Many-vs-Many Missile Guidance via Virtual Targets

Resumo Técnico: Guiamento Míssil-Múltiplo vs. Múltiplo via Alvos Virtuais

Enunciação do Problema
O artigo aborda o desafio de guiar múltiplos interceptores contra múltiplos alvos manobráveis (engajamentos muitos-para-muitos). Abordagens convencionais geralmente dependem de algoritmos de Atribuição de Arma-Alvo (WTA) para mapear $n$ interceptores diretamente para $m$ alvos físicos. Uma limitação crítica deste paradigma é a dependência de previsões determinísticas; quando os alvos manobram, atribuir interceptores a previsões idênticas de ponto único falha em explorar plenamente a superioridade numérica ($n > m$). Os autores postulam que tratar o engajamento como um problema muitos-para-distribuição, em vez de um problema muitos-para-ponto-determinístico, oferece uma solução mais robusta para o comportamento probabilístico do alvo.

Metodologia
A solução proposta introduz uma estratégia de guiamento centralizada utilizando Alvos Virtuais (VTs). A metodologia opera através dos seguintes componentes principais:

1. Previsão Probabilística de Trajetória: Em vez de prever um único caminho determinístico para cada alvo, o sistema emprega um preditor de trajetória baseado em Normalizing Flows. Este modelo gera $n$ trajetórias de VT distintas para cada alvo, representando uma distribuição probabilística de manobras futuras potenciais.
2. Atribuição de Alvo Virtual: Em vez de atribuir interceptores a alvos físicos, a estratégia atribui cada um dos $n$ interceptores a uma trajetória de VT específica. Isso distribui efetivamente a força de interceptores através de hipóteses de trajetória diversas.
3. Lei de Guiamento de Duas Fases:
   • Fase de Curso Médio: Os interceptores são guiados em direção aos seus VTs atribuídos usando o guiamento Zero-Effort-Miss (ZEM). Esta fase foca em minimizar a distância de falha em relação ao caminho virtual previsto.
   • Fase Terminal: Ao se aproximar do alvo, a lei de guiamento transita para Navegação Proporcional (PN) para executar a interceptação final.

Contribuições Principais

• Mudança de Guiamento Determinístico para Probabilístico: O artigo propõe uma mudança fundamental na lógica de engajamento, afastando-se da atribuição direta interceptor-alvo em direção a um framework interceptor-distribuição.
• Integração de Normalizing Flows: A aplicação de Normalizing Flows para gerar VTs permite a modelagem de distribuições complexas e multimodais de manobras de alvo, possibilitando a geração de hipóteses de trajetória diversas.
• Exploração da Superioridade Numérica: O método aproveita explicitamente cenários onde o número de interceptores excede o número de alvos ($n > m$). Ao espalhar interceptores através de uma distribuição de probabilidade de comportamentos de alvo, o sistema aumenta a probabilidade de que pelo menos um interceptor se alinhe com a manobra real do alvo.

Resultados Experimentais
Os autores validaram a abordagem através de simulações de Monte Carlo em várias configurações envolvendo 1–6 alvos e 1–8 interceptores. Os resultados indicam:

• Números Iguais ($n = m$): Quando o número de interceptores é igual ao número de alvos, o método VT performa comparavelmente ou ligeiramente melhor do que métodos de linha reta de previsão de base, mostrando melhorias na faixa de 0–4,1%.
• Superioridade Numérica ($n > m$): A lacuna de desempenho amplia-se significativamente quando os interceptores superam em número os alvos. Nestes cenários, o método VT demonstra melhorias de 5,8–14,4% sobre os métodos de base.
• Eficácia Geral: As simulações confirmam que VTs probabilísticos permitem a utilização efetiva da superioridade numérica, levando a um aumento significativo na probabilidade geral de interceptação em cenários muitos-para-muitos.

Significância
O artigo afirma que sua significância primária reside em demonstrar que engajamentos muitos-para-muitos podem ser gerenciados de forma mais eficaz ao serem tratados como cenários muitos-para-distribuição. Ao utilizar Normalizing Flows para gerar Alvos Virtuais, a estratégia proposta supera as limitações da atribuição determinística, permitindo uma exploração mais robusta da superioridade numérica dos interceptores. Os resultados sugerem que esta abordagem fornece um aumento tangível na probabilidade de interceptação, particularmente em engajamentos complexos onde a manobra do alvo é incerta e o número de interceptores disponíveis excede o número de ameaças.