as much as possible， which is beneficial for shortening the Observation-Orientation-Decision-Action （OODA） cycle time. Simulation results show that the established model achieves 58 victories in 60 simulations， which can fully demonstrate the maneuverability of the fighter as designed. The model construction method proposed has universality and prospects for application in close-range air combat teaching and training， Unmanned Aerial Vehicle （UAV） air combat， and other fields.

Key words: intelligent air combat, close-range air combat, energy maneuverability, expert model, maneuverability

中图分类号:

V219

李恒晖, 林前辉, 韩涛锋, 何阳. 基于能量机动的近距空战模型及应用[J]. 航空学报, 2025, 46(7): 330863.

Henghui LI, Qianhui LIN, Taofeng HAN, Yang HE. Close-range air combat model based on energy maneuverability and its applications[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(7): 330863.

图/表 14

图 1

图 2

图 3

表1

图 4

图 5

表 2

动态态势与机动策略

静态态势	视线角速率	距离变化率	$Δ H$	机动策略
1-5	+		1	敌机在高处且我机趋于劣势，速度大应选择双环，以较大的过载与盘旋角速率，使用筋斗、斜筋斗抢攻；速度小应增加盘旋角速率，可以进行单环水平盘旋，或通过低速摇-摇、半滚倒转机动，以牺牲高度恢复速度，再进行斜筋斗抢攻
1-5	+		0	敌我高度接近且我机趋于劣势，速度大应选择双环，以较大的过载与盘旋角速率，使用斜筋斗、水平盘旋抢攻；速度小应应增加盘旋角速率，可以进行单环盘旋，或通过低速摇-摇机动抢攻
1-5	+		-1	敌机在低处且我机趋于劣势，应进行低速摇-摇或半滚倒转机动，以较大的过载与盘旋角速率抢攻，并控制我机处于合适的速度
1-5	-		1	敌机在高处且我机趋于优势，以最大稳定盘旋角速率为目标持续机动至敌机进入导弹攻击角度之内
1-5	-		0	敌我高度接近且我机趋于优势，以最大稳定盘旋角速率为目标持续机动至敌机进入导弹攻击角度之内
1-5	-		-1	敌机在低处且我机趋于优势，以最大稳定盘旋角速率为目标持续机动至敌机进入导弹攻击角度之内
1-7		+		我机处于敌机导弹发射角度内，距离大于其最大射程且在增加，应根据当前速度选取机动迅速转向进行对头
1-7		-		我机处于敌机导弹发射角度内，距离大于其最大射程且在减小，应根据当前速度选取机动迅速转向进行对头
1-8		+		我机处于敌机导弹发射角度内，距离小于其最小射程且在增加，应减小速度，使用防御桶滚、滚剪机动占据敌机后半球位置
1-8		-		我机处于敌机导弹发射角度内，距离小于其最小射程且在减小，应减小速度，使用防御桶滚、滚剪机动占据敌机后半球位置
3-5				敌机处于我机导弹发射角度内，距离大于其最大射程，应限制长时间处于大仰角以维持一定速度并减小距离，并减小或维持视线角
3-7				双机为对头态势且距离均超过双方导弹射程，可以减小视线角，并控制速度为合适的空战进入速度
3-8				在双方导弹性能相差不大时不可能出现，该态势可忽略，可按3-7态势处理
4-5				敌机处于我机导弹发射角度内，距离小于其最小射程，应减小速度，可以采用进攻桶滚机动以维持敌方后半球占位，并增加距离以获得导弹发射机会
4-7				在双方导弹性能相差不大时不可能出现，该态势可忽略，可按4-8态势处理
4-8				双机对头交汇前的态势，双方距离较近，该态势无法维持太久，应控制速度为合适的空战进入速度并减小视线角，为交汇后抢攻做准备

