摘要：可重复使用运载火箭能够大幅降低进入空间的成本,是下一代航天运输系统的重要组成部分,而动力着陆段是实现可重复使用运载火箭回收的关键。对现有运载火箭动力着陆段的制导控制方法进行了综述,在对现有方法进行分析的基础上提出了一种模块化协作设计,并对人工智能方法在制导控制中的应用进行了展望。首先建立了运载火箭动力着陆段制导控制的整体模型,归纳了常用指标及约束集合,并分析了制导控制设计需解决的问题。然后,对现有的主要制导控制方法,即解析制导方法、轨迹优化制导方法、基于机器学习的制导方法、姿态控制方法及制导控制协作方法等进行了综述,通过分析所考虑的运动方程模型、约束及性能指标等对主要方法进行了较全面的比较,并进一步针对不确定模型及干扰下的制导控制综合目标优化问题提出了一种模块化智能协作方法。最后,对动力着陆段制导控制方法的发展趋势进行了总结,并对人工智能方法与动力着陆段制导控制方法的结合进行了展望。

摘要：可回收运载火箭的着陆制导需要严格保证着陆位置、速度精度,并尽量减小燃料消耗。基于最优控制的着陆制导方法需要依赖火箭精确模型,不具有对模型偏差的泛化能力。针对此问题,本文基于强化学习方法,通过不基于模型的交互采样,训练了神经网络形式的火箭着陆制导策略。首先,建立火箭着陆制导问题的马尔可夫决策过程模型,根据终端约束和燃料消耗指标设计了分阶段奖励函数;然后,在此基础上设计了多层感知机制导策略网络,并使用不基于模型的邻近策略优化算法,通过与火箭着陆制导马尔可夫决策过程的交互采样,实现对制导策略网络的迭代优化;最后,在可回收运载火箭着陆段仿真场景下对制导策略进行验证。仿真结果表明,本文提出的强化学习着陆制导策略能够保证火箭的着陆精度、燃料消耗与最优解相近,且能够泛化至火箭模型参数存在偏差的工况。