基于預(yù)測校正的落角約束計(jì)算制導(dǎo)方法

劉子超，王江，何紹溟,*，李宇飛

1. 北京理工大學(xué) 宇航學(xué)院，北京 100081 2. 北京理工大學(xué) 無人機(jī)自主控制技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100081 3. 北京理工大學(xué) 信息與電子學(xué)院，北京 100081

隨著現(xiàn)代防御技術(shù)的發(fā)展，裝甲車輛、艦船、防御工事等目標(biāo)的防御能力顯著提升。當(dāng)導(dǎo)彈以一定的角度命中這類目標(biāo)時，能夠得到更好的打擊效果，因此一些制導(dǎo)律的設(shè)計(jì)中引入了落角約束。Ryoo等基于能量最優(yōu)性能指標(biāo)，選取剩余飛行時間的函數(shù)為性能指標(biāo)的權(quán)函數(shù)，推導(dǎo)了最優(yōu)落角約束制導(dǎo)律。張友安等應(yīng)用Schwarz不等式求解了有無控制系統(tǒng)動力學(xué)情況下最優(yōu)制導(dǎo)律的一般表達(dá)式。Erer等在比例導(dǎo)引律的基礎(chǔ)上附加角度約束偏置項(xiàng)，通過偏置項(xiàng)縮小落角誤差，實(shí)現(xiàn)落角控制。Liu等針對使用脈沖發(fā)動機(jī)控制的飛行器，提出了帶角度約束的最優(yōu)脈沖制導(dǎo)律。Park等選取剩余飛行距離的函數(shù)為性能指標(biāo)的權(quán)函數(shù)，推導(dǎo)了帶視場角約束的落角約束制導(dǎo)律。郭建國等將終端攻擊角度約束轉(zhuǎn)化為終端視線角約束，利用螺旋控制算法設(shè)計(jì)了一種二階滑模變結(jié)構(gòu)制導(dǎo)律。He等建立了時變加權(quán)視線角誤差動力學(xué)，基于李雅普諾夫穩(wěn)定性理論設(shè)計(jì)了滑模制導(dǎo)律。Kim等則在落角約束問題的基礎(chǔ)上引入了視場角約束，提出了不依賴相對距離與視線角變化率的滑模制導(dǎo)律。在具有落角約束的制導(dǎo)律設(shè)計(jì)中，應(yīng)用最多的是最優(yōu)控制和滑模變結(jié)構(gòu)控制思想。但是最優(yōu)制導(dǎo)律對假設(shè)條件依賴性強(qiáng)，魯棒性較差，滑模制導(dǎo)律又容易發(fā)生抖振，如何提高落角約束制導(dǎo)律的魯棒性和穩(wěn)定性仍然是飛行器制導(dǎo)系統(tǒng)設(shè)計(jì)的關(guān)鍵問題。

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，幾乎所有學(xué)科都走向定量化和精確化，從而產(chǎn)生了一系列計(jì)算性的學(xué)科分支。在飛行器制導(dǎo)控制領(lǐng)域，計(jì)算制導(dǎo)也獲得了越來越多的關(guān)注。傳統(tǒng)制導(dǎo)研究一般需要引入一些假設(shè)條件來推導(dǎo)解析制導(dǎo)律，例如常值速度假設(shè)，并且無法處理復(fù)雜的制導(dǎo)問題；而計(jì)算制導(dǎo)一般不依賴假設(shè)條件簡化制導(dǎo)問題，而是使用數(shù)值計(jì)算方法生成制導(dǎo)指令，偽譜法制導(dǎo)以及深度學(xué)習(xí)制導(dǎo)都屬于計(jì)算制導(dǎo)。

根據(jù)系統(tǒng)模型在計(jì)算制導(dǎo)中的應(yīng)用，可以將計(jì)算制導(dǎo)算法分為兩類：① 基于模型的計(jì)算制導(dǎo)算法；② 基于數(shù)據(jù)的計(jì)算制導(dǎo)算法。基于模型的計(jì)算制導(dǎo)采用參數(shù)化方法將連續(xù)空間的最優(yōu)控制問題求解轉(zhuǎn)化為非線性規(guī)劃問題，通過數(shù)值計(jì)算求解規(guī)劃問題獲得最優(yōu)解；基于數(shù)據(jù)的計(jì)算制導(dǎo)方法則是以深度學(xué)習(xí)為主要工具，從飛行數(shù)據(jù)中學(xué)習(xí)制導(dǎo)指令或系數(shù)與飛行狀態(tài)之間的映射關(guān)系，根據(jù)飛行器的飛行狀態(tài)動態(tài)調(diào)節(jié)制導(dǎo)指令，從而使飛行器狀態(tài)收斂至期望的約束。

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)在制導(dǎo)控制領(lǐng)域的應(yīng)用備受關(guān)注。深度學(xué)習(xí)計(jì)算量相對更少，能夠提高計(jì)算制導(dǎo)的實(shí)時性，并且對非線性函數(shù)具有良好的擬合能力，因此近幾年學(xué)者們對深度學(xué)習(xí)在制導(dǎo)控制領(lǐng)域的應(yīng)用開展了大量研究。方科等使用深度監(jiān)督學(xué)習(xí)根據(jù)當(dāng)前飛行狀態(tài)預(yù)估到達(dá)時間，然后根據(jù)時間誤差對視線角走廊進(jìn)行動態(tài)調(diào)整，該方法調(diào)整形式較為簡單，但是沒有考慮最優(yōu)性指標(biāo)。Shalumov使用深度強(qiáng)化學(xué)習(xí)設(shè)計(jì)了突防制導(dǎo)律，結(jié)合滑模制導(dǎo)的思想，學(xué)習(xí)制導(dǎo)律的切換策略。余躍和王宏倫使用深度監(jiān)督學(xué)習(xí)處理傳統(tǒng)預(yù)測校正制導(dǎo)算法的實(shí)時性問題，使用深度神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)算法對導(dǎo)彈運(yùn)動微分方程組的積分，提高了算法的實(shí)時性。Furfaro等使用深度強(qiáng)化學(xué)習(xí)訓(xùn)練制導(dǎo)律的系數(shù)，實(shí)現(xiàn)再入飛行器軟著陸，但是整條彈道的獎勵值需要在得到終端狀態(tài)之后才能進(jìn)行計(jì)算，存在稀疏獎勵問題，初期收斂速度較慢，訓(xùn)練效率較低。

