面向变形滑翔飞行器的智能变形决策方法

摘要

为了充分发挥变形滑翔飞行器(MGV)相较于传统固定构型飞行器在航程、速度及环境适应性方面的显著优势，解决多物理场耦合下的最优变形构型决策难题，提出一种基于深度强化学习的智能变形决策方法。首先，利用深度神经网络构建翼面变形与气动性能的代理模型，实现了从变形动作到气动数据的端到端快速映射；然后，结合飞行器纵向运动模型建立强化学习框架，并通过算法性能对比，选用近端策略优化(PPO)算法构建智能决策模型，实现了气动/变形/弹道交叉耦合下的自主策略学习；最后，在训练范围外的拉偏环境中进行全流程仿真实验验证。结果表明：所提方法能够综合气动、变形、弹道耦合影响进行智能变形决策，使MGV终端射程增加7.304%,并能有效维持较高的升阻比飞行状态；同时，拉偏测试证明了该方法在不确定环境下依然具备良好的可行性与泛化能力。

关键词

变形滑翔飞行器 / 智能变形决策 / 深度强化学习

基金资助

国家自然科学基金资助项目(92371201)