一种基于物理信息神经网络的大气层内时间约束的制导方法及系统

    公开(公告)号:CN119310853B

    公开(公告)日:2025-04-18

    申请号:CN202411426771.7

    申请日:2024-10-14

    Abstract: 本发明涉及飞行器智能制导控制领域,公开了一种基于物理信息神经网络的大气层内时间约束的制导方法及系统,具体步骤是在比例导引制导律的基础上,构建不同导弹初始状态下的导弹飞行状态和剩余飞行时间数据集,然后利用物理信息神经网络计算出的剩余飞行时间构建时间约束偏置项,设计时间约束制导律,最后基于已经训练完成的物理信息神经网络模型,基于时间约束制导律,导引飞行器在期望时间打击目标,本发明采用比例导引与物理信息神经网络相结合的方法实现制导控制,对于考虑空气阻力和重力影响,实现对导弹进攻时间进行约束具有非常重要的工程意义。

    一种拦截三维机动目标的强化学习制导控制一体化方法

    公开(公告)号:CN118938676B

    公开(公告)日:2025-05-16

    申请号:CN202411012483.7

    申请日:2024-07-26

    Abstract: 本发明涉及飞行器制导控制领域,一种拦截三维机动目标的强化学习制导控制一体化方法,包括如下步骤,步骤S1,建立三维弹‑目相对运动学模型,基于目标常见的机动模式,构造面向制导控制的六自由度拦截弹模型;步骤S2,基于现有的深度强化学习理论Actor‑Critic框架结构,确定深度强化学习方法;步骤S3,基于深度强化学习的制导控制一体化设计,搭建神经网络结构,并设计面向智能体训练和学习的状态空间、动作空间、奖励函数等,本发明提出的方法,实现六自由度飞行器外环制导回路和内环姿态控制回路的结合,避免了由于不同回路间时间常数不一致导致的制导性能下降问题。采用强化学习理论形成制导和控制一体化指令,提升了飞行器对外界环境的适应能力。

    一种基于滑模面的飞行器末端落速落角约束制导方法及系统

    公开(公告)号:CN116663263B

    公开(公告)日:2025-04-29

    申请号:CN202310549303.8

    申请日:2023-05-16

    Abstract: 一种基于滑模面的飞行器末端落速落角约束制导方法及系统,具体涉及一种基于双滑模面的飞行器末端落速落角约束制导方法及系统,为了解决现有飞行器末制导的落速落角约束方法在飞行器末制导过程复杂,增加了计算负担,导致计算时间长的问题。它根据导弹与攻击目标的三维攻击场景构建导弹质心的运动学模型和三维攻击模型;定义滑模面S1和滑模面S2;根据导弹与攻击目标的三维攻击模型、滑模面S1和滑模面S2构建满足落速落角约束的制导律;飞行器在进行末端飞行时,按照满足落速落角约束的制导律进行飞行,直至击打攻击目标。属于飞行器多约束制导领域。

    一种基于强化学习的变比例系数多弹协同制导方法及系统

    公开(公告)号:CN117989923A

    公开(公告)日:2024-05-07

    申请号:CN202410330459.1

    申请日:2024-03-22

    Abstract: 本发明涉及导弹制导控制技术领域,一种基于强化学习的变比例系数多弹协同制导方法,基于强化学习框架PPO实时生成比例导引系数,进而计算出导弹过载,引导多弹协同打击目标,具体步骤为:将多弹协同打击目标描述为马尔可夫决策过程;针对多弹协同打击目标的要求,设计强化学习框架;依据构建的多弹协同马尔可夫决策过程以及强化学习框架进行智能体模型训练;基于已经训练完成的智能体模型,计算多弹协同比例导引系数,构建多弹协同打击制导律,进行末端多弹协同打击目标,本发明采用比例导引制导律与智能强化学习方法相结合的实现多弹协同拦截目标,能够实现多弹末端拦截时刻一致,对于实现多弹协同打击目标具有非常重要的工程意义。

    一种基于滑模面的飞行器末端落速落角约束制导方法及系统

    公开(公告)号:CN116663263A

    公开(公告)日:2023-08-29

    申请号:CN202310549303.8

    申请日:2023-05-16

    Abstract: 一种基于滑模面的飞行器末端落速落角约束制导方法及系统,具体涉及一种基于双滑模面的飞行器末端落速落角约束制导方法及系统,为了解决现有飞行器末制导的落速落角约束方法在飞行器末制导过程复杂,增加了计算负担,导致计算时间长的问题。它根据导弹与攻击目标的三维攻击场景构建导弹质心的运动学模型和三维攻击模型;定义滑模面S1和滑模面S2;根据导弹与攻击目标的三维攻击模型、滑模面S1和滑模面S2构建满足落速落角约束的制导律;飞行器在进行末端飞行时,按照满足落速落角约束的制导律进行飞行,直至击打攻击目标。属于飞行器多约束制导领域。

