高超声速飞行器控制技术研究进展与展望

张 远，黄 旭，路坤锋，白文艳，黄万伟

(1. 北京航天自动控制研究所，北京 100854; 2. 宇航智能控制技术国家级重点实验室，北京 100854)

0 引 言

一般飞行马赫数()大于5的飞行器称为高超声速飞行器(Hypersonic flight vehicle, HFV)，作为航空与航天技术的综合产物，HFV的优点十分明显，民用上能够实现低成本重复跨大气层飞行和天地往返，是航天运输系统的一个重要组成部分；军事应用上具有飞行距离远、飞行速度快、任务可调整等特点。

HFV的研究涉及一体化总体设计技术、高超声速推进技术、气动力/热技术、制导与控制技术等诸多关键技术。就HFV的控制技术而言，由于与传统飞行器相比，其飞行环境复杂、飞行包线跨域大、气动特性的变化认识有限，对于控制系统设计提出了更为严苛的要求，使得HFV的控制成为飞行器控制的前沿热点问题。此外，近年来由于变外形飞行器(Morphing flight vehicle, MFV)在解决大飞行包线与气动性能的矛盾、巡航能力和机动性能的矛盾等问题上优势凸显，将变外形概念结合到高超声速技术上也逐渐成为HFV的一个新的发展方向。高超声速变外形飞行器(Hypersonic morphing flight vehicle, HMFV)的概念和需求应运而生，其结合HFV和MFV的优势，使其跨域能力更强、机身更“灵巧”。

文献[4-5]针对建模及动力学特点进行分析，总结了HFV动力学模型，提出了HFV的建模与控制的解决思路；文献[2]和[6]以可重复使用运载器、吸气式高超声速飞行器等为对象，总结了制导与控制技术的发展；文献[7]进一步结合X-43A飞行器分析了工程实现的控制方案。上述文献都较为全面综述了HFV制导与控制等技术的研究进展，具有很大的参考价值。但是随着HMFV新概念、新需求、新方案的出现，给控制系统带来了新挑战。如HMFV的控制不仅需要考虑HFV存在的大不确定性、强非线性等难点，还需进一步考虑质心、压心转移，执行机构、变形机构故障，变形策略等问题。同时，随着控制理论与智能技术的发展，新方案也在不断地衍生，如反步控制、滑模控制、性能预设控制等控制理论与干扰观测器、状态观测器等的综合应用，BP神经网络、RBF神经网络与控制理论的结合应用，先进机器学习技术在飞行器控制中的探讨等内容都值得进一步的分析、总结和展望。

本文将可变后掠、可变展长的HMFV作为HFV的一种特殊形式，对此类飞行器的控制技术进行总结和展望。第一部分总结了几类典型的飞行器模型，分析了HFV和HMFV的特点；第二部分结合理论分析和工程需求，分析了此类飞行器的控制难点，并引申出相应的控制需求；第三部分针对控制难点，总结几类非线性控制以及智能控制在该领域的研究进展，并分别给出了针对HFV/HMFV控制器的控制框图；最后，针对本文讨论的重点进行了总结与展望。

1 HFV/HMFV模型

本文总结公开文献常见的HFV来源，动力学模型和相关可查的气动数据可参见表1。本文阐述最常用于制导、控制领域的Winged-Cone模型、乘波体模型以及HMFV模型。需说明的是，HMFV模型暂无公开文献给出具体的气动模型和相关数据，本文仅针对变后掠、变展长以及两者的复合变形形式的HMFV特点进行分析。

表1 几类典型HFV模型Table 1 Several typical HFV models

1.1 Winged-Cone模型

NASA兰利研究中心开发了一种高超声速飞行器六自由度的Winged-Cone模型，其几何图形如图1，包含水平鸭翼、升降副翼、方向舵、节流阀四个控制面，鸭翼仅用于亚声速和超声速阶段的飞行控制。该模型通过大量的风洞实验及CFD计算，建立了较为全面真实的气动数据库和超燃冲压发动机推力模型，提供了气动、推进以及质量的数学模型，涵盖了亚声速、跨声速、超声速以及高超声速飞行阶段，为高超声速飞行器的研究提供了一个新的平台。但是相比于乘波体模型，Winged-Cone未完整反映机身/发动机一体化特点。

