变信赖域序列凸规划RLV再入轨迹在线重构

针对可重复使用运载器（RLV）的再入轨迹重构问题,提出一种基于变信赖域序列凸规划的RLV再入轨迹快速求解方法. 首先,通过离散化及对非凸约束的线性化处理,将RLV的非凸轨迹优化问题转换为凸优化问题,然后通过序列凸规划方法对凸优化问题进行求解. 在序列凸规划求解过程的初始迭代中,采用预测校正算法对初值猜测轨迹进行设计,确定轨迹求解的终端时间;在后续迭代过程中,设计基于优化性能指标的信赖域更新策略,提升算法的收敛性能. 在轨迹快速求解方法的基础上,考虑RLV再入过程中可能发生的突发事件,如实际轨迹大幅度偏离参考轨迹或目标点变更,基于变化的初值约束及终端约束在线重构轨迹,并结合重构轨迹和LQR（Linear quadratic regulator）方法设计再入制导律实现对重构轨迹的有效跟踪. 最后,将此设计方法与Gauss伪谱法及传统序列凸规划算法进行仿真对比验证. 仿真结果表明:变信赖域序列凸规划方法相较于伪谱法和传统的序列凸规划方法在轨迹求解实时性及收敛性方面有较大的提升,具备应用于轨迹在线重构的能力,此外,所提出的轨迹在线重构方法具备良好的鲁棒性以及抗扰性.     

类脑智能技术在无人系统上的应用

随着人工智能与脑科学等前沿技术的迅速发展,无人系统智能化研究正逐渐成为当今世界强国重点关注的战略发展方向,研究与之相关的科学问题具有前瞻性、战略性和带动性.文章首先分析了无人系统的发展需求,提出了面向需求的若干关键问题,包括复杂环境与态势信息的感知与认知问题、整体效能最优的分布式任务决策问题、面向任务需求的路径实时规划问题、考虑高不确定环境的自学习控制问题、应对非预期情况的故障诊断及容错问题以及基于人机接口的人机交互问题;随后,系统阐述了类脑智能技术在解决这些问题上的国内外研究现状;最后,论述了无人系统类脑智能化发展中依然存在的问题及未来发展趋势.     

基于光滑二阶滑模的可重复使用运载器有限时间再入姿态控制

针对可重复使用运载器(reusable launch vehicle,RLV)的六自由度再入模型,考虑模型不确定和外界干扰对再入姿态控制的影响,提出了一种非线性鲁棒控制策略.首先,根据多时间尺度特性将RLV的再入姿态模型分为姿态角子系统和姿态角速率子系统.其次,对每个子系统分别设计光滑二阶滑模控制器和滑模干扰观测器实现子系统的有限时间稳定.利用干扰观测器可以实现对不确定和外界干扰的精确估计,从而对控制器进行有效的补偿.进而,基于Lyapunov理论证明了整个系统的有限时间稳定.最后,通过仿真验证了提出的控制策略具有良好的控制性能和鲁棒性.     

基于Backstepping的临近空间飞行器非线性控制

为解决临近空间飞行器的稳定跟踪控制问题,考虑模型参数不确定和外界未知干扰对跟踪控制性能的影响,基于backstepping方法与非线性控制理论设计稳定跟踪控制算法.将通用临近空间飞行器数学模型转化为严反馈形式,采用backstepping方法递归求取控制信号,并利用非线性方法对控制器进行设计,从而保证了系统的稳定性和鲁棒性.仿真结果表明,给出的控制方法能有效抑制模型参数不确定和外界干扰的影响,对于实现临近空间飞行器的稳定跟踪控制具有较好的应用价值.     

飞行器上升段轨迹的优化设计

针对飞行器上升段轨迹优化求解困难的问题,提出一种基于正交配点的优化求解方法。该方法以第二类切比雪夫正交多项式的零点作为系统控制变量和状态变量的离散点,利用拉格朗日插值多项式对状态和控制变量进行拟合。通过对多项式的求导将动力学微分方程约束转化为代数约束,从而把无限维的最优控制问题转化为一个有限维的非线性规划(Nonlinear Programming,NLP)问题。随后,利用序列二次规划(Sequential Quadratic Program-ming,SQP)方法求解转化后的NLP问题,获得最优的飞行轨迹。最后,飞行器上的仿真结果验证了所提方法的有效性。研究成果可为飞行器的制导控制提供可行的飞行轨迹,有一定的工程应用价值。     

再入飞行器带有干扰观测器的有限时间控制

针对模型参数不确定及外界干扰影响下的再入飞行器的姿态控制问题,设计基于干扰观测器的有限时间控制策略.首先建立面向控制模型,并通过多时间尺度原理将面向控制模型分为内、外两环;其次,设计干扰观测器实时观测面向控制模型中的参数不确定及外界干扰,解决滑模控制因参数过大而导致的抖振问题,基于观测值,设计终端滑模控制器,在此基础上,基于Lyapunov理论对控制系统的稳定性进行分析;最后,基于六自由度再入模型,验证所设计的有限时间姿态控制策略的有效性.     

基于鲁棒自适应反步的可重复使用飞行器再入姿态控制

考虑惯性矩阵不确定和力矩扰动的影响, 设计再入可重复使用飞行器的鲁棒自适应反步姿态控制器. 首先, 设计虚拟控制时, 通过自适应实现对不确定项的未知边界的估计; 其次, 设计实际控制输入时, 为消除反步法的“计算爆炸”问题, 将虚拟控制导数作为不确定项, 引入鲁棒项消除不确定与力矩扰动的影响; 再次, 基于Lyapunov 理论证明了跟踪误差收敛到任意小邻域; 最后, 基于X-33 的六自由度模型仿真验证了所设计的控制策略的有效性.     

双层规划模型的大规模UCAV编队队形优化

为解决复杂约束环境下大规模无人战斗机(UCAV)编队队形优化问题,提出基于双层规划模型的队形优化求解算法.以大规模UCAV编队空对地饱和打击作战场景为例,建立UCAV编队作战上层规划模型,通过采用离散粒子群-模拟退火(DPSO-SA)算法进行求解,得到执行每个任务的UCAV编号和最优队形;根据现有的编队作战队形库,建立编队中UCAV站位下层规划模型,通过采用遗传算法进行求解,得到UCAV在队形中的位置.仿真结果表明:在上层规划模型中引入改进模拟退火算法,可以解决离散粒子群算法易陷入局部极小值的问题;设计双层规划模型,可以解决DPSO-SA算法后期收敛速度慢的问题.相对于单层规划模型,双层规划模型求解大规模UCAV编队队形优化问题收敛速度更快,寻优效果更好.     

基于改进强化学习算法的多无人机智能航迹规划

为实现复杂任务环境中多无人机的自主飞行, 本文采用改进的强化学习算法,设计了一种具有避碰避障功能的多无人机智能航迹规划策略。通过改进搜索策略、引入具有近似功能的神经网络函数、构造合理的立即回报函数等方法,提高算法运算的灵活性、降低无人机运算负担, 使得多无人机能够考虑复杂任务环境中风速等随机因素以及静态和动态威胁的影响, 自主规划出从初始位置到指定目标点的安全可行航迹。为了探索所提算法在实际飞行过程的可行性, 本文以四旋翼无人机为实验对象, 在基于ROS的仿真环境中验证了算法的可行性与有效性。