本文基于預(yù)測校正制導(dǎo)思想，結(jié)合監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)，提出了一種基于學(xué)習(xí)的計(jì)算制導(dǎo)方法(Learning-based Computational Guidance, LCG)。該方法首先訓(xùn)練深度監(jiān)督學(xué)習(xí)預(yù)測落角，然后以偏置比例導(dǎo)引法為基礎(chǔ)，使用深度強(qiáng)化學(xué)習(xí)輸出偏置項(xiàng)，使預(yù)測落角向期望落角收斂。本文的主要貢獻(xiàn)如下：① 提出了一種新的計(jì)算制導(dǎo)框架，該框架除了解決落角約束以外，能夠推廣應(yīng)用于其它約束條件，如飛行時間約束，落速約束等；② 使用深度監(jiān)督學(xué)習(xí)實(shí)時預(yù)測終端狀態(tài)后引入深度強(qiáng)化學(xué)習(xí)模型中，解決了深度強(qiáng)化學(xué)習(xí)模型的稀疏獎勵問題，提高了訓(xùn)練效率；③ 針對落角控制問題設(shè)計(jì)了考慮最優(yōu)性指標(biāo)的強(qiáng)化學(xué)習(xí)獎勵函數(shù)，降低了能量消耗。

1 問題描述

針對二維平面下導(dǎo)彈攻擊固定目標(biāo)的落角約束問題建立彈目相對運(yùn)動的數(shù)學(xué)模型，如圖1所示。圖中：為導(dǎo)彈飛行速度，為彈道傾角，、、分別表示升力、阻力、重力；為彈目視線角；為彈目相對距離；表示彈道軌跡。

圖1 彈目相對運(yùn)動模型Fig.1 Relative motion model of missile and target

導(dǎo)彈的運(yùn)動學(xué)微分方程如下

(1)

式中：(,)表示導(dǎo)彈在平面中的位置；為導(dǎo)彈質(zhì)量。各氣動力為

(2)

式中：為升力系數(shù)；為阻力系數(shù)；為導(dǎo)彈的參考面積；為重力加速度；表示動壓:

(3)

其中：為空氣密度。

在導(dǎo)彈飛行過程中，攻角一般較小，氣動系數(shù)可近似表示為

(4)

(5)

為了滿足落角約束，導(dǎo)彈的終端位置與彈道傾角應(yīng)當(dāng)滿足如下關(guān)系

=,=,=

(6)

式中：下標(biāo)f表示終端狀態(tài)；下標(biāo)d表示期望狀態(tài)。

雖然本文仿真模型以及方法設(shè)計(jì)基于二維縱向平面開展，但是本文提出的方法可以應(yīng)用于三維場景。在三維場景中，滾轉(zhuǎn)穩(wěn)定導(dǎo)彈的制導(dǎo)問題可以分解至水平通道和垂直通道，解耦為兩個獨(dú)立的問題并分別進(jìn)行分析。將本文的訓(xùn)練結(jié)果應(yīng)用于二維縱向平面，然后將訓(xùn)練場景更換為水平通道，使用本文設(shè)計(jì)的算法訓(xùn)練適用于水平通道的模型，即可在三維場景的兩個通道分別使用兩個計(jì)算制導(dǎo)模型，實(shí)現(xiàn)三維場景制導(dǎo)。

2 帶落角約束的計(jì)算制導(dǎo)框架

本文設(shè)計(jì)的LCG框架以偏置比例導(dǎo)引律為基礎(chǔ)，偏置比例導(dǎo)引律一般具有如下形式

=+

(7)

式中：為比例導(dǎo)引制導(dǎo)律(Proportional Navigation Guidance, PNG)，負(fù)責(zé)縮小導(dǎo)彈的零控脫靶量(Zero Effort Miss, ZEM)；為偏置項(xiàng)，負(fù)責(zé)使預(yù)測落角收斂至期望落角。為了抵消重力的影響，中引入了重力補(bǔ)償，表示為

(8)

引入落角約束后，LCG框架如圖2所示。該框架由兩部分組成：深度監(jiān)督學(xué)習(xí)預(yù)測模塊(Deep Supervised Learning Module, DSLM)與深度強(qiáng)化學(xué)習(xí)校正模塊(Deep Reinforcement Learning Module, DRLM)。在學(xué)習(xí)階段，首先通過離線采集的標(biāo)注數(shù)據(jù)訓(xùn)練DSLM，令DSLM學(xué)習(xí)飛行狀態(tài)與落角之間的映射關(guān)系；當(dāng)DSLM訓(xùn)練完成后，即可實(shí)時預(yù)測落角誤差，令DRLM通過仿真飛行實(shí)驗(yàn)與導(dǎo)彈試錯交互，使用交互生成的數(shù)據(jù)訓(xùn)練DRLM，改進(jìn)偏置項(xiàng)的生成策略。當(dāng)DRLM訓(xùn)練完成后，即可結(jié)合DSLM預(yù)測的落角誤差實(shí)時動態(tài)地調(diào)節(jié)偏置項(xiàng)，使落角誤差收斂。

圖2 帶落角約束的計(jì)算制導(dǎo)框架Fig.2 Framework of learning-based computational guidance with impact angle constraint

在傳統(tǒng)的預(yù)測校正制導(dǎo)中，預(yù)測模塊使用彈道積分，根據(jù)導(dǎo)彈的當(dāng)前狀態(tài)預(yù)測終端狀態(tài)，然后校正模塊根據(jù)預(yù)測值與期望值的偏差調(diào)整控制指令，使偏差逐漸收斂。本文所提出的算法基于預(yù)測校正思想設(shè)計(jì)，其中DSLM根據(jù)飛行過程中實(shí)時變化的狀態(tài)在每個周期預(yù)測終端落角，計(jì)算落角誤差；DRLM根據(jù)落角誤差生成制導(dǎo)指令并執(zhí)行后，DSLM再基于新的狀態(tài)預(yù)測落角。