图1 Winged-cone几何图形Fig.1 Geometry of winged-cone configuration

该模型拥有在0.3～24.2之间的11个特征点，攻角选择-1.0°～12.0°的9个特征点，左、右升降舵和方向舵取-20°～20°的5个特征点。该模型六分量系数表示成关于马赫数、攻角、侧滑角、舵偏转的高阶多项式，在文献[17]中给出了明确的拟合多项式。

1.2 乘波体模型

乘波体模型是由Bolender等基于X-43A飞行器的构型，通过工程预估方法建立的考虑气动/推进/弹性结构耦合的纵向第一机理模型，几何简化构型如图2，该模型较为完整地描述了气动耦合与弹性模态。由于缺乏地面风洞和飞行试验数据，主要靠空气动力学的解析式和热力学理论为控制研究工作提供气动和推进数据。为使其适用于控制系统设计，Parker等通过对模型的简化，建立了具有解析形式的飞行器模型。现有公开文献针对纵向通道的高度和速度的跟踪控制也多基于此模型。但该模型未考虑横向与纵向通道耦合影响特性，气动力和推力均为工程经验公式，建模不确定性大。

图2 乘波体几何图形Fig.2 Geometry of wave-rider configuration

1.3 可变构型飞行器模型

针对MFV，可以分为内流部件变形和外流部件变形两大类，内流部件变形包括进气道变形、喷管变形等，外流部件变形包括变后掠翼、折叠翼、伸缩翼等方式。本文讨论的HMFV为变后掠构型和变展长构型以及两者的复合构型。此类变形方式可有效缓解全速域飞行与外形局限的矛盾，巡航能力与机动能力的矛盾等。变形给飞行器带来能力提升的同时也大幅增加了模型的复杂度，一是变形对气动特性影响未知；二是变形过程建模难；三是变形带来的机体参数变化描述难。

对于MFV建模而言，现有公开文献主要有两类方式。一类以经典力学为基础，简化变形过程产生的影响因素，主要考虑变形带来的气动力以及力矩系数的变化；另一类建模方案是将机体、变形部分作为多个独立的运动体，以多体动力学为基础，考虑多刚体之间的内部作用机制，充分利用变形可获得的变形参数，如后掠角、后掠角速率、展长、展长变化速率等，以描述变形过程带来的附加力、附加力矩等变化。文献[25-26]针对变外形带来的气动系数、附加力等变化也给出了可行性的处理方案；但是对于转动惯量、质心变化等信息未给出说明，且未验证气动拟合的合理性。

图3 HMFV的两种常见形态Fig.3 Two classical HMFV configurations

综上所述，HFV/HMFV动力学模型需要考虑的因素远比传统飞行器复杂，这就造成综合考虑这些因素所得到的模型必定是高阶复杂非线性系统，对于这样的模型设计控制器是难以实现的。因此，根据控制系统设计的要求简化处理，得到合理的低阶动力学模型是解决此类控制问题的关键之一。

2 飞行器控制需求分析

与亚声速/超声速飞行器相比，由于飞行环境复杂，飞行包线跨域大，气动特性的变化更加复杂，HFV/HMFV表现出许多不同的飞行特性，因试飞或者地面试验的困难较大，所以还有很多特性难以完全掌握。主要表现在模型的强非线性、快时变、不确定性大、参数摄动明显、耦合特性明显等特点，因此引申出大不确定性下的稳定控制、复杂系统的非线性控制、系统强耦合的解耦控制、飞行阶段多样的复合控制、复杂环境下的安全控制、弱可靠模型下的智能控制等工程实际问题。

2.1 大不确定性系统稳定控制需求分析

HFV/HMFV飞行器由于复杂的飞行环境，不可避免存在各种各样的内、外扰动。内部扰动主要指参数的不确定性，外部扰动主要指动态不确定性。前者可通过模型中有限个参数摄动来表示，后者通过被控对象的整体摄动来表示，可能会改变系统的零极点分布和个数，也会改变系统的结构，因此也被称为非结构化不确定性。主要表现在以下方面。

(1)参数摄动

一方面，当飞行马赫数>6就会产生真实气体效应，从而改变飞行器表面的压力分布，气动力及力矩系数也随之改变;另一方面，由于HMFV变形的需要，飞行器变形时会带来整体结构的改变。对于可连续变形而言，地面获得的数据有限，任意状态下的六分量系数、质心、转动惯量等变化都不可精确获得，进一步扩大了参数摄动范围。

(2)环境干扰

高超声速飞行器所处的临近空间是个相对陌生的飞行区域，其大气运动规律复杂，因而由风洞实验建立的气动数据表与真实值存在较大偏差。且风干扰是随机的，在30 km～60 km高度下风切变可达10 m/s～40 m/s。因而，环境扰动特别是风干扰对飞行器姿态稳定的影响不可忽略。

