中国指挥与控制学会会刊 
高超声速滑翔飞行器(hypersonic glide vehicle, HGV)在20—100 km高度的临近空间以Ma>5的速度远距离滑翔飞行,其速度快、机动性强、目标覆盖广,具有十分广阔的军民应用价值。近年来,高超声速滑翔飞行技术已取得突破,并开始应用于武器系统,成为远程高精度快速打击的利器[1]。在民用方面,该技术具有应用于低成本可重复的跨大气层飞行、天地快速往返、全球洲际快速航行等领域的巨大潜力。
随着人工智能技术(AI)的快速发展和飞行器弹载计算能力的不断提升,研究人员开始关注如何实现在线飞行任务规划,进一步提升HGV对复杂飞行环境和多样化非预期任务的自主适应能力。HGV在飞行过程中面临飞行环境变化、飞行任务临机调整、突发威胁规避等情况时,均需要实时对滑翔机动能力进行快速评估,为在线调整飞行任务或规避威胁提供依据。同时,飞行任务调整、突发威胁规避等又要求飞行轨迹在线自主(重)规划,对规划效率、自主性提出了很高的要求。因此,滑翔机动能力快速评估与轨迹自主规划是实现复杂环境和多样化任务下HGV在线任务规划的关键技术之一[2]。
由于飞行器在线计算能力的限制和规划算法的局限性,传统的滑翔机动能力评估和轨迹规划一般采取离线计算的方式,难以支撑飞行器在线任务规划需求。近年来,AI的飞速发展和弹载算力的快速提升,为在线机动能力评估与轨迹自主规划奠定了良好的基础,对该领域的研究成为热点。
1 问题描述与分析
1.1 问题描述
滑翔机动能力快速评估是指对滑翔机动能力进行在线快速计算,以评估当前飞行状态下能否完成预期机动飞行任务,或者支撑实现在线任务调整、目标变更、机动突防等机动能力评估。HGV滑翔机动能力主要包括纵向机动能力和侧向机动能力。纵向机动能力是指HGV在高度方向上调整飞行高度或按特定模式进行跳跃机动的能力,而侧向机动能力进一步分为绕飞机动能力和目标可达能力[3]。其中,目标可达能力是HGV最重要的机动能力评价指标,通常用可达域表征。可达域反映了飞行器在当前状态下可以到达的最大目标区域。图 1中虚线构成的区域即为可达域计算结果[4]。本文机动能力评估主要针对可达域快速计算问题进行分析。HGV高速飞行条件下状态高动态变化,对可达域计算效率提出了很高的要求,加上可达域计算还需考虑各种复杂约束条件,十分具有挑战性。
为了适应强不确定飞行环境和多样化飞行任务,需要在线自主规划可行或最优的飞行轨迹,这是HGV自主能力的一个主要特征,也是一个具有挑战性的问题。所谓自主性主要体现在HGV能够根据飞行环境特点和任务需求,基于弹载计算能力快速生成满足各种复杂飞行约束条件的动力学轨迹。对HGV轨迹自主规划而言,需要重点关注两个问题:一是如何满足各种复杂而繁多的飞行约束;二是如何实现轨迹的在线快速规划。
1.2 特点分析
HGV滑翔机动能力快速评估与轨迹自主规划具有复杂多约束、高动态、强机动和强不确定性等特点,对规划算法和弹载计算能力提出了较高的挑战。
(1)复杂多约束性。HGV在临近空间无动力高速飞行,需要满足的主要约束条件包括:复杂非线性运动模型约束;高速飞行导致的气动力、热,过载、动压、控制等飞行约束;禁飞区、航路点等路径约束。对于协同飞行任务,还需满足多HGV避碰及机动轨迹时空协同约束等。复杂多约束性是机动能力快速评估与轨迹自主规划面临的主要挑战之一。
(2)高动态性。HGV全程飞行速度大于5 Ma,整个飞行过程具有高动态的特点。在弹载有限计算资源下,对机动能力评估和轨迹规划效率提出了极高的要求。传统方法通常难以满足在线、最优规划的要求,需要研究高动态下在线机动能力快速评估与轨迹自主规划方法。
(3)强机动性。HGV依靠大升阻比气动外形,可在纵向和侧向进行机动飞行。其中,侧向机动是HGV的主要机动方式,可进行侧向绕飞、摆式、螺旋等多模式机动。HGV多模式机动能力赋予飞行器在线目标调整、强突防能力的同时,也为机动能力评估与轨迹规划带来了挑战。