訓(xùn)練DSLM使用的離線標(biāo)注數(shù)據(jù)按照如下方式采集。首先令式(7)中的=0，制導(dǎo)律即退化為PNG。如果目標(biāo)靜止或機(jī)動形式已知，不考慮環(huán)境帶來的擾動，一組發(fā)射狀態(tài)生成的彈道具有唯一性，彈道上任意一點(diǎn)的飛行狀態(tài)已知時，這條彈道對應(yīng)的落角即可唯一確定；如果目標(biāo)機(jī)動形式未知，隨著導(dǎo)彈剩余飛行時間縮短，目標(biāo)的機(jī)動范圍逐漸縮小，落角預(yù)測誤差隨之收斂；由于DSLM使用飛行過程中的狀態(tài)預(yù)測落角，不存在誤差累積問題，當(dāng)環(huán)境存在偏差或模型不準(zhǔn)確時，落角預(yù)測誤差也會隨著導(dǎo)彈剩余飛行時間的縮短而收斂。在DSLM的訓(xùn)練數(shù)據(jù)采集階段，以PNG為制導(dǎo)律，引入氣動系數(shù)攝動，通過蒙特卡洛實(shí)驗(yàn)獲取大量彈道數(shù)據(jù)，然后將飛行狀態(tài)標(biāo)注為輸入數(shù)據(jù)，將終端狀態(tài)標(biāo)注為輸出數(shù)據(jù)。

DRLM將制導(dǎo)模塊視為智能體，將智能體以外的其它部件統(tǒng)一視為環(huán)境。智能體以導(dǎo)彈的飛行狀態(tài)為輸入，以偏置項(xiàng)為輸出，以獲得最大的總環(huán)境獎勵值為目標(biāo)，在與環(huán)境的試錯交互中不斷改進(jìn)制導(dǎo)策略；環(huán)境獎勵根據(jù)預(yù)測誤差及其它約束項(xiàng)計(jì)算得出。相比傳統(tǒng)方法，DRLM不需要求解制導(dǎo)指令與約束項(xiàng)之間的解析關(guān)系，因此不依賴假設(shè)條件來簡化模型，也可以將一些過程約束引入制導(dǎo)律設(shè)計(jì)中。

與其它計(jì)算制導(dǎo)算法相比，基于預(yù)測校正制導(dǎo)思想的計(jì)算制導(dǎo)方法能夠更好的適應(yīng)訓(xùn)練模型偏差。這是因?yàn)轭A(yù)測校正制導(dǎo)對初始誤差不敏感，同時校正模塊中實(shí)時生成的校正指令也能對模型偏差引起的預(yù)測角落誤差進(jìn)行校正。因此本文設(shè)計(jì)的LCG框架具有較好的抗擾性、魯棒性和自適應(yīng)能力。

3 深度監(jiān)督學(xué)習(xí)預(yù)測模塊

傳統(tǒng)的預(yù)測校正制導(dǎo)中，預(yù)測模塊對運(yùn)動學(xué)方程進(jìn)行大量的數(shù)值積分，實(shí)際應(yīng)用時存在實(shí)時性問題。深度監(jiān)督學(xué)習(xí)的計(jì)算速度更快，輸入當(dāng)前狀態(tài)即可實(shí)時預(yù)測落角，能夠顯著提高算法的實(shí)時性。

3.1 DSLM結(jié)構(gòu)設(shè)計(jì)

DSLM使用具有多個隱層的神經(jīng)網(wǎng)絡(luò)，基于標(biāo)注數(shù)據(jù)通過一定的訓(xùn)練方法擬合輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系。典型的多隱層神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層、以及多個隱層構(gòu)成，每個隱層中包含了大量的神經(jīng)元。DSLM使用的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

假設(shè)第層具有個神經(jīng)元，+1層具有個神經(jīng)元，則每個層的神經(jīng)元執(zhí)行的計(jì)算如式(9) 所示:

=()∈{1,2,…,}

(9)

圖3 DSLM的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of DSLM

式中：為單個神經(jīng)元的輸入；為單個神經(jīng)元的輸出；為中間變量；為神經(jīng)元的權(quán)重；為神經(jīng)元的偏移量；{,,…,}構(gòu)成了第+1層的輸入；{,,…,}為第+1層的輸出；下標(biāo)表示數(shù)據(jù)來源于第層的第個神經(jīng)元，下標(biāo)表示數(shù)據(jù)在第+1層的第個神經(jīng)元中計(jì)算；(·)是激活函數(shù)。

當(dāng)前神經(jīng)網(wǎng)絡(luò)的輸出層設(shè)計(jì)為落角，輸入層設(shè)計(jì)為飛行狀態(tài)向量(,,,,,)。其中：和表示導(dǎo)彈在平面中的絕對位置，與、一同表征導(dǎo)彈自身的當(dāng)前飛行狀態(tài)；、表示當(dāng)前彈目相對狀態(tài)。在飛行過程中，這些飛行狀態(tài)一般可通過彈載傳感器或?qū)б^獲得。

本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)使用3個全連接層作為隱層，每層有100個神經(jīng)元。使用線性整流單元(Rectified Linear Unit, ReLU)作為輸入層和隱層的激活函數(shù)，輸出層不設(shè)置激活函數(shù)。ReLU的形式為

(10)

3.2 DSLM學(xué)習(xí)過程

DSLM的訓(xùn)練一般需要大量的標(biāo)注數(shù)據(jù)樣本。以PNG為制導(dǎo)律，對式(1)進(jìn)行數(shù)值積分，通過蒙特卡洛仿真生成足夠多的彈道數(shù)據(jù)，在仿真過程中引入氣動系數(shù)隨機(jī)攝動，使訓(xùn)練樣本覆蓋更大范圍的樣本空間。在本文設(shè)定的場景中，使用PNG攻擊固定目標(biāo)時不會發(fā)生脫靶現(xiàn)象。當(dāng)導(dǎo)彈滿足≤時，即為完成一次仿真飛行實(shí)驗(yàn)，為最大脫靶量。