(3)变形干扰

首先，HMFV在超高声速飞行对于变外形的需求进一步扩大了弹性模态，使机体变形，流场改变，导致机身受力失衡；其次，由于气动力和推力与攻角直接相关，机身变形则导致攻角在小范围内扰动，其进一步导致推力、升力、阻力的不确定性。

(4)随机误差干扰

随机因素主要是非人为的难以避免的随机误差,如传感器偏差、执行器偏差、质量分布不对称、惯性主轴与机体对称轴不完全重合、安装偏差等。

由此可知，不确定性问题是影响飞行器稳定控制的一个关键因素，是不可忽略的控制重点和难点，如何使飞控系统能“容忍”不确定性是飞行器控制当下研究的重难点之一。

2.2 复杂系统非线性控制需求分析

强非线性是HFV/HMFV的另外一个明显特征，飞行器的非线性特性一方面由构型决定，另一方面则归因于飞行状态。首先，从模型看其表现为高阶的非线性微分方程，如高度、速度、俯仰角等状态的导数都是非线性函数；其次，六分量系数是与马赫数、攻角、侧滑角、变形量、舵偏角等相关的高阶非线性函数。因此升力、阻力、推力等解析表达都为高阶多元非线性函数；最后，执行机构受到工程的约束也是造成系统呈现强非线性的因素之一。

综合上述因素,常规的线性控制方法难以保证此类飞行器的控制精度和鲁棒性能，也决定着针对此类飞行器应该着重考虑基于现代控制理论和智能控制技术的非线性控制方案或者基于线性控制的改进型方案。

2.3 系统强耦合的解耦控制需求分析

此类飞行器的强耦合特性主要体现在机身一体化耦合、通道耦合、刚体/弹性耦合以及姿态/质心运动的耦合。对于机身一体化耦合而言，一是机体产生的气动力会影响攻角的变化，而发动机的性能又对攻角的改变较为敏感；二是发动机尾喷气流造成了机体后缘的流场变化，造成附加力和力矩。对于通道耦合而言，耦合主要指纵向和横向的耦合，也可以指俯仰通道、偏航通道、滚转通道间的耦合。对于刚体/弹性耦合而言，刚体运动状态的改变会影响飞行器的受力，从而产生弹性形变;反之,机体的弹性形变将对气动布局和推进系统产生重要的影响。最后是姿态与质心运动的耦合。姿态动力学方程和质心动力学方程有着相互包含和约束的关系,一是轨迹的控制主要通过姿态控制来实现，而轨迹的优化又往往包含着姿态约束,二是飞行器的姿态模型中又存在着轨迹状态信息,如忽略姿态和质心的耦合关系，进行两者的独立设计，则容易导致在复杂情况下难以实现指令的精确跟踪。

综上，对具有耦合特性的多变量系统来说，在研究过程中为了便于控制器的设计，可对复杂系统加以简化，将其分成若干个子系统进行考虑并忽略之间的耦合作用，但是随着系统越来越复杂以及对控制性能要求的提高，这种简化处理就难以满足需求，所以对系统耦合进行深入分析，并选取合适的多变量系统控制方法是十分必要的。

2.4 飞行阶段多样的复合控制需求分析

HFV飞行包线大，再入段过程中需要经过多种空域环境，高度域跨度明显。动压随着高度的增加而出现大幅度下降，飞行器舵效降低，操纵性能严重不足，仅靠舵面提供的控制能力无法完成飞行器的稳定飞行需求。因此，配置反作用力控制系统(Reaction control system, RCS)使执行机构的操纵模式多样化是解决这一问题的关键方案之一，这种具有气动力和RCS两种操纵机构的系统通常被称为复合控制系统。以“哥伦比亚”号航天飞机再入返回为例，再入飞行时，所需力矩由不同执行机构产生，其中俯仰力矩主要由升降舵和产生俯仰力矩的RCS提供。类似地，滚转力矩、偏航力矩主要分别由副翼和方向舵以及相应的RCS提供。

图4 “哥伦比亚”号再入段三通道控制分配图[33]Fig.4 Allocation scheme of three control channels for the Space Shuttle Columbia [33]