(4)强不确定性。一方面,临近空间大气密度和温度不确定性强,难以建立准确的大气模型;另一方面,由于风洞试验的天地不一致性和气动烧蚀等原因,飞行器气动模型具有较强的不确定性。此外,其他不确定因素还包括气动烧蚀导致的飞行器质量变化、交班点状态偏差等。上述不确定因素对飞行器机动能力评估和轨迹规划结果会产生较大影响,是需要加以考虑的。
2 研究现状分析
滑翔机动能力快速评估与轨迹自主规划问题是目前研究热点,主要集中在如何兼顾各种复杂多约束条件、高精度和实时性要求。机动能力评估和轨迹规划方法可大体分为基于阻力加速度剖面的方法、基于拟平衡滑翔条件的方法、基于快速优化的方法以及基于深度强化学习的方法等。
2.1 基于阻力加速度剖面的方法
(1)基于阻力加速度剖面的轨迹规划
航天飞机基于阻力加速度剖面的再入制导方法[5]经过了实践检验,是一类十分经典方法。为满足各种复杂飞行约束要求,该方法将气动热、过载、动压以及拟平衡滑翔条件约束转换为阻力加速度-速度/能量飞行走廊约束,进而通过在飞行走廊内规划参考阻力加速度飞行剖面并进行跟踪,确保所生成的再入轨迹满足飞行约束要求。然而,受限于航天飞机飞行任务,该方法存在以下不足:一是阻力加速度剖面需要离线进行设计,难以满足在线自主规划需求;二是攻角采用相对固定的方案攻角,主要通过调整倾侧角进行轨迹控制,且飞行剖面设计主要满足航程约束,没有考虑大范围侧向机动能力需求;三是没有考虑禁飞区、航路点等约束。可见,传统航天飞机再入轨迹规划方法难以满足复杂约束下在线自主轨迹规划需求,特别是难以适应大范围侧向机动飞行需求。为此,研究人员针对航天飞机阻力加速度剖面规划方法进行了拓展与改进,重点围绕如何进一步考虑航路点、禁飞区等复杂约束,如何适应大范围侧向机动需求,以及如何实现快速自主规划展开研究。Xie等[6]对阻力加速度剖面进行了改进,设计了由5条线段构成的剖面,可实现轨迹快速自主规划,同时结合航向控制逻辑以满足航路点和禁飞区约束要求。He等[7]进一步对该方法进行了改进,提高了倾侧角的平滑性和连续性,并实现了攻角的全程连续可调。上述方法在阻力加速度-能量飞行走廊内设计二维参考飞行剖面,无法充分发挥HGV侧向机动能力。为此,Mease等[8]在航天飞机再入制导方法的基础上提出了演化加速度再入制导逻辑,实现了大范围侧向机动轨迹生成。Zhang等[9]将传统二维阻力加速度-速度/能量剖面扩展到三维,构建了纵向阻力加速度-能量和侧向升阻比-能量两个子剖面,通过同时调整攻角和倾侧角实现了控制能力的按需分配;为了满足航路点、禁飞区等复杂约束,又进一步提出了基于三维剖面的再入轨迹规划与制导方法,实现了复杂约束下三维轨迹的快速生成。
(2)基于阻力加速度剖面的可达域计算
为了计算可达域,以航天飞机再入制导方法及其相关扩展方法[6-9]为基础,通过构建二维或三维飞行走廊,进而在走廊内遍历并跟踪飞行剖面,获得满足所有初终端约束、过程约束以及控制约束下的可达区域边界。Saraf等[10]和Leavitt[11]基于改进的演化再入加速度制导逻辑[12]实现了再入飞行器可达域的近实时计算,并分析了攻角剖面固定和不固定两种情况下的可达域。Zhang等[4]以阻力加速度-能量剖面方法为基础,提出了一种基于几何预测轨迹的可达域快速生成方法。Fu等[13]在文献[10]的基础上进一步考虑禁飞区约束,基于阻力加速度-能量剖面实现了可达域的在线快速计算。Liang等[14]则提出了航路点约束下的再入飞行器可达域计算方法。
基于阻力加速度剖面的方法理论基础坚实,并且经过航天飞机等实际飞行检验。该方法经过不断的改进完善,已经形成了一系列改进版本,基本能够满足复杂多约束条件下滑翔飞行轨迹在线自主规划需求,同时,结合剖面优化算法可以快速计算可达域范围,是最有实际应用潜力的方法之一。该方法的主要不足是所生成的轨迹为高度方向平稳变化的滑翔轨迹,即所谓的“钱学森弹道”,而难以生成类似于“Sänger弹道”的跳跃滑翔轨迹。此外,该方法可以生成可行滑翔飞行轨迹和可达域,但所得到的轨迹和可达域一般不是最优解。
2.2 基于拟平衡滑翔条件的方法
传统滑翔飞行轨迹规划方法离不开对动力学模型的求解。飞行器动力学模型多为微分方程组,具有高度的复杂非线性特征,一般需要借助数值积分求解,难以满足在线计算需求。此外,HGV模型求解中还需考虑各种复杂飞行约束,极大增加了动力学模型的求解难度。