表 2

图 6

图 7

图 8

表3

表4

图 9

图 10

参考文献 24

1	孙聪. 从空战制胜机理演变看未来战斗机发展趋势［J］. 航空学报， 2021， 42（8）： 525826.
	SUN C. Development trend of future fighter： A review of evolution of winning mechanism in air combat［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525826 （in Chinese）.
2	DARPA. ACE program’s AI agent transition from simulation to live flight ［EB/OL］. （2023-02-13）［2024-04-27］. .
3	孙智孝，杨晟琦，朴海音，等. 未来智能空战发展综述［J］. 航空学报， 2021， 42（8）： 525799.
	SUN Z X， YANG S Q， PIAO H Y， et al. A survey of air combat artificial intelligence［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525799 （in Chinese）.
4	XU G Y， LIU Q， ZHANG H. The application of situation function in differential game problem of the air combat［C］‍∥2018 Chinese Automation Congress （CAC）. Piscataway： IEEE Press， 2018： 1190-1195.
5	PARK H， LEE B Y， TAHK M J， et al. Differential game based air combat maneuver generation using scoring function matrix［J］. International Journal of Aeronautical and Space Sciences， 2016， 17（2）： 204-213.
6	ZHENG H Y， DENG Y， HU Y. Fuzzy evidential influence diagram and its evaluation algorithm［J］. Knowledge-Based Systems， 2017， 131： 28-45.
7	PAN Q， ZHOU D Y， HUANG J C， et al. Maneuver decision for cooperative close-range air combat based on state predicted influence diagram［C］‍∥2017 IEEE International Conference on Information and Automation （ICIA）. Piscataway： IEEE Press， 2017： 726-731.
8	ZHENG Z Q， DUAN H B. UAV maneuver decision-making via deep reinforcement learning for short-range air combat［J］. Intelligence Robotics， 2023， 3（1）： 76-94.
9	傅莉，谢福怀，孟光磊，等. 基于滚动时域的无人机空战决策专家系统［J］. 北京航空航天大学学报， 2015， 41（11）： 1994-1999.
	FU L， XIE F H， MENG G L， et al. An UAV air-combat decision expert system based on receding horizon control［J］. Journal of Beijing University of Aeronautics and Astronautics， 2015， 41（11）： 1994-1999 （in Chinese）.
10	王锐平，高正红. 无人机空战仿真中基于机动动作库的决策模型［J］. 飞行力学， 2009， 27（6）： 72-75， 79.
	WANG R P， GAO Z H. Research on decision system in air combat simulation using maneuver library［J］. Flight Dynamics， 2009， 27（6）： 72-75， 79 （in Chinese）.
11	王炫，王维嘉，宋科璞，等. 基于进化式专家系统树的无人机空战决策技术［J］. 兵工自动化， 2019， 38（1）： 42-47.
	WANG X， WANG W J， SONG K P， et al. UAV air combat decision based on evolutionary expert system tree［J］. Ordnance Industry Automation， 2019， 38（1）： 42-47 （in Chinese）.
12	李高垒，马耀飞. 基于深度网络的空战态势特征提取［J］. 系统仿真学报， 2017， 29（S1）： 98-105.
	LI G L， MA Y F. Feature extraction algorithm of air combat situation based on deep neural networks［J］. Journal of System Simulation， 2017， 29（S1）： 98-105 （in Chinese）.
13	TENG T H， TAN A H， TAN Y S， et al. Self-organizing neural networks for learning air combat maneuvers［C］‍∥The 2012 International Joint Conference on Neural Networks （IJCNN）. Piscataway： IEEE Press， 2012： 1-8.
14	YANG Q M， ZHANG J D， SHI G Q， et al. Maneuver decision of UAV in short-range air combat based on deep reinforcement learning［J］. IEEE Access， 2020， 8： 363-378.
15	LIU P， MA Y F. A deep reinforcement learning based intelligent decision method for UCAV air combat［C］‍∥17th Asia Simulation Conferenve. Melaka： Federation of Asian Simulation Societies， 2017： 274-286.
16	PIAO H Y， SUN Z X， MENG G L， et al. Beyond-visual-range air combat tactics auto-generation by reinforcement learning［C］‍∥2020 International Joint Conference on Neural Networks （IJCNN）. Piscataway： IEEE Press， 2020： 1-8.
17	付宇阳，邓向阳，朱子强，等. 基于价值滤波的空战机动决策方法［J］. 航空学报， 2023， 44（22）： 628871.
	FU Y Y， DENG X Y， ZHU Z Q， et al. Value-filter based air-combat maneuvering optimization［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（22）： 628871 （in Chinese）.
18	Koren Air Force. F-16C basic employment manual［R］. Seoul： Koren， 2005.
19	秦玮，马雯，张楠. 某大机动无人机基于飞行任务的敏捷性评估飞行科目设计与仿真［J］. 测控技术， 2020， 39（11）： 119-125.
	QIN W， MA W， ZHANG N. Design and simulation of flight courses for agility evaluation of high maneuver UAV based on flight mission［J］. Measurement & Control Technology， 2020， 39（11）： 119-125 （in Chinese）.
20	王忠俊，高浩. 关于飞机功能敏捷性尺度的计算［J］. 飞行力学， 1994， 12（2）： 15-20.
	WANG Z J， GAO H. On the calculation of fighter functional agility metrics［J］. Flight Dynamics， 1994， 12（2）： 15-20 （in Chinese）.
21	方伟，王玉佳，徐涛，等. 航空兵智能决策模型的评估方法［J］. 兵器装备工程学报， 2021， 42（8）： 126-132.
	FANG W， WANG Y J， XU T， et al. Research on evaluation method of aviation intelligent decision model［J］. Journal of Ordnance Equipment Engineering， 2021， 42（8）： 126-132 （in Chinese）.
22	BOYD J R. The essence of winning and losing ［EB/OL］. （2016-03-13）［2024-04-23］. .
23	冯宇鹏，郭强，赵创新，等. 一种基于试飞数据的飞机稳定盘旋性能极限修正方法： CN114676501A［P］. 2022-06-28.
	FENG Y P， ZHAO Q， ZHAO C X， et al. A method for correcting the limit of stable hovering performance of aircraft based on test flight data： CN114676501A［P］. 2022-06-28 （in Chinese）.
24	邱福生，魏闯，院老虎. 基于试飞数据的固定翼飞机盘旋性能仿真分析技术［J］. 科学技术与工程， 2019， 19（30）： 348-353.
	QIU F S， WEI C， YUAN L H. Simulation and analysis technology of fixed-wing aircraft circling performance based on flight test data［J］. Science Technology and Engineering， 2019， 19（30）： 348-353 （in Chinese）.

