面向随机引导估计延迟的全面方法

在现实的追逃场景中，突发目标机动产生不可避免的增强不确定性时段，导致估计延迟。此类延迟可能使拦截性能恶化到导致失误的地步。现有的延迟信息引导法则未能提供完整的补救方案，因为它们通常假设延迟为恒定且已知。此外，在实际操作中，它们由过滤估计驱动，与这些法则的根本假设相矛盾。我们提出一种全面的跟踪和拦截策略，显式地考虑时间可变的估计延迟。我们首先设计一种包含两个时间可变延迟的引导法则，从而推广了以往的确定性公式。该法则由基于粒子的固定滞后 smoother 提供其适当的延迟状态估计。此外，利用目标机动的半马尔可夫建模，延迟在实时内估计，从而在参与期间实现引导输入的自适应调整。最终的框架始终将估计、延迟建模和引导结合在一起。通过大量蒙特卡罗研究，展示了其有效性以及相对于现有延迟信息引导法则的优越鲁棒性。