由此可知，在高超声速飞行器一次完整的飞行过程中，需要进行多次控制切换，这就进一步引申出三个重点研究问题。一是控制切换策略问题；二是控制力矩分配策略问题，即研究期望力矩如何分配可达到预设目标最优；三是控制切换防抖问题，即如何实现平滑切换，减少瞬态误差。

2.5 复杂环境下的安全控制需求分析

HFV是一类系统构成复杂、飞行环境复杂、飞行跨度大的飞行器，极易出现突发故障，因而对于安全性的要求极高。因此，研究具有故障诊断和容错能力的安全控制方案需求逐渐凸显。飞行器的故障可以分为结构、执行机构、传感器三类。

结构故障多指舵面、发动机等由于疲劳开裂或者腐蚀失效等情况。执行机构故障指舵面执行故障和变形执行机构故障:舵面故障带来的主要问题是舵面效率下降，无法达到预期的控制能力和效果，从而影响控制能力和飞行安全；变形机构带来的则是存在非对称变形导致的滚转通道控制难度大等问题。传感器故障指的是状态测量装置的故障问题，其为控制系统实时提供飞行状态数据，若偏差较大，则对飞控系统的输出产生影响从而威胁飞行安全。

综上，安全飞行受诸多因素的影响，故障来源也多样，提高飞行器故障的精准检测和容错控制能力是安全飞行控制技术的重要措施，也是当下飞行器故障诊断与容错控制的两类研究热点。

2.6 弱可靠性模型下的智能控制需求分析

智能技术的发展使得智能控制在此类复杂高动态非线性系统中的应用更具前景和潜力,其大速域、宽空域飞行环境和任务场景，使得气动特性变化剧烈、环境干扰强、模型可靠性变弱。针对HMFV此类新型飞行器，其任务多样性的需求带来飞行器结构的变化多样，而变形过程建模难的问题更为突出，难以获得精准的面向控制的数学模型，这就对控制系统的智能自适应能力提出了更高的要求。

然而当前的控制方案设计多是依赖已知模型设计，存在适应性不足、应变与容错能力弱等问题，难以适应环境与构型的复杂多变。因此有必要研究基于人工智能理论的飞行器智能控制技术，依托人工智能技术赋能，进一步突破弱模型依赖的智能自主飞行控制技术，促进智能自主飞行技术的发展，进一步提高HFV/HMFV的自主飞行控制品质。

3 HFV/HMFV控制技术研究进展

由于HFV/HMFV飞行环境和任务的特殊化，其控制需求均是实际工程需要急迫解决的问题。本节结合相关文献和成果梳理控制方向的研究进展。

3.1 基于滑模方法的控制技术进展

滑模控制(Sliding mode control, SMC)是于20世纪50年代提出的一种变结构控制方法，其“变结构”体现在系统的状态(如状态误差及其各阶导)沿着“期望滑模动态”轨迹运动。由于“期望滑模动态”可以预先设计，且不受系统的外界扰动和内在摄动影响，因而成为处理带有不确定性、执行故障等系统的一种重要的鲁棒控制方法。

然而，由于传统SMC存在不可避免的抖振，抖振抑制与控制精度难以同时满足，一直是影响SMC在工程中应用的主要障碍，也是近年广大学者研究的重点和热点。早在1998年，Shtessel等就在X-33的姿态控制器设计中，将系统分为姿态角回路和角速率内外两个回路，分别设计内、外环滑模控制器;之后进一步研究执行机构饱和以及舵面部分失效等问题，设计基于时变滑模控制的双环控制器，该方法可消除趋近段，保证系统全局鲁棒性能；Wu等设计基于扰动观测器的时变滑模控制器，用于滑翔式HFV再入段的直/气复合控制；Zhu等对飞行器纵向动力学模型反馈线性化基础上，将输入饱和、执行器失效等故障因素归为“集成故障”，设计快速故障观测器，同时基于积分滑模面设计控制律，提升系统收敛能力。

高阶滑模控制是近年来针对抖振问题研究的热点，其既能保持鲁棒性能，也能有效抑制抖振。其中二阶滑模是近年热度不减的滑模控制方案之一。Guo等结合有限时间观测器，设计自适应螺旋滑模控制算法，引入自适应律，解决HFV存在有界时变干扰下的姿态控制问题；考虑到控制律中需要用的指令微分项，Ding等设计一种精确鲁棒微分器，用于弹性HFV的高阶超螺旋滑模控制算法设计中，有效缓解“微分爆炸”问题；Yan等则研究将SMC应用到一种变后掠飞行器控制中，其中高度通道基于反馈线性化模型设计超螺旋滑模控制律，验证飞行器大尺度变形下的高精度跟踪控制问题。

