Many-vs-Many Missile Guidance via Virtual Targets

Riepilogo Tecnico: Guida Missilistica Molti-vs-Molti tramite Obiettivi Virtuali

Enunciato del Problema
Il documento affronta la sfida di guidare molteplici intercettori contro molteplici bersagli manovranti (ingaggi molti-vs-molti). Gli approcci convenzionali si basano tipicamente su algoritmi di Assegnazione Armi-Bersagli (WTA) per mappare direttamente $n$ intercettori su $m$ bersagli fisici. Un limite critico di questo paradigma è la dipendenza da previsioni deterministiche; quando i bersagli manovrano, l'assegnazione degli intercettori a previsioni identiche e puntuali non sfrutta appieno la superiorità numerica ($n > m$). Gli autori ipotizzano che trattare l'ingaggio come un problema molti-vs-distribuzione, piuttosto che come un problema molti-vs-punto-deterministico, offra una soluzione più robusta per il comportamento probabilistico dei bersagli.

Metodologia
La soluzione proposta introduce una strategia di guida centralizzata che utilizza Obiettivi Virtuali (VT). La metodologia opera attraverso i seguenti componenti fondamentali:

1. Previsione Probabilistica della Traiettoria: Invece di prevedere un singolo percorso deterministico per ciascun bersaglio, il sistema impiega un predittore di traiettoria basato su Flussi Normalizzanti. Questo modello genera $n$ distinte traiettorie VT per ciascun bersaglio, rappresentando una distribuzione probabilistica di potenziali manovre future.
2. Assegnazione degli Obiettivi Virtuali: Invece di assegnare gli intercettori ai bersagli fisici, la strategia assegna ciascuno dei $n$ intercettori a una specifica traiettoria VT. Ciò distribuisce efficacemente la forza degli intercettori su ipotesi di traiettoria diversificate.
3. Legge di Guida a Due Fasi:
   • Fase di Mezzo Corso: Gli intercettori sono guidati verso i loro VT assegnati utilizzando la guida Zero-Effort-Miss (ZEM). Questa fase si concentra sulla minimizzazione della distanza di mancato impatto rispetto al percorso virtuale previsto.
   • Fase Terminale: Avvicinandosi al bersaglio, la legge di guida transiziona alla Navigazione Proporzionale (PN) per eseguire l'intercettazione finale.

Contributi Chiave

• Passaggio dalla Guida Deterministica a quella Probabilistica: Il documento propone un cambiamento fondamentale nella logica di ingaggio, spostandosi dall'assegnazione diretta intercettore-bersaglio verso un framework intercettore-distribuzione.
• Integrazione dei Flussi Normalizzanti: L'applicazione dei Flussi Normalizzanti per generare VT consente di modellare distribuzioni complesse e multi-modali delle manovre dei bersagli, permettendo la generazione di ipotesi di traiettoria diversificate.
• Sfruttamento della Superiorità Numerica: Il metodo sfrutta esplicitamente scenari in cui il numero di intercettori supera il numero di bersagli ($n > m$). Distribuendo gli intercettori su una distribuzione probabilistica dei comportamenti del bersaglio, il sistema aumenta la probabilità che almeno un intercettore si allinei con la manovra effettiva del bersaglio.

Risultati Sperimentali
Gli autori hanno validato l'approccio attraverso simulazioni Monte Carlo su varie configurazioni che coinvolgono da 1 a 6 bersagli e da 1 a 8 intercettori. I risultati indicano:

• Numeri Uguali ($n = m$): Quando il numero di intercettori è uguale al numero di bersagli, il metodo VT si comporta in modo paragonabile o leggermente migliore rispetto ai metodi di base basati su previsioni in linea retta, mostrando miglioramenti nell'intervallo del 0–4,1%.
• Superiorità Numerica ($n > m$): Il divario di prestazioni si amplia significativamente quando gli intercettori superano in numero i bersagli. In questi scenari, il metodo VT dimostra miglioramenti del 5,8–14,4% rispetto ai metodi di base.
• Efficacia Complessiva: Le simulazioni confermano che i VT probabilistici consentono l'utilizzo efficace della superiorità numerica, portando a un aumento significativo della probabilità complessiva di intercettazione negli scenari molti-vs-molti.

Significato
Il documento afferma che il suo significato principale risiede nel dimostrare che gli ingaggi molti-vs-molti possono essere gestiti più efficacemente trattandoli come scenari molti-vs-distribuzione. Utilizzando i Flussi Normalizzanti per generare Obiettivi Virtuali, la strategia proposta supera i limiti dell'assegnazione deterministica, permettendo uno sfruttamento più robusto della superiorità numerica degli intercettori. I risultati suggeriscono che questo approccio fornisce un aumento tangibile della probabilità di intercettazione, in particolare in ingaggi complessi dove la manovra del bersaglio è incerta e il numero di intercettori disponibili supera il numero di minacce.