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

态势	需求	我机速度	期望目标	典型机动	典型过程
双环	盘旋角速率大	速度较大	以最大过载进行非定常盘旋	筋斗、高速摇-摇机动、水平盘旋	点2→点3→点4
		速度较大	迅速达到并保持稳定盘旋	高速摇-摇机动、水平盘旋	点2→点6
		速度较小	达到并保持稳定盘旋	水平盘旋、高速摇-摇机动	点4→点6
单环	盘旋半径小	速度较大	以最大过载进行非定常盘旋并减速	筋斗、高速摇-摇机动、水平盘旋	点2→点3→点4
单环	盘旋半径小	速度较小	维持小速度盘旋	水平盘旋、高速摇-摇机动、半滚倒转	维持点4

双方初始态势	红方获胜场次	仿真情况概述
双方对头，间距2 n mile	20	双方飞机初始态势为均势，在不同初始条件下，红方均可在2次交汇后可获得优势，达到满足获胜判据
红方尾追，间距2 n mile	20	红方初始态势为优势，在仿真前5 s内均可保持视线角小于10°，达到满足获胜判据
蓝方尾追，间距2 n mile	18	红方初始态势为劣势，在仿真初始高度为500 ft、初始马赫数0.4、0.5时，由于初始高度与速度较低，红方选择以较小的过载与盘旋角速率进行水平盘旋并增速，导致仿真前5 s内蓝方视线角小于10°并达到获胜判据。其余条件仿真中，红方通过水平盘旋、斜筋斗、下降盘旋等机动进行防御，在5 s内均可使蓝方视线角大于10°，并可在1~2次交汇后获得优势，达到满足获胜判据

[1]	杨书恒, 张栋, 熊威, 任智, 唐硕. 基于可解释性强化学习的空战机动决策方法[J]. 航空学报, 2024, 45(18): 329922-329922.
[2]	王宝来, 高显忠, 谢涛, 侯中喜. 基于强化学习与种群博弈的近距空战决策[J]. 航空学报, 2024, 45(12): 329446-329446.
[3]	马金毅, 王灿, 薛涛, 艾剑良, 董一群. 空战格斗飞行机动数据库建立及应用[J]. 航空学报, 2023, 44(S1): 727538-727538.
[4]	章胜, 周攀, 何扬, 黄江涛, 刘刚, 唐骥罡, 贾怀智, 杜昕. 基于深度强化学习的空战机动决策试验[J]. 航空学报, 2023, 44(10): 128094-128094.
[5]	孙聪. 从空战制胜机理演变看未来战斗机发展趋势[J]. 航空学报, 2021, 42(8): 525826-525826.
[6]	左家亮, 杨任农, 张滢, 邬蒙, 肖雨泽. 基于模糊聚类的近距空战决策过程重构与评估[J]. 航空学报, 2015, 36(5): 1650-1660.

基于能量机动的近距空战模型及应用

Close-range air combat model based on energy maneuverability and its applications

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 24

相关文章 6

编辑推荐

Metrics

本文评价