考虑到HFV/HMFV的高动态特性，对于收敛时间等控制品质的要求更为严格，终端滑模这类有限时间控制方法得到研究推广。Sun等设计了快速终端滑模控制律缓解抖振问题，同时保证收敛时间的有限性，利用异质干扰观测器去估计扰动，该方案应用在输入受限的HFV纵向控制中；Yu等则针对执行机构效率下降，将其作为一类干扰考虑，设计一种带有固定时间观测器的有限时间多变量终端滑模容错控制框架；陈佳晔等则针对带有时变故障的飞行器，设计带有迭代学习观测器的自适应滑模有限时间收敛控制器，利用迭代学习观测器对时变故障进行在线实时估计，实现故障诊断与容错控制。

综上，当前SMC研究重点之一是对于滑模理论的优化，重点是新型滑模面的设计及基于新型滑模面的滑模控制律设计；其二是收敛性能优、估计误差小的干扰观测器设计；其三是针对滑模控制技术在飞行器参数摄动、外界扰动、执行故障等问题的应用。以姿态控制为例，考虑执行机构抗饱和情况，可用图5来表示基于滑模方法的控制框架。该方案主要包含滑模控制律、自适应律、估计器等。一般地,估计补偿方案和自适应方案选一即可满足控制性能需求。

图5 基于滑模方法的HFV/HMFV控制框图Fig.5 The control scheme for HFV/HMFV based on the sliding mode control method

3.2 基于反步法的控制技术进展

反步法作为一种回馈递推法，是一类系统化的高阶非线性控制方法，核心思想是将高阶非线性系统控制问题分解为多个不超过系统阶次的子系统，分别设计控制律，递归保证子系统逐步稳定，最后获得整个系统的Lyapunov稳定，实现指令跟踪。其不足之处在于每一步都需获得虚拟控制律的微分项，这种反复求导的形式带来“计算膨胀”的问题，针对这一问题的优化是反步法研究的热点之一。

文献[45]通过指令滤波器得到俯仰角的实际跟踪指令以及其一、二阶的微分信号，来解决“计算膨胀”问题；文献[46]针对攻角设计反步控制律，系统不确定项通过扩张状态观测器估计；文献[47]进一步关注工程中的航迹倾角难测量问题，用高度和速度测量值以及高阶微分器进行航迹倾角在线估计，基于反步法设计航迹倾角子系统控制器，引入辅助系统缓解执行机构饱和；文献[48]提出基于高阶跟踪微分器的减步控制方案，利用其对给定信号任意阶导数精确估计的能力，减少设计步骤；文献[49]把虚拟控制律设计中需要的导数作为不确定的一部分，设计自适应律应对含有未知上界的不确定性，避免了“计算膨胀”问题，实现速度和高度的精确跟踪；文献[50]则进一步考虑飞行器弹性模态，引入α滤波器，针对包含气动、弹性、外部干扰等在内的综合扰动进行估计补偿，并对α滤波器进行频域响应分析，与扩张状态观测器(ESO)进行比较，分析了两者优缺点。

由于反步法能够有效处理非线性系统固有特性，因此以反步思想为基础，和其他控制方法相结合的综合应用有效地提高了系统的鲁棒性能和自适应性能。文献[51]通过设计障碍Lyapunov函数，针对高度通道设计有限时间自适应反步控制律，进一步引入有限时间滤波器得到虚拟控制律的微分项；文献[52]基于反步法设计鲁棒自适应控制律，利用神经网络估计系统的综合不确定项，提升系统的鲁棒性能；文献[53]结合性能预设控制，设计了一种无需估计干扰的新型预设性能反步控制方法，保证了跟踪误差的包线约束，且不需要微分项，避免了“计算膨胀”问题；为进一步结合反步控制设计简单和滑模控制器鲁棒性能强的优点，文献[54]设计反步滑模控制律，同时采用神经网络进行扰动估计。

综上所述，反步法常融合其他控制方案进一步提升鲁棒性、自适应性。对于HMFV而言，可以将变形过程的气动系数、转动惯量等变化作为参数摄动，设计具有快速收敛的观测器估计综合扰动，引入到控制律中。一类基于反步法的HFV/HMFV纵向通道的控制框架，可以用图6表示，其中速度通道与高度通道非耦合，因而可独立设计，且设计方案多样，这里不再赘述。

