4、轨迹优化问题描述：性能指标、约束条件与问题分类
飞行器轨迹优化问题的数学本质，是在满足动力学方程、边界条件与各类物理/工程约束的前提下，寻找使某一性能指标达到最优的控制变量时间历程及其对应的状态轨迹。工程实践中，无论是运载火箭的上升段入轨、再入飞行器的热流约束下滑翔，还是无人机的能量最优路径规划，其核心都可以抽象为“给定目标函数 + 约束集 + 动力学模型”的最优控制问题。本章将系统梳理性能指标的数学表达、约束条件的分类体系以及轨迹优化问题的工程分类方法，为后续章节的数值求解算法奠定问题描述基础。
4.1 性能指标的数学表达与工程选择
性能指标（又称目标函数、代价函数）是轨迹优化问题的“指挥棒”，其数学形式决定了最优解的性质。在最优控制理论中，性能指标一般写成Bolza形式：
J = Φ(x(t_f), t_f) + ∫_{t_0}^{t_f} L(x(t), u(t), t) dt其中，Φ为终端代价（Mayer项），衡量终端状态偏差或终端时间；L为过程代价（Lagrange项），积分表征整个飞行过程中的累积消耗。工程中常见的性能指标包括：
- 燃料最优：
J = ∫ ṁ_fuel dt，直接最小化推进剂消耗，适用于运载火箭入轨、卫星变轨等场景。由于燃料流量通常与推力大小成正比，该指标等价于最小化推力积分。 - 时间最优：
J = t_f - t_0，适用于拦截弹、时间敏感型任务。时间最优问题往往导致“bang-bang”控制（推力在最大/最小之间切换）。 - 过载/热流峰值最小：
J = max ||n(t)||或J = max Q̇(t)，属于极小极大问题，通常转化为引入辅助变量的等价形式求解，用于再入飞行器结构安全保护。 - 终端精度最优：
J = ||x(t_f) - x_target||²，用于制导律设计，常与燃料项加权组合成多目标指标。
工程实践中，性能指标往往需要加权组合。例如，运载火箭上升段常采用J = w₁·m_fuel + w₂·||x(t_f)-x_target||²的形式，权重系数w₁、w₂通过折中曲线（Pareto前沿）确定。需要特别注意的是，性能指标的量纲差异会导致数值病态，建议在建模时对所有状态和控制量做归一化处理。
4.2 约束条件的分类体系与建模要点
约束条件将轨迹优化从“无约束极值”推向“约束极值”，是工程问题中最具挑战性的部分。按数学性质可分为等式约束与不等式约束；按物理来源可分为以下四类：
| 约束类型 | 数学形式 | 典型工程来源 | 处理难点 |
|---|---|---|---|
| 动力学方程约束 | ẋ = f(x, u, t) | 牛顿第二定律、刚体转动方程 | 高维、强非线性、刚性问题 |
| 路径约束 | g(x, u, t) ≤ 0 | 热流密度、动压、过载、动压-攻角边界 | 约束激活段未知，需检测切换点 |
| 边界约束 | φ(x(t₀), t₀, x(t_f), t_f) = 0 | 初始位置/速度、终端轨道根数、交会条件 | 终端时间自由时需增加横截条件 |
| 控制约束 | u_min ≤ u ≤ u_max | 推力幅值、舵面偏角、攻角限制 | 饱和非线性、bang-bang切换 |
路径约束是轨迹优化区别于一般最优控制问题的关键特征。以高超声速再入为例，典型路径约束包括：
Q̇ = k_Q · ρ^0.5 · V^3.15 ≤ Q̇_max （热流约束）
q = 0.5 · ρ · V² ≤ q_max （动压约束）
n = sqrt(L² + D²)/(m·g₀) ≤ n_max （过载约束）这些约束均为状态的非线性函数，且存在“约束边界上飞行”的最优弧段。处理路径约束的常用方法包括：罚函数法（将约束惩罚项加入目标函数）、直接配点法（在离散节点上强制满足约束）、以及约束变换法（通过引入新状态变量将不等式约束转化为等式约束）。
4.3 轨迹优化问题的工程分类框架
从工程求解角度，轨迹优化问题可按以下维度分类，不同类别对应不同的数值算法选择：