(1)基于QEGC的轨迹规划
动力学模型解析求解通常基于拟平衡滑翔条件(Quasi-Equilibrium Glide Condition, QEGC)等假设,然后合理简化后进一步降阶,以推导获得解析或半解析解。由于HGV动力学模型的强非线性,同时运动状态和约束间高度耦合,直接获取模型的高精度解析解具有极大挑战,但也吸引众多学者开展研究。如航天飞机基于剖面的经典再入制导实际上也是通过模型简化,获得了沿阻力加速度剖面飞行对应航程、高度变化率和升阻比的解析表达式[5],实现了再入制导和在线轨迹实时更新;此外,再入解析预测-校正制导方法[15]在每个制导周期内,通过近似解析求解动力学模型,以实现对终端状态的快速预测,并根据终端偏差校正控制参数。在滑翔飞行轨迹规划中,QEGC常用于简化运动模型,实现运动状态的解析求解。Shen等[16]基于QEGC将轨迹生成问题转化为两个单参数搜索问题,可在2~3秒内生成一条完整的三自由度再入轨迹。Xu等[17]基于QEGC的特定弹道形式对终端速度及射程进行在线解析预测,实现了HGV再入制导。Yu等[18-19]在模型高精度解析求解方面作了深入研究,构建了一种以纵、侧向升阻比为轨迹控制参数的特殊线性时变系统,进一步采用基于矩阵谱分解方法进行求解,获得了高精度滑翔轨迹解析解。
(2)基于QEGC的可达域计算
部分学者将QEGC引入可达域求解问题中,用于快速生成近似可达域。Lu等[20]基于QEGC,将可达域生成问题简化为寻找可达域外移动虚拟目标点的最近点的问题,进而转换为单参数搜索问题进行求解,快速且可靠地生成可达域,能够应用于地面任务规划或在线飞行管控。Li等[21]则进一步考虑对攻角进行优化,基于QEGC提出了一种大升阻比再入飞行器可达域快速生成方法。此外,强不确定性和飞行器故障对滑翔机动能力的影响十分显著,在可达域计算中不可忽略。谢愈等[22]将气动参数、大气密度、质量等不确定性因素引入飞行走廊及剖面设计问题中,提出了“保守飞行走廊”的概念;Liang等[14]则分析了气动系数、大气密度、飞行器质量等不确定因素对可达域的影响。
与优化方法相比,基于QEGC的方法通过“牺牲”一定的精度来换取高效率,能够满足在线机动能力快速评估与轨迹规划的时效性要求。但解析推导过程复杂,且需要进行一定的假设或者针对特定的飞行模式(如拟平衡滑翔飞行),生成的可达域和飞行轨迹也难以反映HGV最大滑翔机动能力。此外,该方法在解析解精度和飞行约束的处理能力方面仍然有待进一步改善。
2.3 基于快速优化的方法
(1)基于快速优化的轨迹规划
基于剖面的方法和基于动力学模型解析求解的方法生成的一般为可行解而不是最优解。很多情况下,我们希望获得满足某些期望性能指标的最优飞行轨迹,因此,需要在线实现轨迹的快速优化。轨迹优化问题本质上是最优控制问题,其求解方法一般包括间接法与直接法。间接法通常将问题转化为两点边值问题,然后基于极大值原理推导其一阶必要条件,精度高但过程烦琐,且对初值敏感、难以处理路径约束[23-24]。与间接法不同,直接法采用参数化方法将连续空间最优控制问题转化为非线性规划问题(Nonlinear Programming Problem, NLP)进行求解。直接法具有对初始估计值不敏感、不需推导一阶最优性条件、收敛性好等优点,但计算量一般较大。近年来,直接法中的伪谱法和凸优化方法,特别是凸优化方法因其较高的求解效率和较强的适应性,在滑翔飞行轨迹优化中受到广泛关注。Malyuta等[25]系统介绍了3种基于凸优化的轨迹生成方法,包括无损凸优化、连续凸优化和序列轨迹优化。Tian等[26]提出了一种基于凸优化和轨迹拼接技术的再入轨迹规划方法,可实现禁飞区位置变化情况下的在线轨迹重规划。Wang等[27]提出了一种具有在线快速轨迹优化潜力的方法,通过结合伪谱法与改进的序列凸优化方法,将非线性非凸的高超声速再入轨迹优化问题转化为一系列凸的子问题,采用成熟的内点法进行求解,并采用一种新的动态信任区域更新方法来实现快速收敛。
(2)基于快速优化的可达域计算