图6 基于反步法的HFV/HMFV纵向模型控制框图Fig.6 The control scheme for HFV/HMFV longitudinal model based on the back-stepping control method

3.3 基于自抗扰思想的控制技术进展

自抗扰控制技术(Active disturbance rejection control, ADRC)是由韩京清在1989年提出的一种控制方法,突破了PID控制的“基于误差而消除误差”的理念，实现了“估计误差消除误差”，化“被动”抗扰动为“主动”抗干扰。因其易于工程实现、鲁棒性能强等优点，已在兵器、机械、航空航天等多个领域得到工程应用。近年来，呈现考虑单一干扰转向考虑多源干扰、单一抗干扰转向复合抗干扰的技术趋势发展，形成了以ADRC原理为核心，多种控制算法综合应用的形态。在解决HFV不确定性、系统耦合、系统故障等方面得到了广泛应用。以姿态控制为案例，基于ADRC的综合姿态控制框架如图7所示。扩张状态观测器(ESO)与控制器互相解耦，且有线性、非线性、有限时间收敛等多种方案。

图7 基于自抗扰方法的HFV/HMFV控制方案框图Fig.7 The control scheme for HFV/HMFV based on the ADRC method

文献[57]针对无动力再入过程中，HFV存在的强耦合等问题，分别设计内、外环ADRC控制器，这种方法无需精确的飞行器被控模型，对于摄动界限也无明确要求；文献[58]将反步法和扩张状态观测器相结合，提出自抗扰反步姿态控制器的结构，能够处理匹配不确定性；由于HFV再入飞行指令变化大，参数不确定性大、耦合严重，文献[59]将此类影响综合为复合干扰，采用ESO进行估计，进一步以“标称控制器+补偿控制器”的可扩展结构进行控制系统的设计；文献[60]采用LQR+ESO对系统内外干扰进行补偿，一方面大幅增强了系统的扰动抑制能力，另一方面线性控制器的设计方法有利于工程应用；文献[61]在ADRC框架下，设计预设性能函数，保证了系统的瞬态性能和稳态性能；文献[62]将各通道的带有非匹配干扰的综合扰动利用等价输入扰动技术，针对吸气式HFV纵向通道的高度、速度反馈线性化模型进行控制；文献[63]以ADRC为核心框架，设计一套有限时间扩张状态观测器，同时利用贪心算法优化三通道控制器参数，取得了良好的效果。

综上，由于ADRC不依赖于精确数学模型、可扩展性强等特点，在飞行器控制领域展现出旺盛的生命力，但是对于参数整定复杂、稳定性理论分析难度大、理论结果依赖于观测器带宽足够高等问题依然值得深入研究。

3.4 基于性能预设方法的控制技术进展

随着飞行器的任务朝着多样化、多约束等方向发展，对于其控制系统性能提出了更多要求，特别是体现飞行器瞬态性能和稳态性能的控制品质。顺其自然的想法就是如果能够将控制品质实现定性与定量设计，则在理论上就可保证控制系统满足期望的性能。因而，近年来能够满足这一需求的性能预设控制(Prescribed performance control, PPC)，得到了广泛关注。该方法核心思想是通过对系统状态(一般为系统误差)人为设计性能约束包线，通过性能约束函数的收敛特性来刻画受控系统的瞬态性能和稳态性能。一般地，PPC方法包含性能约束函数设计、约束空间转换、非线性控制器设计三个步骤。常见的性能预设函数有指数型和正切型，以及两者的衍生形式；对等映射转换环节是PPC设计的关键步骤，是实现性能约束空间到无约束空间对等转换必备环节；PPC方法对于控制器的设计没有具体要求，控制器设计具有任意性，常见的方式有反步控制器，滑模控制器等形式。

文献[65]针对弹性HFV的纵向通道设计指数型性能预设函数，并设计正切型误差转换函数，高度通道综合采用反步法和性能预设方法，同时引入RBF神经网络逼近模型的不确定性，该方法能够保证跟踪误差满足设定动态包线约束；为解决预设控制对于初始误差需要已知的局限，文献[66]研究了一种适应误差初值未知的性能预设控制方法，利用神经网络反演控制和最小参数方法，针对纵向模型子系统设计性能预设控制器；文献[67]研究飞行器再入段姿态大范围变化跟踪控制问题，考虑执行机构饱和、大不确定性、外界扰动等问题，引入有限时间性能函数，设计状态反馈控制器，同时引入高增益扩张状态观测器估计扰动，验证该方法在指令快速变化，执行机构受约束下的性能预设控制；文献[68]则考虑执行机构突发故障问题，在对存在执行故障的建模基础上，利用神经网络估计故障大小，设计基于有限时间衰减预设性能函数，设计收敛时间固定的性能预设控制器，仿真表明指令跟踪效果更优、收敛时间更快。

