行星软着陆GPS有模型强化学习制导方法

由于距离地球较远、测控延时误差较大、飞行环境十分复杂且难以提前预测，行星软着陆的自主制导技术目前存在水平位置估计困难、导航参考信息匮乏、复杂地形着陆困难等挑战。针对行星软着陆存在的困难和挑战，提出了基于引导策略搜索算法的有模型强化学习制导方法，实现了着陆器在初始状态受到扰动时，无需重新规划，仍能在满足约束条件的情况下降落在指定位置。该方法将迭代线性二次调节器作为控制器，产生初始轨迹；其次，使用多层神经网络拟合制导策略；最后，利用控制器监督策略学习，进而收敛产生可行策略。针对行星表面软着陆的仿真验证结果显示该算法仅通过几次循环，即可以实现初始状态变化的快速软着陆。一方面表明了基于有模型强化学习的数据高效利用率，另一方面也证明了强化学习方法在深空探测领域中具有广阔的应用前景。     

MCAV/IMU integrated navigation for the powered descent phase of Mars EDL

Pin-point landing is considered as a key technology for future manned Mars landing and Mars base missions. The traditional inertial navigation system (INS) based guidance, navigation and control (GNC) mode used in the Mars entry, descent and landing (EDL) phase has no ability to achieve the precise and safe Mars landing, so novel EDL GNC methodologies should be investigated to meet this goal. This paper proposes the MCAV/IMU integrated navigation scheme for the powered descent phase of Mars EDL. The Miniature Coherent Altimeter and Velocimeter (MCAV) is adopted to correct the inertial bias and drift and improve the performance of integrated navigation. Altitude and velocity information derived from MCAV and the lander’s state information sensed by inertial measurement unit (IMU) are integrated in extended Kalman filter algorithm. The validity of the proposed navigation scheme is confirmed by computer simulation.     

火星精确定点着陆多信息融合自主导航与控制方法研究

针对火星定点采样、载人登陆和基地构建等任务的需求,提出了一种火星精确定点着陆多信息融合自主导航与控制(Guidance Navigation and Control,GNC)方案。针对大气进入前的高精度导航需求,提出了基于X射线脉冲星和火星表面陆标图像的融合自主导航方法;针对火星着陆探测进入、下降和着陆(Entry,Descent and Landing,EDL)过程的高精度绝对和相对导航需求,提出了基于陆标图像、IMU(Inertial Measurement Unit)和测距测速信息的多信息融合自主导航方法;针对精确定点着陆要求,设计了大气进入和动力下降过程的制导与控制算法。数学仿真结果表明,提出的方案能够实现高精度的定点着陆(精度100 m)和相对避障(精度为0.5 m),可满足任务需求。     

嫦娥五号探测器GNC系统设计

为实现我国首次月球样品无人采样返回任务,设计了嫦娥五号(Chang’E 5)探测器制导、导航与控制(GNC)系统.根据任务要求和探测器特点,GNC系统设计分为轨道器GNC子系统、返回器GNC子系统和着上组合体GNC子系统.给出了嫦娥五号探测器GNC系统的架构设计、工作模式以及在轨飞行结果.结果表明,GNC系统设计正确,成功完成了动力下降、起飞上升、交会对接、返回再入等关键动作,实现了月球表面起飞上升、月球轨道交会对接以及携带月壤以近第二宇宙速度二次再入返回的三项首次任务,各项功能性能满足任务要求.     

月球软着陆动力下降制导控制技术综述与展望

未来的月球着陆任务将着力于开发月球资源、建立月球基地,这些都离不开月球软着陆技术的支持;而要实现探测器在预选点安全精确地着陆,就离不开动力下降制导控制技术的支持。本文系统地总结了两种成功的月球软着陆及其制导方式,对已有的制导控制方案及其研究进展进行了详细的阐述和对比分析。以未来的月球采样返回和月球基地任务为潜在工程目标,对下一代的月球软着陆动力下降的制导控制及其所涉及的关键科学技术问题进行了比较全面的分析和展望。     

利用视加速度补偿和推力逐级释放的垂直着陆制导方法

针对运载火箭子级垂直返回着陆段的制导问题,本文在应用凸优化的滚动时域在线规划基础上研究了制导鲁棒性的改善策略。为应对着陆后期控制能力不足的情况,在滚动规划过程中引入了推力上界逐级释放的策略。同时,考虑缓解干扰和误差累积的影响,在制导周期内引入视加速度信息对在线规划的推力指令进行补偿,以进一步改善滚动规划的递归可行性。最后,通过数值算例仿真及对比分析验证所提出的补偿策略的有效性。     