第次仿真飛行實(shí)驗(yàn)完成時，彈道對應(yīng)的落角隨即獲得，以彈道上的所有飛行狀態(tài)向量為輸入，對應(yīng)的輸出標(biāo)注為，作為一系列標(biāo)注數(shù)據(jù)樣本。

(11)

當(dāng)樣本采集完成后，將樣本中2%的數(shù)據(jù)劃分為測試集，2%的數(shù)據(jù)劃分為驗(yàn)證集，剩余96%的數(shù)據(jù)作為訓(xùn)練集。令=[,]，定義損失函數(shù)為網(wǎng)絡(luò)參數(shù)的函數(shù)

(12)

(13)

式中：為學(xué)習(xí)率，在訓(xùn)練前人為設(shè)定初值，訓(xùn)練過程中，ADAM優(yōu)化器會自適應(yīng)地動態(tài)調(diào)節(jié)學(xué)習(xí)率。

4 深度強(qiáng)化學(xué)習(xí)校正模塊

本文設(shè)計(jì)的DRLM使用近端策略優(yōu)化算法(Proximal Policy Optimization, PPO)。PPO具有兩個神經(jīng)網(wǎng)絡(luò)，分別為策略網(wǎng)絡(luò)和評價(jià)網(wǎng)絡(luò)。策略網(wǎng)絡(luò)表示當(dāng)前狀態(tài)與指令之間的映射關(guān)系；評價(jià)網(wǎng)絡(luò)估算當(dāng)前狀態(tài)的潛在價(jià)值，然后結(jié)合已實(shí)施的指令獲得的獎勵值序列，計(jì)算這些指令的獎勵相對于潛在價(jià)值的優(yōu)勢函數(shù)。當(dāng)優(yōu)勢函數(shù)為正，則增大已實(shí)施指令在策略中的概率；當(dāng)優(yōu)勢函數(shù)為負(fù)，則減小這些指令的概率。為了減小訓(xùn)練過程的波動，更新策略時還需要確保新舊策略之間的差異較小。

4.1 落角約束問題的強(qiáng)化學(xué)習(xí)模型

在強(qiáng)化學(xué)習(xí)模型中，智能體以試錯的方式進(jìn)行學(xué)習(xí)，與環(huán)境交互后獲得獎勵，以最大化總環(huán)境獎勵值為目標(biāo)，學(xué)習(xí)當(dāng)前狀態(tài)下的最優(yōu)控制指令。強(qiáng)化學(xué)習(xí)過程可用時間序列={,,,…}表示，={,,}。其中：為環(huán)境在時刻的狀態(tài)；為智能體在時刻所采取的行為；為在時刻環(huán)境給出的獎勵。在下一時刻，智能體將作用于環(huán)境，環(huán)境隨即給出獎勵+1，并從狀態(tài)變?yōu)?span id="j5i0abt0b" class="subscript">+1。在應(yīng)用強(qiáng)化學(xué)習(xí)算法前，首先需要針對落角約束問題定義智能體與環(huán)境交互的接口，即狀態(tài)、行為、獎勵。

將DRLM的行為定義為式(7)中的偏置項(xiàng)。在試錯訓(xùn)練初期可能會產(chǎn)生過大的偏置項(xiàng)，致使導(dǎo)彈脫靶，因此需要對偏置項(xiàng)進(jìn)行限幅為

=||≤

(14)

式中：為偏置項(xiàng)的限幅。

策略網(wǎng)絡(luò)以為輸入，為輸出。為了設(shè)計(jì)狀態(tài)，首先分析與存在相關(guān)關(guān)系的變量。彈道可以表示為導(dǎo)彈運(yùn)動方程組的積分，積分時間即為導(dǎo)彈的剩余飛行時間。當(dāng)導(dǎo)彈與目標(biāo)之間距離較遠(yuǎn)時，積分時間較長，導(dǎo)彈能夠以較小的實(shí)現(xiàn)落角控制；當(dāng)縮短，導(dǎo)彈需要使用更大的才能糾正同等的落角誤差。因此，與存在負(fù)相關(guān)關(guān)系；預(yù)測誤差與顯然是正相關(guān)的，越大，需要的也越大。因此將狀態(tài)設(shè)計(jì)為

(15)

對獎勵的設(shè)計(jì)是最重要的，因?yàn)楹侠砟軌虼_保學(xué)習(xí)過程收斂，并且能夠提高學(xué)習(xí)效率。除了落角約束，導(dǎo)彈還需滿足一些額外的約束來滿足最優(yōu)性指標(biāo)。不同約束可能具有不同的非線性形式，首先使用指數(shù)函數(shù)將不同約束的尺度統(tǒng)一，然后賦予不同的權(quán)重來調(diào)節(jié)各約束的對智能體的影響。獎勵的形式為

(16)

式中：為權(quán)重系數(shù)；為約束項(xiàng)；為偏移系數(shù)；為縮放系數(shù)；下標(biāo)表示第項(xiàng)約束。其中滿足

(17)

訓(xùn)練好的DSLM給出了預(yù)測落角，結(jié)合期望落角即可計(jì)算預(yù)測的落角誤差。文獻(xiàn)[25]提出了預(yù)測校正制導(dǎo)中誤差動力學(xué)的最優(yōu)收斂形式。最優(yōu)誤差動力學(xué)定義為

(18)

(19)

式中：,0表示誤差的初值。當(dāng)=0時，=0。誤差動力學(xué)式(18)能夠最小化一些性能指標(biāo)，為了模擬最優(yōu)誤差動力學(xué)，針對落角約束的獎勵項(xiàng)設(shè)計(jì)為式(20)的形式。

(20)

其中：為落角約束的縮放系數(shù)。

根據(jù)能量守恒定律，在飛行期間執(zhí)行機(jī)動消耗的能量越少，擊中目標(biāo)時的動能越大，攻擊效果越好，因此需要對機(jī)動的能量消耗進(jìn)行約束。在最優(yōu)控制中，能量消耗的目標(biāo)函數(shù)一般設(shè)計(jì)為