对于可达域优化计算问题,基于优化的方法将可达域生成问题转换为最优控制问题进行求解,即求解一系列沿初速度矢量方向给定纵程的最大横程轨迹落点[28]。上述伪谱法和凸优化方法是常用的求解方法。基于优化的方法能够获得最大的可达域,但由于需要进行一系列复杂约束下的轨迹数值优化,目前仍难以实现在线快速生成可达域。
随着飞行器弹载计算性能的不断提升和算法的改进完善,基于伪谱法、凸优化等高效率优化算法实现在线实时轨迹优化成为可能。在关注计算效率的同时,另一个值得我们关注的问题是如何提升优化算法的可靠性和鲁棒性,这一点对实现自主轨迹规划至关重要。总体而言,在HGV复杂飞行环境和多样化飞行任务需求条件下,实现复杂多约束条件下的飞行轨迹在线可靠、快速地优化计算,依然面临挑战。
2.4 基于深度强化学习的方法
(1)基于深度强化学习的轨迹规划
间接法与直接法目前均难以满足复杂多约束下最优滑翔轨迹实时生成需求。随着深度强化学习方法的兴起,研究人员开始考虑将其应用于HGV轨迹规划问题中,以应对复杂多约束下滑翔轨迹在线自主规划的难题。
Bao等[29]提出了基于强化学习和深度神经网络(Deep Neural Network, DNN)的HGV在线三维滑翔轨迹生成方法。该方法先通过凸优化方法离线生成弹道样本,然后基于离线深度策略确定actor网络,进而在线获得最优控制量以实现轨迹在线生成。Song等[30]将再入制导问题描述为关于倾侧角的序列决策问题,通过训练Time2vec和Transformer网络来得到飞行状态与倾侧角的映射关系,进而实现轨迹的在线生成。Chai等[31]针对HGV实时轨迹生成问题,提出了一种再入轨迹两步策略,即先基于多目标轨迹优化方法生成最优轨迹,然后利用所生成的最优轨迹训练深度神经网络,作为最优指令生成器。此外,Zhou等[32]基于解析模型和强化学习的倾侧策略,实现了高超声速飞行器最优制导;Cheng等[33]基于深度神经网络和约束管理技术提出了智能预测-校正再入制导方法以实现再入过程的实时和安全控制。
(2)基于深度强化学习的可达域计算
相比于轨迹规划,可达域计算由于需要计算多条轨迹,计算量更大。考虑到可达域计算问题的复杂性,基于现有飞行器线上计算能力,计算效率上仍难以完全满足高动态下可达域在线计算的需求。为此,部分学者将神经网络引入可达域的计算中,基于大量样本数据离线训练神经网络模型,构建起飞行状态与射程能力的映射关系,以避免在线求解复杂的动力学模型,实现飞行器滑翔机动能力的在线快速评估。Xu等[34]从高超防御的角度,基于DNNs提出了一种实现HGV可达域的在线预测方法。通过离线生成大量样本数据以训练DNNs建立飞行状态/控制量与对应射程之间的函数关系,进一步通过遍历最大/最小射程和不同航向角在线生成可达域。由于用DNNs替代了轨迹积分计算,可达域预测时间达到了毫秒级。邵会兵[35]基于深度置信网络实现了滑翔飞行航程预测,计算效率高,高维非线性拟合好,可推广应用至可达域快速计算问题。
由于基于深度强化学习的方法一般不需要在线求解动力学模型,而是通过传统优化方法生成大量弹道数据样本,进而离线训练获得飞行状态与控制量的映射关系网络模型,理论上能够满足在线快速规划需求。然而,基于学习的方法在高可信训练数据获取、算法的迁移性与泛化性、轻量化部署等方面仍存在不少问题有待解决。
2.5 不同方法对比分析
上述机动能力评估与轨迹规划方法各有特色,表 1列出了它们的优缺点对比。
表1 主要方法对比Tab.1 Comparison of different methods |
| 典型方法 | 优点 | 不足 | |||
|---|---|---|---|---|---|
| 基于阻力加速度剖面的方法 | •理论基础坚实,可解释性强 •方法成熟,基本方法经过了工程实践检验 | •生成轨迹为高度方向平稳变化的“钱学森弹道”,而难以生成的跳跃滑翔的“Sänger弹道” •一般难以得到最大可达域和最优轨迹 | |||