月球引力转弯软着陆的制导控制研究

对于月球引力转弯软着陆过程 ,采用反馈线性化方法 ,对高度和速度信息分别设计了跟踪制导控制律 ,并应用微分几何的有关理论证明了这两种跟踪制导控制系统的李雅普诺夫稳定性。此外 ,根据软着陆系统推力、燃料和状态的约束条件 ,给出了引力转弯着陆过程初始条件的可达集合。最后给出的软着陆跟踪制导实例 ,只需要测得斜向距离、速度和姿态角度信息。这种制导方法测量简单 ,适于低成本的软着陆任务。     

小天体自主附着多滑模面鲁棒制导方法研究

小天体形状不规则及缺乏观测信息的特点使得小天体附近的动力学环境较为复杂,附着动力学模型存在较大不确定性。通过引入多滑模面鲁棒制导方法,分别设计2个滑模面,使探测器状态先后到达这2个滑模面,可实现指定时刻精确附着小天体的目标。通过选取参数的分析总结了制导律中相关参数的选取对燃料消耗的影响,给出了制导律相关参数选取原则。在存在外界环境扰动、初始状态误差和导航误差条件下,蒙特卡洛仿真结果表明:多滑面制导方法能够在小天体的不确知环境中实现高精度附着,且具有很好的鲁棒性。多滑模面制导方法精度高、鲁棒性好,且无需设计参考轨迹,实时性好,适合小天体自主精确附着的任务需求。     

“嫦娥三号”探测器软着陆自主导航与制导技术

"嫦娥三号"探测器首次实现了我国航天器在地外天体软着陆,制导导航与控制技术是软着陆任务成功的关键。针对高安全和高可靠软着陆任务的要求,设计了包含接力避障的软着陆飞行程序,提出了单波束分时修正与多波束融合修正的自主导航方法和自适应动力显式制导、无迭代多项式粗避障制导以及内外环结合的精避障制导等方法。实际在轨飞行结果表明,导航算法提供了高精度的状态估计,制导算法实现了高精度状态控制和有效避障机动,确保了软着陆落月的安全性和可靠性。     

月球着陆器悬停阶段相对自主导航方法

月球着陆器着陆阶段导航信息分析是实现安全软着陆月面的一个关键.针对悬停阶段导航信息的要求,根据月球着陆器携带的仪器设备及其获取月面信息的特点,利用激光测距仪和光学导航相机进行光学相对导航.首先建立相对导航坐标系;其次根据各个坐标系之间的关系确定各转换矩阵和导航信息,估算着陆器相对月面着陆点的位置和姿态;最后通过仿真实验对该方法进行验证.结果表明,将激光测距仪和光学导航相机在着陆悬停阶段获取的月面信息进行融合,能快速、精确进行相对位置、姿态计算;对我国下一步的探月有重要应用价值,并可应用于火星探测和其他小行星探测的软着陆的近距相对导航.      

月球着陆器着陆安全分析方法

月球着陆器软着陆地点选择及安全着陆实现是探月二期的关键问题.采用不考虑着陆器着陆过程中发动机控制、着陆姿态控制和动力学性能,在计算机上依据低精度月面数据和已有月面典型地形特征分布/形状模型仿真生成高精度着陆区域;根据着陆器的结构尺寸和着陆安全要求对每个安全参数进行计算、比较、判断得到单次着陆安全性,利用蒙特卡洛方法计算多次在仿真地形上的着陆安全概率.试验结果表明:采用这种方法时,着陆器的结构尺寸相同分析结果才有意义.在计算机上仿真生成着陆区域、设置着陆器结构尺寸和安全参数,使其可以用于地面系统的仿真实验,也可在月面软着陆过程中实时分析选定区域的着陆安全概率.     

基于凸优化和LQR的火箭返回轨迹跟踪制导

可重复使用运载火箭动力减速段制导, 面临各种苛刻的过程约束、终端约束及燃料最省的迫切需求, 给制导带来巨大挑战。因此, 提出一种基于分段凸优化和线性二次调节器(LQR)的轨迹跟踪制导律。采用分段凸优化方法对火箭基准速度进行跟踪, 大幅简化了优化模型从而降低凸优化求解的计算量, 同时确保火箭在各种初始误差和模型误差的情况下燃料最省。采用LQR方法实现对火箭飞行位置轨迹的高精度跟踪, 抵抗各种误差和干扰的影响。仿真结果表明:相对于传统的LQR跟踪制导方法, 所提方法能大幅减少燃料消耗, 且在各种误差和干扰下具有较高的轨迹跟踪精度和较强的抗干扰能力;相比于现有的滚动凸优化方法, 所提方法能显著降低求解计算量, 且方法可靠性更高。      

月球重力转弯软着陆的模糊变结构控制

针对月球软着陆的最终段,提出了以重力转弯方式进行软着陆的模糊变结构制导律.首先设计了次优滑动面,然后引入模糊控制器,使滑动变量逐渐收敛到0,实现安全着陆.考虑了发动机推力偏差、着陆器初始质量估计偏差、月球引力加速度偏差、初始条件干扰、敏感器测量误差及姿态跟踪误差.并用Monte Carlo技术验证了所设计的模糊变结构制导律具有很强的鲁棒性,能够克服各种随机偏差及干扰的影响.因此,所设计的软着陆制导律是可行的,并且只须以斜向距离和斜向速度作为输入,工程实现简单.      