(21)

計(jì)算狀態(tài)的潛在價(jià)值時隱含了對獎勵的積分，因此可以將該約束項(xiàng)設(shè)計(jì)為

(22)

式中：為能量消耗約束的縮放系數(shù)。

結(jié)合式(20)和式(22)，引入各約束項(xiàng)的權(quán)重，獎勵值即為

(23)

將落角約束問題抽象為強(qiáng)化學(xué)習(xí)問題后，行為、狀態(tài)、獎勵如式(14)、式(15)和式(23)所示。為了加強(qiáng)終端落角與脫靶量在訓(xùn)練過程中的影響，在仿真飛行實(shí)驗(yàn)完成時，調(diào)節(jié)最后一個周期的獎勵值

(24)

式中:為脫靶量；為終端落角誤差。

4.2 近端策略優(yōu)化算法

PPO是一種基于策略的深度強(qiáng)化學(xué)習(xí)算法。策略可定義為智能體在不同狀態(tài)下的各種行為的概率分布，用(|)表示。PPO將行為視為隨機(jī)變量，該隨機(jī)變量服從一定的概率分布，概率分布的參數(shù)由PPO中的策略網(wǎng)絡(luò)輸出，行為從這一概率分布中隨機(jī)選取。PPO的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 PPO的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of PPO

1) 評價(jià)網(wǎng)絡(luò)

PPO的目標(biāo)是尋找一個策略，使智能體在未知環(huán)境中獲得最大的總環(huán)境獎勵值，但是總環(huán)境獎勵值一般無法直接計(jì)算。在離散系統(tǒng)中，總環(huán)境獎勵值具有如下形式

(25)

為了表示不同狀態(tài)下的總環(huán)境獎勵，用數(shù)學(xué)期望的形式定義的狀態(tài)值函數(shù)()，表示狀態(tài)的潛在價(jià)值:

(26)

為了評估行為的優(yōu)劣，一些強(qiáng)化學(xué)習(xí)算法定義了在狀態(tài)下行為的行為值函數(shù)(,)，表示行為的潛在價(jià)值:

(27)

()可用(,)表示為

(28)

(29)

(,)=(,)-()

(30)

(31)

式中：為評價(jià)網(wǎng)絡(luò)的參數(shù)。

參數(shù)更新如式(32)所示:

(32)

式中：為評價(jià)網(wǎng)絡(luò)的學(xué)習(xí)率。

但是優(yōu)勢函數(shù)中的兩個值函數(shù)仍然是無法直接計(jì)算的，使用多步估計(jì)法估算優(yōu)勢函數(shù)，表示為

(33)

式中：為估算步長，與交互樣本量相關(guān)。

2) 策略網(wǎng)絡(luò)

策略網(wǎng)絡(luò)以狀態(tài)為輸入，以策略的參數(shù)為輸出。一般使用高斯分布作為策略的概率分布，策略網(wǎng)絡(luò)的輸出即為高斯分布的均值和標(biāo)準(zhǔn)差。PPO是基于置信域策略優(yōu)化算法(Trust Region Policy Optimization, TRPO)改進(jìn)設(shè)計(jì)的，在TRPO中，策略網(wǎng)絡(luò)的目標(biāo)函數(shù)為

(34)

(35)

根據(jù)式(30)，優(yōu)勢函數(shù)(,)表示當(dāng)前行為值函數(shù)相對于當(dāng)前狀態(tài)值函數(shù)的優(yōu)勢，若優(yōu)勢函數(shù)為正，則應(yīng)當(dāng)提高當(dāng)前行為在策略中的概率；反之，若優(yōu)勢函數(shù)為負(fù)，則需要降低當(dāng)前行為在策略中的概率。TRPO通過最大化目標(biāo)函數(shù)實(shí)現(xiàn)了這一過程，并且使用限制了策略更新幅度的上界，提升了策略更新過程的穩(wěn)定性。但是KL散度的計(jì)算量仍然較大，而且TRPO在更新策略時還使用了共軛梯度法等方法，工程實(shí)現(xiàn)較為不便。

PPO簡化了TRPO的計(jì)算，使用剪切函數(shù)約束策略的更新幅度。PPO的目標(biāo)函數(shù)為

() =

(36)

式中：()表示比率函數(shù)，

(37)

clip((),?)表示剪切函數(shù)，為

clip ((),?)=

(38)

式中：?為約束策略更新幅度的剪切參數(shù)。

由式(38)可見，剪切函數(shù)將新舊策略的比率約束在(1-?,1+?)內(nèi)，隨即約束了新策略的更新幅度。策略網(wǎng)絡(luò)參數(shù)的更新公式為

(39)

式中：為策略網(wǎng)絡(luò)的學(xué)習(xí)率。

4.3 網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)過程

本文使用的PPO中，策略網(wǎng)絡(luò)和評價(jià)網(wǎng)絡(luò)均均由4個全連接層組成，使用了2個隱層，各層維度如表1所示。除了輸出層，其它各層均使用ReLU作為激活函數(shù)。策略網(wǎng)絡(luò)的輸出層使用兩種不同的激活函數(shù)，均值輸出使用的激活函數(shù)tanh為

(40)

tanh函數(shù)能夠?qū)⒕W(wǎng)絡(luò)的輸出限幅至[-1,1]。將輸出層的輸出乘以式(14)中的，即可將策略網(wǎng)絡(luò)輸出的均值限制在[-,]之間。

標(biāo)準(zhǔn)差輸出使用的激活函數(shù)為softplus，形如式(41)。Softplus函數(shù)的輸出恒大于0，滿足標(biāo)準(zhǔn)差的物理意義。

()=ln(1+e)

(41)