    一种基于物理信息神经网络的大气层内时间约束的制导方法及系统

    公开(公告)号:CN119310853A

    公开(公告)日:2025-01-14

    申请号:CN202411426771.7

    申请日:2024-10-14

    Abstract: 本发明涉及飞行器智能制导控制领域,公开了一种基于物理信息神经网络的大气层内时间约束的制导方法及系统,具体步骤是在比例导引制导律的基础上,构建不同导弹初始状态下的导弹飞行状态和剩余飞行时间数据集,然后利用物理信息神经网络计算出的剩余飞行时间构建时间约束偏置项,设计时间约束制导律,最后基于已经训练完成的物理信息神经网络模型,基于时间约束制导律,导引飞行器在期望时间打击目标,本发明采用比例导引与物理信息神经网络相结合的方法实现制导控制,对于考虑空气阻力和重力影响,实现对导弹进攻时间进行约束具有非常重要的工程意义。

    一种拦截三维机动目标的强化学习制导控制一体化方法

    公开(公告)号:CN118938676A

    公开(公告)日:2024-11-12

    申请号:CN202411012483.7

    申请日:2024-07-26

    Abstract: 本发明涉及飞行器制导控制领域,一种拦截三维机动目标的强化学习制导控制一体化方法,包括如下步骤,步骤S1,建立三维弹‑目相对运动学模型,基于目标常见的机动模式,构造面向制导控制的六自由度拦截弹模型;步骤S2,基于现有的深度强化学习理论Actor‑Critic框架结构,确定深度强化学习方法;步骤S3,基于深度强化学习的制导控制一体化设计,搭建神经网络结构,并设计面向智能体训练和学习的状态空间、动作空间、奖励函数等,本发明提出的方法,实现六自由度飞行器外环制导回路和内环姿态控制回路的结合,避免了由于不同回路间时间常数不一致导致的制导性能下降问题。采用强化学习理论形成制导和控制一体化指令,提升了飞行器对外界环境的适应能力。

    一种基于强化学习的变比例系数多弹协同制导方法及系统

    公开(公告)号:CN117989923B

    公开(公告)日:2024-08-02

    申请号:CN202410330459.1

    申请日:2024-03-22

    Abstract: 本发明涉及导弹制导控制技术领域,一种基于强化学习的变比例系数多弹协同制导方法,基于强化学习框架PPO实时生成比例导引系数,进而计算出导弹过载,引导多弹协同打击目标,具体步骤为:将多弹协同打击目标描述为马尔可夫决策过程;针对多弹协同打击目标的要求,设计强化学习框架;依据构建的多弹协同马尔可夫决策过程以及强化学习框架进行智能体模型训练;基于已经训练完成的智能体模型,计算多弹协同比例导引系数,构建多弹协同打击制导律,进行末端多弹协同打击目标,本发明采用比例导引制导律与智能强化学习方法相结合的实现多弹协同拦截目标,能够实现多弹末端拦截时刻一致,对于实现多弹协同打击目标具有非常重要的工程意义。

    基于扩散极大相关熵的弹道导弹自由段多雷达组网的分布式跟踪方法

    公开(公告)号:CN118050720A

    公开(公告)日:2024-05-17

    申请号:CN202410432090.5

    申请日:2024-04-11

    Abstract: 本发明涉及多雷达组网的弹道导弹自由段跟踪领域,基于扩散极大相关熵的弹道导弹自由段多雷达组网的分布式跟踪方法,包括局部估计和扩散融合两个阶段,局部估计阶段,节点与邻居节点交换预报估计得到一致项用于优化局部估计,为了避免互协方差的计算,构造了一个合理的误差方差上界,并基于极大相关熵准则推导了增益矩阵及局部估计,扩散融合阶段,节点与邻居节点交换局部估计,采用协方差交叉技术和扩散融合策略进行融合,避免了计算节点之间的相关信息和原始量测信息的传递,兼顾一致融合和扩散融合的优势,并且采用容积准则和统计线性化方法,避免了雅可比矩阵的计算,更加精确和稳定。

    基于BP神经网络的时空约束智能协同制导方法及系统

    公开(公告)号:CN117824441B

    公开(公告)日:2025-03-14

    申请号:CN202410024325.7

    申请日:2024-01-08

    Abstract: 基于BP神经网络的时空约束智能协同制导方法及系统,属于协同制导领域。解决了现有基于估算剩余飞行时间的智能协同打击目标场景,仅局限于静止目标,对于协同打击高机动目标场景存在估算剩余飞行时间精度低,导致高机动目标准确度低的问题。本发明采取单弹在比例导引下的弹道数据作为训练集,对神经网络进行训练,建立从导弹状态、目标机动特性到剩余飞行时间的映射,且将训练后的神经网络在协同制导律设计中进行反演,形成对初始场景具有学习性且能够对剩余飞行时间在线智能预测、根据预测出的各导弹飞向机动目标的剩余飞行时间,构造各导弹的时空协同制导律,实现多导弹对机动目标的协同打击任务。主要用于弹群与机动目标博弈过程中。

Patent Agency Ranking