| 拟平衡滑翔条件 | •理论基础扎实,可解释性强 •计算速度快,满足在线规划实时性要求 | •需要基于简化假设或针对特定飞行模式(如拟平衡滑翔飞行),计算精度和适应性受到限制 •解析解推导过程复杂 •对复杂飞行约束的处理能力不足 | |||
| 基于快速优化的方法 | •能得到(近似)最优解 | •间接法推导过程烦琐,难以处理复杂约束 •直接法计算效率较低,对弹载计算能力要求较高,难以满足在线计算需求 | |||
| 基于深度强化学习的方法 | •不需要在线求解动力学模型,计算效率高 •结合传统优化算法提供样本进行离线训练,能够获得优化解 | •可解释性弱 •高可信训练数据获取难 •算法的迁移性与泛化性有待验证 •算法工程化部署对弹载计算资源提出了较高要求 | |||
3 下一步研究展望
高超声速飞行与人工智能技术是当前两个前沿领域。随着人工智能技术的快速发展和高超声速飞行技术的日趋成熟,人工智能技术与高超声速飞行技术深度融合,共同促进HGV在线飞行任务规划能力的不断提升。作为关键技术之一的在线机动能力评估与轨迹自主规划的研究方兴未艾。以下几个方面的关键技术值得重点关注。
3.1 面向在线规划的高精度智能动力学建模技术
精确的动力学模型能够准确地反映飞行器在实际飞行环境下的物理规律,实现对飞行运动规律的推演,是飞行器机动能力评估、轨迹规划与控制的基础。由于HGV飞行过程中面临飞行环境、飞行器本体、飞行任务的强不确定性,对滑翔飞行动力学精确建模及其快速求解都提出了不小的挑战。其中,飞行环境和飞行器本体的不确定性主要影响飞行器的动力学精确建模;而飞行任务的不确定性则要求能够对动力学模型进行快速求解,以支撑任务临时调整下的在线快速机动能力评估与轨迹规划。如何构建适合快速求解的高精度智能动力学模型,实现模型性能的自主演化,是飞行器机动能力评估与轨迹规划的一个基础性和关键性问题。
3.2 HGV协同自主轨迹规划技术
相对于无人机而言,HGV高超声速飞行和欠驱动控制的特点,使得飞行器间数据交互和协同控制更具挑战性,实现协同自主轨迹规划难度较大。但近年来,也有不少学者开始研究HGV协同制导与控制问题。在实际应用需求的牵引下,通过HGV之间、HGV与其他飞行器之间协同,能够更加充分地发挥HGV的协同突防和协同抗扰等优势,实现“1+1>2” 群体协同效能。HGV群体智能协同轨迹规划是其中一个关键问题,相对于单个飞行器的轨迹规划更加复杂,也更具挑战性,是未来一个重点研究方向。
3.3 基于物理信息神经网络的轨迹规划与机动能力评估技术
物理信息神经网络(Physics-informed Neural Network,PINN)是一种深度学习与物理建模相结合的方法,通过将物理约束嵌入神经网络中,使得神经网络能够学习物理系统的行为并满足物理方程,用于求解(偏)微分方程和其他物理问题。将PINN与HGV传统动力学微分模型结合,有望构建符合动力学规律的神经网络模型,提升模型的可解释性、可靠性,基于该模型有望实现在线机动能力评估与轨迹自主规划。
3.4 高超声速变构飞行器轨迹规划技术
高超声速变构飞行器(hypersonic morphing vehicle, HMV)是HGV未来智能化发展的方向之一。HMV是指飞行过程中几何构型多维连续可变,能够通过变形主动适应甚至塑造飞行环境,优化气动布局,提升飞行性能,适应复杂环境与任务下跨大空域、宽速域高效飞行的新型智能飞行器。HMV在提高飞行效能、主动适应复杂飞行环境和任务等方面具有传统固定构型飞行器不可比拟的优势,受到航空航天领域的高度关注。HMV气动构型多维连续可变在带来空前丰富的控制变量和控制裕度的同时,也对包括变构决策与轨迹规划在内的问题提出了更高的挑战,是需要开展深入研究的关键问题。
4 结束语
高超声速滑翔机动能力快速评估与轨迹自主规划是提升HGV环境与任务自主适应能力的关键支撑技术之一。本文对HGV滑翔机动能力快速评估与轨迹自主规划问题进行了描述,并对面临的复杂多约束性、高动态性、强机动性、强不确定性等特点进行了分析。对国内外在该领域的研究现状进行了较为全面的综述与分析,进一步对未来值得研究的关键问题进行了展望。本文的研究工作对开展HGV机动能力分析与自主轨迹规划研究具有参考作用。