本節(jié)的強(qiáng)化學(xué)習(xí)與3.2節(jié)的監(jiān)督學(xué)習(xí)獲取樣本的方式有一定區(qū)別。監(jiān)督學(xué)習(xí)的樣本采集是非交互的，可以在采集完成后開始學(xué)習(xí)，而強(qiáng)化學(xué)習(xí)的樣本是交互式的，需要在學(xué)習(xí)的同時生成新的樣本，邊采樣邊學(xué)習(xí)。在學(xué)習(xí)過程中，PPO設(shè)計(jì)了一個長度為的緩沖區(qū)，智能體與環(huán)境使用舊策略交互次，將交互過程生成的交互時間序列={,,,…，}存儲于緩沖區(qū)中。更新策略網(wǎng)絡(luò)時，首先使用式(33)估算(,)，然后根據(jù)高斯分布的概率密度函數(shù)計(jì)算中已執(zhí)行行為的(|)。策略網(wǎng)絡(luò)生成新的策略后計(jì)算(|)，然后代入式(36)計(jì)算目標(biāo)函數(shù)，使用ADAM優(yōu)化器求得目標(biāo)函數(shù)對的梯度并更新策略網(wǎng)絡(luò)，使目標(biāo)函數(shù)最大化。

表1 策略網(wǎng)絡(luò)與評價(jià)網(wǎng)絡(luò)各層維度Table 1 Layer size of actor network and critic network

更新評價(jià)網(wǎng)絡(luò)時，目標(biāo)函數(shù)中的優(yōu)勢函數(shù)(,)在更新策略網(wǎng)絡(luò)階段已經(jīng)獲得，可直接代入式(31)。使用ADAM優(yōu)化器優(yōu)化評價(jià)網(wǎng)絡(luò)的損失函數(shù)，更新評價(jià)網(wǎng)絡(luò)的參數(shù)，使損失函數(shù)最小化。兩個網(wǎng)絡(luò)更新完成后，清空緩沖區(qū)，然后使用學(xué)習(xí)后的新策略交互次，重復(fù)這一學(xué)習(xí)過程，直至導(dǎo)彈落地或擊中目標(biāo)。

5 仿真實(shí)驗(yàn)

為了測試LCG的性能，本節(jié)給出了三維空間的數(shù)值仿真實(shí)驗(yàn)。首先建立了三維空間的導(dǎo)彈運(yùn)動模型，然后使用DSLM分別學(xué)習(xí)了水平通道與垂直通道的飛行狀態(tài)與落角之間的關(guān)系，使用DRLM實(shí)現(xiàn)了兩個通道的落角控制，最后使用蒙特卡洛仿真驗(yàn)證了LCG的有效性。

5.1 三維空間導(dǎo)彈運(yùn)動模型

三維空間的導(dǎo)彈運(yùn)動微分方程為

(42)

式中：為飛行速度；為彈道傾角；為彈道偏角；、、為導(dǎo)彈在空間中的位置；為導(dǎo)彈質(zhì)量；表示升力；表示側(cè)向力；表示阻力；表示重力。各氣動力形式為

(43)

式中：為升力系數(shù)；為側(cè)向力系數(shù)；為阻力系數(shù)；為動壓；為參考面積。攻角和側(cè)滑角一般較小，氣動系數(shù)可近似表示為

(44)

(45)

攻角、側(cè)滑角與制導(dǎo)指令之間M、M的關(guān)系如下

(46)

5.2 DSLM仿真實(shí)驗(yàn)

在訓(xùn)練DSLM之前，需要設(shè)計(jì)仿真飛行實(shí)驗(yàn)，以PNG為制導(dǎo)律采集彈道樣本。本文設(shè)計(jì)的DSLM可以在水平通道和垂直通道獨(dú)立訓(xùn)練，然后分別部署于兩個通道，因此分別了開展縱向平面和和側(cè)向平面的仿真實(shí)驗(yàn)，并且訓(xùn)練了兩個通道DSLM模塊。

導(dǎo)彈的初始飛行狀態(tài)以均勻分布的方式從一定范圍內(nèi)隨機(jī)選取。各初始飛行狀態(tài)的取值范圍如表2所示，表3給出了導(dǎo)彈關(guān)于馬赫數(shù)的氣動系數(shù)，由于本文使用軸對稱彈體模型，導(dǎo)彈水平通道的氣動參數(shù)與垂直通道的氣動參數(shù)相等。導(dǎo)彈的參考面積=0057 m，質(zhì)量=200 kg，重力加速度=981 m/s。攻角與側(cè)滑角均限制于區(qū)間[-20°,20°]內(nèi)。其中縱向平面重復(fù)了兩組蒙特卡洛實(shí)驗(yàn)，第1組實(shí)驗(yàn)不考慮氣動系數(shù)攝動，通過1 000次仿真實(shí)驗(yàn)獲得9 191 009組樣本；第2組實(shí)驗(yàn)設(shè)定攝動參數(shù)，在每次實(shí)驗(yàn)的初始化階段隨機(jī)縮放氣動系數(shù)，的取值范圍為(0.8,1.2)，運(yùn)行1 000次仿真實(shí)驗(yàn)共獲得10 207 724組樣本，首先使用無氣動系數(shù)攝動的樣本訓(xùn)練DSLM，訓(xùn)練結(jié)束后使用有氣動系數(shù)攝動的樣本繼續(xù)訓(xùn)練DSLM；側(cè)向平面運(yùn)行了一組蒙特卡洛實(shí)驗(yàn)，使用攝動參數(shù)隨機(jī)縮放氣動參數(shù)，的取值范圍為(0.8,1.2), 運(yùn)行1 000次仿真實(shí)驗(yàn)共獲得21 339 882組樣本，使用該樣本訓(xùn)練另一個DSLM，用于水平通道的落角預(yù)測。

表2 導(dǎo)彈初始飛行狀態(tài)Table 2 Initial flight conditions of missile

表3 氣動系數(shù)及導(dǎo)數(shù)Table 3 Aerodynamic coefficients and derivatives

使用測試樣本測試訓(xùn)練好的兩個DSLM，測試結(jié)果如圖5所示，測試集的預(yù)測誤差統(tǒng)計(jì)特征如表4所示。由圖5可見DSLM對落角具有良好的預(yù)測效果，預(yù)測值與實(shí)際值幾乎完全重合，由表4可見預(yù)測誤差的均方根誤差較小，最大值雖然較大，但較大的誤差一般出現(xiàn)在彈道初段，預(yù)測誤差隨著導(dǎo)彈接近目標(biāo)逐漸收斂。實(shí)驗(yàn)結(jié)果證明了DSLM的輸入輸出選取合理，學(xué)習(xí)效果良好。