综述，PPC能够满足工程应用中对于瞬态收敛性能和稳态精度的实际需要，得到了广泛的关注和研究。理论上呈现由静态向动态、指数收敛向有限时间收敛、时间驱动向事件驱动等方向发展。但是，该方法在保证控制性能的同时，会对控制输入提出较高要求，这就导致容易出现输入饱和的问题，也是在应用此方法时需要关注的关键点之一。以飞行器姿态控制为例，本文给出一种考虑输入饱和的PPC方法的一般性控制方案框架，如图8所示。

图8 基于PPC方法的HFV/HMFV控制框图Fig.8 The control scheme for HFV/HMFV based on the PPC method

3.5 基于智能方法的控制技术进展

智能控制是自动控制方法发展的最新阶段，其基于自动控制、人工智能和运筹学相关方法，设计具有学习、抽象、推理、决策等能力的智能体，并根据其所在环境做出自适应动作以完成相关任务。随着人工智能技术的飞速发展，使得智能控制在HFV这类复杂系统中的应用更具前景和潜力。主要表现在三个方面，一是基于模糊理论和神经网络的智能控制器设计，如T-S模糊控制器，神经网络监督控制器等；二是基于现代控制理论和智能技术结合的智能控制方法，如神经网络自适应控制、神经网络预测控制等；三是将人工智能领域最新成果引入飞行器的控制律设计中，如基于机器学习的飞行控制、预测模型学习控制以及学习如何从数据中重建无法测量状态量。

文献[70]利用模糊系统估计参数不确定和未建模动态，提出了一种自适应模糊控制器，以保证系统在该情况下的稳定性；针对时变扰动问题，文献[71]基于数据的在线学习和非线性干扰观测器，获得对未知动力学和时变扰动更好的“认知”；文献[72]基于强化学习中的AC(Actor-Critic)框架，引入两个RBF神经网络对HFV控制系统的总扰动进行估计，后基于反步法引入障碍Lyapunov函数设计了飞行器的高度通道控制器；文献[73]则将滑模控制和迭代学习结合，设计一种基于滑模控制的新型迭代学习控制系统，在系统鲁棒性能、收敛性能等方面上都有提升；文献[74]利用神经网络在线拟合不确定性以提供给Critic网络相应的模型信息，利用AC框架在线训练智能体以完成飞行器的在线自适应控制，其Actor网络和Critic网络在线训练前基于飞行器的线性模型进行了离线的预训练，在线训练仅进行网络参数微调，可大幅减少在线计算资源占耗。

为了最终实现相关智能控制方法在高超声速飞行器上的工程应用，一是需要提高智能体的鲁棒性和泛化能力，二是需要通过在线学习手段以适应不同飞行环境和任务。而当下人工智能技术中的监督学习、深度强化学习、增量学习及元学习等技术恰恰是对应该问题的备选途径。强化学习是一类基于数据实现端到端飞行控制的手段，无需对模型进行解耦以及线性化等操作。通过前期采用强化学习算法对高超声速飞行器姿态控制仿真的研究发现，在强化学习训练的智能体控制下，飞行器能较好完成大偏差、快时变扰动下的姿态控制任务。元学习是一类新兴的机器学习算法，该类算法的部分框架比较宽泛，可以同时应用在监督学习和强化学习中。相比于增量学习，元学习更关注在学习越来越多的任务时提高效率，其过程主要可以分为内环和外环两个部分：内环为基于优化、记忆的快速学习适应过程，外环为利用内环的样本来优化目标，最终使智能体学会学习的元学习部分。结合团队以低成本可重复使用飞行器为验证平台的相关研究以及对未来智能控制走向的理解和认知，图9给出一种基于先进机器学习的智能控制方案框架。

图9 一种基于智能控制方法的HFV/HMFV方案框图Fig.9 A control scheme for HFV/HMFV based on the intelligent control method

