論文要約：アプローチ角度制約付き 2 段階純正比例誘導（2pPPN）のための代理モデルに基づく準最適ゲイン選択

本論文は、航空機や UAV などの空力駆動型車両における「目標への接近角度（Approach Angle）」の制御に焦点を当て、特に2 段階純正比例誘導（2-Phase Pure Proportional Navigation: 2pPPN）を用いた誘導ゲインの準最適選択を提案するものです。従来の解析的な最適化が困難な問題に対し、数値シミュレーションで得られた最適解の分布をニューラルネットワーク（NN）で学習させる「代理モデル（Surrogate Model）」アプローチを採用し、リアルタイムでの高精度なゲイン決定を実現しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 背景と問題定義

• 背景:

  • 現代の自律車両ミッション（産業用点検、UAV の回収、狭い空間への進入、ドッキングなど）では、単なる目標への到達だけでなく、終端での接近角度を厳密に制御することが必要です。
  • 従来の純正比例誘導（PPN）はシンプルでロバストですが、単一フェーズでは達成可能な接近角度の範囲が限られており、特に静止目標に対する特定の角度制御には制約があります。
  • これを克服するため、**2 段階 PPN（2pPPN）**が提案されています。これは「方位調整フェーズ（Orientation Phase）」と「最終フェーズ（Final Phase）」の 2 つのフェーズに分け、それぞれ異なる誘導ゲイン（$N_{ori}$ と $N_f$）を適用することで、半空間内の任意の接近角度を達成可能にする手法です。

• 課題:

  • 2pPPN において、与えられた初期状態と目標接近角度に対して、全体の誘導努力（Guidance Effort: 横加速度の二乗積分）を最小化する最適なゲインペア（$N_{ori}, N_f$）を決定する問題が存在します。
  • しかし、任意の初期幾何条件に対する最適ゲインを解析的に求めることは不可能（intractable）です。
  • 数値最適化を用いる場合も、オンライン（リアルタイム）で反復計算を行うには計算コストが高すぎます。

2. 提案手法：データ駆動型アプローチ

本研究は、最適ゲインと初期・終端幾何条件の間の非線形マッピングを学習するニューラルネットワーク（NN）ベースの回帰モデルを開発しました。

A. 最適化問題の定式化

以下の 2 つの最適化問題を定義しました：

1. 問題 1: 最終フェーズのゲイン $N_f$ が指定されている場合、方位調整フェーズのゲイン $N_{ori}$ を最適化する。
2. 問題 2: $N_{ori}$ と $N_f$ の両方を同時に最適化し、総誘導努力を最小化する。

B. データセットの生成

• 数値シミュレーション（RK4 ソルバー等）を用いて、多様な初期条件（初期航向角 $\alpha_{P0}$、目標接近角 $\alpha^d_{Pf}$）とゲイン範囲に対して最適化問題を解き、最適ゲインペアを生成しました。
• 制約条件として、横加速度の上限、衝突条件（$N \ge 2$）、および実用的な飛行時間（$t_f \le t_{max}$）を設け、94,857 件の有効なシナリオから 4,216 件（モデル A 用）と 136 件（モデル B 用）の最適解データを抽出しました。
• 結果として、最適ゲインは幾何条件に対して滑らかに変化することが確認されました。

C. ニューラルネットワークの構築

この滑らかな性質を利用し、NN を「代理モデル（Surrogate Model）」として機能させました。

• モデル A: 入力 $(\alpha_{P0}, \alpha^d_{Pf}, N_f)$ から出力 $N^*_{ori}$ を予測。
• モデル B: 入力 $(\alpha_{P0}, \alpha^d_{Pf})$ から出力 $(N^*_{ori}, N^*_{f})$ のペアを予測。
• 全結合フィードフォワード NN を使用し、Adam 最適化器で学習を行いました。

3. 主要な貢献

1. 2pPPN における準最適ゲイン選択の自動化:
   • 解析的に解けない最適ゲイン選択問題を、データ駆動型の NN によって効率的に解決する枠組みを提案しました。
2. 計算効率の劇的な向上:
   • オンラインでの反復最適化（数値計算）に代わり、NN の順方向評価（Forward Evaluation）のみでゲインを決定できるため、計算時間が約 $O(10^2)$ $\mu$s（マイクロ秒）レベルに短縮されました。
3. 高精度な代理モデルの構築:
   • 最適ゲインの多様体（Manifold）を NN で高精度に近似し、実用的な誘導律則として機能させることに成功しました。

4. 結果と評価

• 精度:
  • 学習済みモデルは、テストセット（未見の幾何条件）において高い精度で最適ゲインを予測しました。
  • 決定係数（$R^2$）:
    • モデル A（$N_f$ を入力とする場合）: 0.932
    • モデル B（$N_f$ も予測する場合）: 出力 1 番目で 0.880、2 番目で 0.901
  • 境界条件に近いケースでは誤差が増大する傾向が見られましたが、全体として非常に高い適合率を示しました。
• 実用性:
  • 予測されたゲイン曲線は、数値最適化で得られた滑らかな曲面を忠実に再現しており、リアルタイム制御への適用が可能であることを示しています。

5. 意義と結論

本論文は、アプローチ角度制約付きの誘導において、「計算コスト」と「最適性」のトレードオフを NN ベースの代理モデルによって解決した画期的な研究です。

• リアルタイム適用: 従来の数値最適化では不可能だった、複雑な初期条件に対する瞬時の最適ゲイン選択を可能にし、自律 UAV のミッション遂行能力を向上させます。
• 拡張性: この手法は、他の誘導律則や複雑な制約条件を持つ問題に対しても、データ駆動型の最適化アプローチとして応用可能です。
• 結論: 提案された NN ベースのアーキテクチャは、2pPPN 誘導における準最適ゲイン選択を、高い精度と極めて低い計算負荷で実現し、静止目標に対する効率的な接近誘導を可能にします。

---

総括:
この研究は、理論的な最適制御の難しさをデータサイエンス（機械学習）によって克服し、実用的な航空宇宙システム（UAV 誘導）に直接応用可能なソリューションを提供した点に大きな価値があります。