圖5 DSLM測試結(jié)果Fig.5 Test results of proposed DSLM predictor

表4 DSLM預(yù)測誤差的統(tǒng)計(jì)特征Table 4 Statistical characteristics of DSLM prediction error

5.3 DRLM仿真實(shí)驗(yàn)

1) DRLM的學(xué)習(xí)過程

由于DRLM的輸出僅依賴落角預(yù)測誤差，而水平通道和垂直通道的氣動系數(shù)相近，可以使用相同的DRLM模型，因此僅在二維縱向平面訓(xùn)練DRLM，然后將訓(xùn)練好的DRLM部署于兩個通道。DRLM的樣本獲取方式與DSLM不同，采用了邊采樣邊學(xué)習(xí)的方式。根據(jù)4.1節(jié)設(shè)計(jì)的強(qiáng)化學(xué)習(xí)模型在導(dǎo)彈仿真飛行實(shí)驗(yàn)中部署PPO算法，按照表2中給出的取值范圍隨機(jī)選取導(dǎo)彈的初始飛行狀態(tài)，在學(xué)習(xí)階段期望落角從[-30°,-150°]中隨機(jī)選取。PPO學(xué)習(xí)時使用的超參數(shù)如表5所示。式(15)和式(20)中的可以通過式(47)近似計(jì)算得出:

(47)

運(yùn)行仿真程序500次，記錄每一次仿真飛行實(shí)試驗(yàn)獎勵值，然后除以該次飛行時間，記為單次仿真飛行實(shí)驗(yàn)的獎勵。使用滑窗平均計(jì)算多次飛行實(shí)驗(yàn)的平均獎勵，獎勵隨學(xué)習(xí)過程收斂的曲線如圖6所示。從圖中可見，經(jīng)歷了100個周期的波動后，獎勵值開始單調(diào)上升，并在第200次試驗(yàn)后趨于穩(wěn)定。

2) DRLM性能分析

設(shè)定一系列的場景對訓(xùn)練后的LCG進(jìn)行仿真測試，導(dǎo)彈以=200 m/s，=0°，=0°，=-20 km，=10 km，=5 km的初始狀態(tài)發(fā)射，期望彈道傾角和期望彈道偏角(,)分別設(shè)定為(-20°,20°)，(-40°,0°)，(-60°,-20°)，各飛行試驗(yàn)對應(yīng)的彈道曲線、制導(dǎo)指令、飛行速度、速度方向角如圖7所示。

表5 DRLM的超參數(shù)Table 5 Hyper parameter setting in training DRLM

圖6 DRLM學(xué)習(xí)過程獎勵曲線Fig.6 Learning curves of the DRLM

從圖7中可見，導(dǎo)彈以期望的落角命中目標(biāo)，制導(dǎo)指令有界。阻力與重力的聯(lián)合作用致使飛行速度變化，當(dāng)-sin>時，飛行速度增大；反之，當(dāng)-sin<時，飛行速度減小。導(dǎo)彈的和在仿真終端時刻為(-19.79°,19.86°)，(-40.09°, -0.39°)，(-59.92°,-19.99°)，驗(yàn)證了LCG能夠以較高的精度實(shí)現(xiàn)三維落角約束。

圖7 LCG制導(dǎo)性能曲線Fig.7 Performance curves of LCG

實(shí)際場景中一般存在模型偏差與環(huán)境擾動，導(dǎo)致氣動系數(shù)攝動。為了驗(yàn)證LCG的魯棒性，在期望落角[,]為[-20°,20°]時，分別將表3的氣動系數(shù)放大1.2倍、縮小0.8倍，實(shí)驗(yàn)結(jié)果如圖8所示。從圖8可見，在不同的氣動系數(shù)下導(dǎo)彈的飛行軌跡基本重合，并且均以期望的落角到達(dá)目標(biāo)位置，且在到達(dá)目標(biāo)時，落角誤差收斂至0附近。導(dǎo)彈的和在仿真終止時刻分別為(-19.28°,19.79°)，(-19.79°, 19.86°)，(-19.94°,19.91°)，驗(yàn)證了基于預(yù)測校正制導(dǎo)思想設(shè)計(jì)的LCG能夠適應(yīng)氣動系數(shù)攝動，具有較強(qiáng)的魯棒性。

圖8 不同氣動系數(shù)下的LCG制導(dǎo)性能曲線Fig.8 Performance curves of LCG with different aerodynamic coefficients

3) LCG與彈道成型的對比分析

廣義最優(yōu)彈道成型制導(dǎo)律(Trajectory Shaping Guidance, TSG)是一種帶落角約束的最優(yōu)制導(dǎo)律，其推導(dǎo)過程引入了常值速度假設(shè)，沒有考慮氣動力的影響，在上述假設(shè)條件下TSG滿足能量最優(yōu)的性能指標(biāo)。三維場景中TSG的公式為

(48)

式中：、為導(dǎo)航系數(shù)；f、f為終端彈目視線角；對固定目標(biāo)有f=f、f=f。各導(dǎo)航系數(shù)形式為

(49)

式中：為可調(diào)參數(shù)，≥0。

取與2)相同的初始發(fā)射條件，設(shè)期望落角(,)為(-40°,0°)，分別設(shè)定=0,1,2，運(yùn)行仿真實(shí)驗(yàn)對比3組不同參數(shù)的TSG與LCG的制導(dǎo)效果，實(shí)驗(yàn)結(jié)果如圖9所示。兩種制導(dǎo)律均使導(dǎo)彈以期望的落角到達(dá)目標(biāo)位置，雖然在=0時TSG為能量最優(yōu)的落角約束制導(dǎo)律，但是TSG的推導(dǎo)過程沒有考慮氣動力的影響，使用了常值速度假設(shè)，在實(shí)際環(huán)境中無法滿足能量最優(yōu)。而LCG在訓(xùn)練階段考慮了氣動力的影響，DRLM通過試錯交互學(xué)習(xí)得到了滿足落角約束的制導(dǎo)策略，并且能量消耗優(yōu)于TSG，說明本文的DRLM的獎勵設(shè)計(jì)合理，在實(shí)際環(huán)境中LCG的制導(dǎo)性能優(yōu)于TSG。

