拦截大气层内机动目标的深度强化学习制导律

针对大气层内高速机动目标的拦截问题，提出了一种基于双延迟深度确定性策略梯度(TD3)算法的深度强化学习制导律，它直接将交战状态信息映射为拦截弹的指令加速度，是一种端到端、无模型的制导策略。首先，将攻防双方的交战运动学模型描述为适用于深度强化学习算法的马尔科夫决策过程，之后通过合理地设计算法训练所需的交战场景、动作空间、状态空间和网络结构，并引入奖励函数整形和状态随机初始化，构建了完整的深度强化学习制导算法。仿真结果表明：与比例导引和增强比例导引两种方案相比，深度强化学习制导策略在脱靶量更小的同时能够降低对中制导精度的要求；具有良好的鲁棒性和泛化能力，并且计算负担较小,具备在弹载计算机上运行的条件。     

变质心固定翼无人机动力学分析与抗扰控制

变质心无人机具有气动效率更高、隐身性能更好、机翼结构更加简单等优点。提出了时滞更小、结构更加简单的单滑块变质心无人机布局方案，分析了滑块参数对变质心无人机动力学特性的影响，在此基础上给出了滑块的理想安装位置，并研究了变质心无人机布局方案控制效率随速度的变化情况。针对变质心无人机强耦合、强非线性的特点，基于粒子群算法(PSO)设计了自抗扰控制器(ADRC)，其中扩张状态观测器估计出包含耦合和参数摄动的总和扰动项，并基于此进行动态补偿。仿真结果验证了所设计控制器的有效性和鲁棒性。