Surrogate Model-Based Near-Optimal Gain Selection for Approach-Angle-Constrained Two-Phase Pure Proportional Navigation

Titel: Surrogaatmodel-gebaseerde bijna-optimale gain-selectie voor aanvalshoek-geconstrueerde twee-fase pure proportionele navigatie

1. Probleemstelling

Moderne autonome voertuigmissies vereisen vaak niet alleen een punt-naar-punt interceptie, maar ook een precieze controle van de aanvalshoek (terminal approach angle) bij het doelwit. Dit is cruciaal voor toepassingen zoals industriële inspecties, het veilig naderen van herstelnetten, docking en het maximaliseren van de effectiviteit van loiterende munitie.

Hoewel Pure Proportionele Navigatie (PPN) een veelgebruikte en robuuste leidingswet is, heeft de standaard single-phase PPN beperkingen:

• Het kan niet elke gewenste aanvalshoek binnen een halve ruimte realiseren zonder onbeperkte laterale versnelling.
• Een twee-fase PPN (2pPPN) is voorgesteld om dit op te lossen. Deze bestaat uit een Orientatiefase (om de juiste geometrie te bereiken) en een Eindfase (voor de daadwerkelijke interceptie).
• Het Kernprobleem: Voor een gegeven start- en eindgeometrie zijn er oneindig veel mogelijke trajecten voor de orientatiefase, elk met een andere combinatie van navigatie-gains ($N_{ori}$ en $N_f$). Het analytisch bepalen van de optimale gains die de totale leidingsinspanning (energieverbruik) minimaliseren, is wiskundig onoplosbaar (intractable) voor willekeurige geometrieën. Numerieke optimalisatie is te rekenintensief voor online toepassing.

2. Methodologie

De auteurs stellen een datagedreven framework voor om een surrogaatmodel te ontwikkelen dat de relatie leert tussen de engagement-geometrie en de bijna-optimale navigatie-gains.

• Data Generatie:

  • Er worden numerieke simulaties uitgevoerd voor een planaire engage-ment tussen een UAV en een stationair doelwit.
  • De zoekruimte voor de gains wordt gedefinieerd binnen fysieke en operationele grenzen (bijv. $N_f \in [2, 5]$ om bounded versnelling te garanderen).
  • Er worden twee optimalisatieproblemen opgelost voor duizenden scenario's:
    1. Bepalen van de optimale $N_{ori}$ voor een vaste $N_f$.
    2. Simultaan bepalen van de optimale paar $(N_{ori}, N_f)$.
  • Het doel is het minimaliseren van de kostenfunctie $J = \int a_P^2 dt$ (totale leidingsinspanning), met een beperking op de maximale vliegtijd.

• Neuraal Netwerk Architectuur:
  Twee volledig verbonden feedforward neurale netwerken (NN) worden getraind als regressiemodellen:

  • Model A: Voorspelt $N^*_{ori}$ op basis van inputs $(\alpha_{P0}, \alpha^d_{Pf}, N_f)$. (3 inputs, 2 verborgen lagen).
  • Model B: Voorspelt het paar $(N^*_{ori}, N^*_f)$ direct op basis van $(\alpha_{P0}, \alpha^d_{Pf})$. (2 inputs, 3 verborgen lagen).
  • Het dataset wordt gesplitst in training (80%) en test (20%) sets. De modellen worden getraind met de Adam-optimizer en een MSE-lossfunctie.

• Surrogaatfunctie:
  Het getrainde NN fungeert als een computatie-efficiënte vervanging voor de dure numerieke optimalisatie. Het leert de gladde niet-lineaire mapping tussen de startcondities en de optimale gains.

3. Belangrijkste Bijdragen

1. Formulering van het Optimalisatieprobleem: Het identificeren van de vrijheid in het kiezen van de eindconfiguratie van de orientatiefase om de totale leidingsinspanning te minimaliseren binnen het 2pPPN-raamwerk.
2. Ontwikkeling van een Datagedreven Framework: Het creëren van een methode om de complexe, analytisch onoplosbare optimalisatieproblemen op te lossen door gebruik te maken van een NN als surrogaatmodel.
3. Real-time Toepasbaarheid: Het bieden van een methode waarbij de optimale gains in één keer (single-shot) kunnen worden voorspeld met zeer lage rekenkosten, wat essentieel is voor online leidingscomputers.
4. Validatie van Glatte Manifold: Het aantonen dat de optimale gains-manifold glad varieert met de engagement-condities, wat de effectiviteit van regressiemodellen bevestigt.

4. Resultaten

• Nauwkeurigheid: De getrainde modellen tonen een hoge voorspellingsnauwkeurigheid.
  • Model A bereikte een $R^2$ (coëfficiënt van determinatie) van 0.932.
  • Model B bereikte $R^2$ waarden van 0.880 en 0.901 voor respectievelijk $N_f$ en $N_{ori}$.
• Foutanalyse: De voorspellingen zijn zeer nauwkeurig in het midden van het domein. De fouten nemen toe bij de randgevallen van het 2pPPN-domein, waar de trainingsdata schaarser is en de gradiënten scherper zijn.
• Rekenkosten: Het gebruik van het NN elimineert de noodzaak voor iteratieve online optimalisatie. Het voorspellen van de gains kost ongeveer $O(10^2)$ microseconden, wat real-time implementatie mogelijk maakt.
• Visualisatie: De voorspelde gain-manifolds tonen een gladde interpolatie van de ruwe numerieke data, zelfs in gebieden met snelle veranderingen.

5. Significantie en Conclusie

Dit onderzoek biedt een praktische oplossing voor een langdurig probleem in de leidingswetenschap: het vinden van optimale parameters voor complexe, hoekgeconstrueerde intercepties zonder zware rekenlast.

• Efficiëntie: Door het gebruik van een lichtgewicht regressiemodel kunnen autonome voertuigen nu bijna-optimale leidingsstrategieën toepassen die energie besparen en de prestaties maximaliseren, zelfs onder strikte hoekbeperkingen.
• Toepasbaarheid: De methode is specifiek ontworpen voor stationaire doelen maar biedt een blauwdruk voor het uitbreiden naar dynamische doelen of andere leidingswetten.
• Impact: Het onderzoek sluit de kloof tussen theoretische optimalisatie (die vaak te traag is voor online gebruik) en praktische implementatie, waardoor 2pPPN een haalbare en efficiënte keuze wordt voor moderne autonome missies.

Kortom, het artikel demonstreert dat een datagedreven benadering met neurale netwerken een krachtig alternatief is voor traditionele analytische of numerieke optimalisatie bij het selecteren van leidings-gains voor hoekgeconstrueerde intercepties.