圖9 LCG與TSG性能對比Fig.9 Performance comparison of LCG with TSG

5.4 蒙特卡洛實(shí)驗(yàn)

為了測試LCG在不同狀況下的制導(dǎo)性能，使用蒙特卡洛仿真實(shí)驗(yàn)，發(fā)射條件從表2給出的范圍中隨機(jī)選取，期望落角(,)分別從(-60°,-20°)、(20°,20°)中隨機(jī)選取。分別以LCG與=0的TSG為制導(dǎo)律重復(fù)100次蒙特卡洛實(shí)驗(yàn)，統(tǒng)計(jì)LCG與TSG的落角誤差，統(tǒng)計(jì)特征與箱線圖如表6、表7和圖10所示，圖中、分別表示垂直通道和水平通道的落角誤差。從箱線圖可知，LCG落角誤差的方差、異常值均小于TSG，驗(yàn)證了該方法對環(huán)境變化不敏感，具有較強(qiáng)的抗擾性、魯棒性；LCG脫靶量的上限、上四分位數(shù)、中位數(shù)均小于TSG，驗(yàn)證了LCG能夠按照要求完成制導(dǎo)任務(wù)，制導(dǎo)性能優(yōu)于TSG。

表6 落角誤差的統(tǒng)計(jì)特征Table 6 Statistical characteristics of impact angle error

表7 脫靶量的統(tǒng)計(jì)特征Table 7 Statistical characteristics of miss distance

圖10 蒙特卡洛仿真實(shí)驗(yàn)結(jié)果對比箱線圖Fig.10 Box plot of Monte Carlo experiment

5.5 計(jì)算性能實(shí)驗(yàn)

與傳統(tǒng)的制導(dǎo)律相比，計(jì)算制導(dǎo)方法需要消耗更多的計(jì)算資源。為了驗(yàn)證本文提出的LCG在嵌入式系統(tǒng)的工程實(shí)用性，依次使用TensorFlow 1.13.1、X-CUBE-AI 6.0.0、STM32CubeMX 6.2.1分別將LCG中的預(yù)測網(wǎng)絡(luò)、策略網(wǎng)絡(luò)部署于STM32F405測試平臺，其中X-CUBE-AI是ST公司開發(fā)的AI工具箱，可以優(yōu)化神經(jīng)網(wǎng)絡(luò)在STM32上的運(yùn)算速度。分別部署DSLM的預(yù)測網(wǎng)絡(luò)和DRLM中的策略網(wǎng)絡(luò)，實(shí)驗(yàn)流程如圖11所示。

圖11 STM32F405實(shí)驗(yàn)流程示意圖Fig.11 Experimental flow diagram of STM32F405

PC通過串口下發(fā)數(shù)據(jù)，使兩組神經(jīng)網(wǎng)絡(luò)各運(yùn)行10次，然后通過串口采集神經(jīng)網(wǎng)絡(luò)的輸出值，并統(tǒng)計(jì)神經(jīng)網(wǎng)絡(luò)運(yùn)行耗時。將STM32F405的輸出值與PC平臺的神經(jīng)網(wǎng)絡(luò)輸出值進(jìn)行對比，測試X-CUBE-AI優(yōu)化神經(jīng)網(wǎng)絡(luò)造成的精度損失，并計(jì)算平均耗時，結(jié)果如表8所示。

表8 STM32F405運(yùn)算精度與耗時Table 8 Precision and time consumption of STM32F405

從表8可見，兩組網(wǎng)絡(luò)在STM32F405單次運(yùn)行的平均耗時分別為1.145 ms和0.272 ms，計(jì)算精度高，實(shí)時性好，說明LCG具備工程實(shí)用價(jià)值。

6 結(jié) 論

1) 提出了一種基于預(yù)測校正的落角約束計(jì)算制導(dǎo)方法，該方法由深度監(jiān)督學(xué)習(xí)模塊與深度強(qiáng)化學(xué)習(xí)模塊組成，深度監(jiān)督學(xué)習(xí)模塊在飛行過程中實(shí)時預(yù)測落角，深度強(qiáng)化學(xué)習(xí)模塊對落角誤差進(jìn)行校正。引入深度監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)解決了傳統(tǒng)強(qiáng)化學(xué)習(xí)方法中的稀疏獎勵問題。

2) 設(shè)計(jì)了計(jì)算制導(dǎo)方法中的各輸入輸出變量，經(jīng)訓(xùn)練后實(shí)現(xiàn)了落角約束制導(dǎo)，并以仿真實(shí)驗(yàn)的形式測試了計(jì)算制導(dǎo)的性能，該算法訓(xùn)練過程的收斂速度較快，訓(xùn)練后的制導(dǎo)效果較好，能量消耗與控制誤差均小于彈道成型制導(dǎo)律。然而，由于該類算法較依賴訓(xùn)練時所使用仿真模型的準(zhǔn)確度，當(dāng)訓(xùn)練模型存在較大偏差時，將影響本文所提出方法的制導(dǎo)性能，后續(xù)將開展基于數(shù)據(jù)的計(jì)算制導(dǎo)方法的魯棒性研究，探索弱監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)在當(dāng)前計(jì)算制導(dǎo)框架的應(yīng)用。

3) 經(jīng)STM32F405測試，該框架計(jì)算精度與效率高，實(shí)時性好，具有良好的工程應(yīng)用價(jià)值。該框架對預(yù)測校正制導(dǎo)思想的使用除落角約束以外，也可以應(yīng)用于其它不同約束，如飛行時間約束、末速約束等。