- 按终端时间是否固定：固定终端时间（如交会对接的定时到达）与自由终端时间（如燃料最优上升段）。自由终端时间问题需将时间作为优化变量，或通过时间尺度变换处理。
- 按是否存在路径约束：无路径约束问题（可解析求解或简单打靶）与有路径约束问题（需主动集法或约束检测）。
- 按动力学线性程度：线性系统（可用LQR、凸优化高效求解）与非线性系统（需迭代求解，对初值敏感）。
- 按飞行阶段数量：单段问题（如单级火箭）与多段问题（如多级火箭、级间分离、再入-着陆多阶段）。多段问题需引入连接条件，增加求解复杂度。
- 按不确定性是否考虑：确定性最优控制与鲁棒/随机最优控制（考虑气动参数摄动、风场扰动等）。
工程实践中，一个完整的轨迹优化任务往往同时属于多个类别。例如，可重复使用运载火箭的返回段轨迹优化，属于“自由终端时间 + 强路径约束 + 强非线性 + 多阶段”问题，需要采用直接法中的多段配点法，并辅以良好的初值猜测策略。
4.4 案例拆解：高超声速再入轨迹优化的约束建模
以某高超声速滑翔飞行器再入段为例，说明约束条件如何具体落地。飞行器质量m=1000kg，参考面积S=0.5m²，初始高度h₀=80km，速度V₀=6800m/s，飞行路径角γ₀=-1°。要求终端高度h_f=30km，速度V_f=2000m/s，飞行路径角γ_f=0°。工程约束为：热流峰值Q̇_max=800kW/m²，动压q_max=60kPa，过载n_max=3g，攻角限制|α|≤20°。
建模过程：首先建立无量纲化动力学方程（以地球半径R₀和重力加速度g₀为基准），将高度、速度、时间归一化。然后，将热流、动压、过载约束写成状态变量的显式函数。由于热流约束在初始高速段最易激活，动压约束在中段最易激活，过载约束在末端拉平段最易激活，因此需要分段检测约束激活情况。
求解策略：采用直接配点法，将时间域离散为80个区间，每个区间内用三次Hermite插值逼近状态，控制量（攻角）用分段线性插值。将路径约束在每个配点处强制满足，形成大规模稀疏非线性规划问题（NLP），使用IPOPT求解器配合MA57线性求解器。初值猜测采用“平衡滑翔条件”解析解，即假设飞行器始终处于拟平衡滑翔状态（γ≈0），可快速获得可行初值。
结果对比：无约束情况下，最优轨迹的最大热流达到1200kW/m²，远超限制；加入路径约束后，轨迹自动“抬高”以降低热流，但代价是飞行时间增加约15%，终端速度偏差从0.5m/s增大到3m/s。通过调整终端权重，最终在满足所有约束的前提下，将终端速度偏差控制在1m/s以内。
4.5 常见误区与总结复盘
在轨迹优化问题描述阶段，工程师常犯以下错误，需特别警惕：
- 误区一：约束条件遗漏或过度约束。遗漏关键路径约束（如热流）会导致“最优解”在物理上不可实现；而过度约束（如同时限制攻角和攻角变化率且范围过窄）可能导致可行域为空。建议先做约束可行性分析，逐步增加约束。
- 误区二：性能指标与约束的冲突未识别。例如，燃料最优指标倾向于“低轨道、快入轨”，但热流约束可能迫使轨迹“高飞慢热”，两者存在根本矛盾。此时需通过Pareto分析明确权衡关系。
- 误区三：量纲和归一化处理不当。状态量（高度10⁵m量级、速度10³m/s量级）与控制量（攻角0.1rad量级）数值差异巨大，若不归一化，Hessian矩阵条件数可达10¹⁰以上，导致求解器收敛失败。
- 误区四：忽略约束的“激活顺序”。多路径约束问题中，不同约束在不同飞行段激活，若未正确检测切换点，数值解会出现抖动。建议使用“约束活动集检测”技术，在每次迭代后检查哪些约束处于边界。
总结复盘：轨迹优化问题描述是整个求解流程的“地基”。一个清晰、完整、数值友好的问题描述，能显著降低后续求解难度。核心要点可归纳为：①性能指标需结合工程需求选择并做无量纲化；②约束分类要清晰，路径约束需特别关注激活段检测；③问题分类决定算法选型，多阶段、强约束问题优先考虑直接配点法；④初值猜测是工程求解成败的关键，应充分利用物理直觉或简化模型生成可行初值。建议在正式求解前，先建立“最小可行模型”（忽略次要约束），验证算法流程后再逐步增加约束复杂度。