摘要
对于可变形滑翔再入飞行器而言，轨迹规划是一个由非线性、参数不确定性以及多重约束所驱动的非凸优化问题。禁飞区是一个关键的约束因素，因为其快速移动和扩张会阻碍最优飞行轨迹及机翼变形策略的实时生成。因此，本研究提出了一种创新的在线轨迹优化方法，该方法结合了序列凸优化与深度神经网络。该算法首先利用Radau伪谱法对连续动力学进行离散化，将非凸轨迹规划问题转化为一个简化的凸子问题。通过线性化处理，该子问题被重新构建为增广拉格朗日函数，随后利用内点法对其进行迭代求解。最后，深度神经网络负责学习飞行状态与最优控制变量（攻角变化率、侧倾角变化率以及机翼后掠角变化率）之间的映射关系，从而快速生成控制变量。与耗时的离线优化方法不同，该模型仅需0.4毫秒即可预测三组控制变量，且预测得到的控制误差低于2.25%。该方法能够为滑翔再入飞行器提供高精度且稳定的再入轨迹及变形策略。由此，该算法实现了飞行路径与机翼变形的同步优化，并在任务条件不断变化的情况下仍具备较强的稳定性。