月面无人自主采样返回任务动力下降点确定及验证

动力下降点确定是实施月面软着陆的重要环节，是多系统间复杂迭代的过程，涉及轨道设计、制导律设计、着陆目标的采样区确定、着陆及起飞安全分析。其设计结果直接影响了最终着陆点的位置和着陆过程的着陆安全，也间接影响采样安全和采样工程目标的实现结果。针对嫦娥五号在实施月面软着陆前确定动力下降点的任务需求，提出了通过多次轨道控制与最优标称制导轨迹搜索联合控制策略的动力下降点确定方法。首先，根据月面无人自主采样返回任务设计总结了动力下降点确定原理和约束条件；然后，详细论述了月面无人自主采样返回任务软着陆过程动力下降点确定方法；最后，通过嫦娥五号在着陆前主要的几次轨控实施结果分析了其对动力下降点的影响，同时综合了着陆区地形分析及着陆、起飞安全性分析，对动力下降点进行确定并根据最终在轨飞行结果进行验证。验证结果表明，基于“逐次逼近寻优方法”的月面软着陆环节动力下降点的确定方法有效，可以为后续地外天体软着陆等任务提供参考和借鉴。     

基于自适应预测校正的月球软着陆制导控制方法

应用自适应预测制导方法，研究月球软着陆过程中的制导控制问题。作为一种具有逻辑结构的构造性方法，本文概述了自适应预测制导方法的实现步骤。针对月球软着陆过程中制导控制量少于被控制量这一“欠驱动”问题，在已有的基于一阶特征模型的全系数自适应预测校正方法的基础上，将输入输出相等的系统拓展为输入少于输出的“欠驱动”系统，以满足对位置、速度矢量同时进行制导控制的需要。本文针对初始状态误差、推力偏差、质量偏差以及比冲偏差下的软着陆过程，进行了Monte Carlo仿真分析，结果表明，自适应预测制导方法可有效用于月球软着陆过程的制导控制，且具有较高的精度和较强的鲁棒性。     

基于Unity3D的月面复杂地形场景构建及模拟驾驶系统

为了验证未来复杂月面地形操控技术方案,本文基于Unity3D物理引擎对月表模型、月球物理环境以及月面光照环境进行了模拟,设计并开发了一套用于模拟月球自主进行着陆点选址以及在线航天器着陆轨迹规划的模拟系统。模拟系统的工作过程包含了：基于面阵雷达与立体相机信息融合的局部月表重建,基于3D重建结果的月表地形着陆代价的快速评估与自动着陆选址,以及使登陆器能够到达选址目标的最优燃料消耗着陆运动规划,实现了月球着陆器短距离自主选址着陆的模拟系统构建,同时也从仿真的角度初步验证了“地形重建-地形评估-自主选址-软着陆”这一自主着陆过程的可行性。     

探测器触地关机软着陆稳定性分析

深空探测器软着陆过程中发动机未能正常关闭将极大降低其软着陆稳定性,因此引入了触地关机着陆方案。针对触地关机方案,建立了腿式探测器动力学分析模型及发动机推力控制模型。考虑着陆环境与探测器着陆状态的不确定性,采用蒙特卡罗模拟分别对探测器在主发动机关闭失败时、触地关机着陆方案下、带有姿态控制的触地关机着陆模式下的软着陆稳定性进行了分析。采用描述性采样方法抽取样本点,基于均值估计相对误差建立模拟终止准则,在保证模拟精度的前提下提高蒙特卡罗模拟效率。计算并对比了3种着陆方式下探测器软着陆可靠度,触地关机方案可在主发动机关闭失败后将探测器稳定着陆可靠度提升11.6%,姿态控制的引入可进一步将安全着陆的可靠度提升9.7%。      

基于多工况的新型着陆器软着陆性能优化

以新型腿式着陆器为研究对象,建立其刚柔耦合动力学分析模型,实现着陆器软着陆过程的仿真。通过仿真计算,确定着陆器最易翻倒、底面最易与星球表面岩石碰撞、主体承受最大碰撞力的3组恶劣着陆工况。分析着陆器缓冲机构构型选取设计变量,基于仿真得到的3组恶劣工况,应用第二代非劣排序遗传算法(NSGA-Ⅱ)实现着陆器软着陆性能的优化,优化目标为增强着陆器抗翻倒能力、降低着陆器底面与星球表面岩石碰撞的可能性、降低着陆器主体最大受力值。将优化所得参数代入模型重新进行仿真,着陆器不再发生翻倒,着陆平台底面与星球表面最小距离提高4.2%,主体最大受力值降低12.1%。