该框架分为离线和在线两部分，离线部分充分利用飞行器的历史飞行数据和模拟飞行数据训练智能体和元学习器，在线部分则通过当前飞行数据对智能体进行优化以适应新的飞行任务。离线训练部分即在计算机上搭建飞行器模型，根据飞行任务设计对应的马尔科夫决策过程模型，基于强化学习算法训练智能体完成在模拟器中的飞行控制。搭建的模拟器包括飞行器的多通道非线性动力学模型以及相应的飞行任务，基于强化学习方法使智能体与环境交互(观察环境状态，执行控制动作得到立即奖励)从而使在任务目标下的累计回报最大化。在训练时可以注入参数不确定性以及环境干扰以增大信息池的信息量，增加智能体的探究范围，从而增强智能体的鲁棒性。在实际训练过程中，对于搭建的动力学模型可以进行一定的简化，通过降低最忧性要求提高智能体的泛化能力。但针对变任务情况，如气动大范围变化下的HFV的跨域飞行任务，定参数的智能体可能无法适应，这时则需要基于元学习方法通过历史数据和模拟数据训练元学习器以使智能体适应在线控制中的多任务场景。

在线学习过程与离线训练不同，由于HFV的飞行速度快、不确定性强等特点，基于大数据的学习方法不再适用，只能进行小样本学习。本框架中是元学习器快速学习状态转移模型后通过基于模型的强化学习提升智能体控制性能的模式。元学习器通过实际飞行数据得到当前任务下的最优环境转移模型参数，基于该状态转移模型，利用基于模型强化学习思想中的策略提升方法微调智能体参数，从而达到智能体快速适应新任务的目的。

综上所述，本文分析的几类非线性控制方案具备不同的优缺点,如表2所示。对于不同的对象应该综合各类方案的优点，灵活运用不同方案。

表2 文中综述的几类控制方法比较Table 2 Comparison of of the above-mentioned control methods

4 HFV及其控制技术思考与展望

基于上述文献的总结与分析,近年来HFV的发展由外形固定向可自适应变构型方向发展、固定速域飞行向全速域飞行方向发展、任务预设定向任务自主规划方向发展。

HFV的发展呈现出自身结构复杂化、飞行任务多样化、控制能力精细化、控制需求智能化等特点，进而对控制系统能力提出了新挑战，可以归纳为以下几点：

1) 分段控制转向全速域控制。自适应变外形技术的发展，将有效突破HFV外形与气动需求的矛盾，飞行包线将进一步扩大，而当前的分段切换控制方案存在频繁切换导致系统抖动的问题，因此有必要研究满足全速度、大包线飞行控制需求下的智能自适应控制方案。

2) 传统控制转向精细化控制。HMFV变形带来的质心变化、转动惯量变化以及建模难等问题更为突出。因而，上述总结的基于多种非线性控制和扰动观测器、状态观测器、神经网络等综合精细化控制方案，是飞行器控制的重要研究方向之一。

3) 变形决策与协调控制一体化。针对HMFV变形决策，既要考虑到变形带来的气动性能、机动能力的提升，同时需要考虑变形带来的扰动边界，达到预设目标最优。

4) 故障可容忍转向控制可重构。对于非致命故障，HFV仍然具备一定自主任务完成能力，则需要HFV具备故障检测、诊断的能力，对故障部件进行重构，或对控制参数进行自适应调整。

5) 离线学习控制转向“边飞边学”的在线学习控制。离线训练得到的结果泛化能力有限，针对具有变任务能力的飞行器控制来说，大包线下跨域飞行任务，定参数智能体无法适应。可以通过优化强化学习方法增强智能体泛化能力及研究“离线训练+小样本在线学习”的控制方案。

5 结 论

本文对HFV/HMFV飞行器模型、控制需求、以及近几年重点研究的控制方案的发展进行了总结与讨论。首先归纳了包含HMFV在内的多种常见模型；其次结合模型特性、任务特点阐述了此类飞控系统设计需要考虑的重点和难点；再者结合6点控制需求和典型控制方案，给出各类控制方案的一般性框架；最后思考并展望了飞行器未来所需的能力及飞控系统设计思路的发展趋势。

鉴于HFV/HMFV的强非线性、强耦合、大不确定性等特点，本文认为将基于特征的建模、人工智能技术及现代控制理论的结合应用有助于解决此类飞行器的控制难题，进一步提升飞行器控制性能。其次，为了强化HMFV的任务实现能力和提升HMFV的任务灵活性，需要深入分析变构型带来的“收益”和“损失”，采用基于智能技术的决策/控制一体化思路，获得“综合效益”最优的变形与控制方案。最后，智能技术在此类飞行器控制领域的应用需要继续关注其可解释性、可信性、可控性等方面的问题，为工程应用提供理论指导与安全保障。