Many-vs-Many Missile Guidance via Virtual Targets

📄 arXiv: 2511.02526v1 📥 PDF

作者: Marc Schneider, Walter Fichter

分类: eess.SY, cs.LG, cs.RO

发布日期: 2025-11-04

备注: will be submitted to Journal of Guidance, Control, and Dynamics as Technical Note

💡 一句话要点

提出基于虚拟目标的导弹制导方法，解决多对多导弹拦截问题。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 导弹制导 多目标拦截 虚拟目标 归一化流 轨迹预测 武器目标分配 多智能体协同

📋 核心要点

  1. 传统武器目标分配算法难以有效应对复杂的多对多导弹拦截场景，尤其是在目标机动性强的情况下。
  2. 该方法通过预测目标轨迹分布，生成虚拟目标，引导拦截器攻击这些虚拟目标，从而将问题转化为多对分布的拦截。
  3. 实验结果表明，该方法在拦截概率上优于直线预测基线，尤其是在拦截器数量大于目标数量时，提升显著。

📝 摘要（中文）

本文提出了一种新的多对多导弹制导方法，该方法利用基于归一化流的轨迹预测器生成的虚拟目标（VT）。与传统的武器目标分配算法直接将n个拦截器分配给m个物理目标不同，我们提出了一种集中式策略，该策略构建n个VT轨迹，代表机动目标行为的概率预测。每个拦截器在中段飞行时使用零努力脱靶制导向其分配的VT飞行，并在末端拦截时过渡到比例导引。这种方法将多对多交战视为多对分布的场景，通过将拦截器分配到不同的轨迹假设上，而不是追求相同的确定性预测，从而利用数量优势（n > m）。在各种目标-拦截器配置（1-6个目标，1-8个拦截器）上的蒙特卡罗模拟表明，当n = m时，VT方法与基线直线预测性能相匹配或超出0-4.1%，当n > m时，性能提升增加到5.8-14.4%。结果证实，概率VT能够有效利用数量优势，显著提高多对多场景中的拦截概率。

🔬 方法详解

问题定义：论文旨在解决多对多导弹拦截场景下的制导问题。现有方法，如直接将拦截器分配给物理目标，在目标具有高机动性时表现不佳，且难以有效利用拦截器的数量优势。传统的武器目标分配算法通常基于确定性预测，无法充分考虑目标行为的不确定性。

核心思路：核心思路是将多对多拦截问题转化为多对分布的拦截问题。通过预测目标可能的轨迹分布，生成多个虚拟目标（VT），并将拦截器分配到这些VT上。每个VT代表目标未来可能出现的位置，拦截器攻击VT相当于攻击目标轨迹分布的一个样本。这种方法能够更好地利用拦截器的数量优势，并适应目标行为的不确定性。

技术框架：该方法包含以下主要阶段：1) 使用基于归一化流的轨迹预测器预测目标轨迹分布；2) 从轨迹分布中采样生成多个虚拟目标（VT）；3) 将拦截器分配到VT；4) 拦截器使用零努力脱靶制导（Zero-Effort-Miss guidance）进行中段飞行，并过渡到比例导引（Proportional Navigation guidance）进行末端拦截。整体架构是一个集中式的控制策略，所有拦截器的行为都由中央控制器统一协调。

关键创新：最重要的技术创新点在于使用虚拟目标来表示目标轨迹的概率分布，从而将多对多拦截问题转化为多对分布的拦截问题。与传统的确定性目标分配方法不同，该方法能够更好地适应目标行为的不确定性，并有效利用拦截器的数量优势。归一化流的使用使得能够生成更准确和多样的轨迹预测。

关键设计：轨迹预测器基于归一化流（Normalizing Flows），用于学习目标轨迹的概率分布。拦截器分配策略需要根据VT的分布和拦截器的数量进行优化，以最大化拦截概率。中段飞行采用零努力脱靶制导，末端拦截采用比例导引。具体的损失函数和网络结构细节未在摘要中详细说明，属于未知信息。

📊 实验亮点

蒙特卡罗模拟结果表明，当拦截器数量等于目标数量（n = m）时，VT方法与基线直线预测性能相匹配或超出0-4.1%。更重要的是，当拦截器数量大于目标数量（n > m）时，性能提升显著增加到5.8-14.4%。这些结果验证了该方法能够有效利用数量优势，显著提高多对多场景中的拦截概率。

🎯 应用场景

该研究成果可应用于军事防御系统，提高多目标拦截能力，尤其是在面对高机动性目标和数量优势的敌方导弹时。此外，该方法也可扩展到其他多智能体协同控制领域，例如无人机集群防御、机器人协同任务等，具有重要的实际应用价值和潜在的军事战略意义。

📄 摘要（原文）

This paper presents a novel approach to many-vs-many missile guidance using virtual targets (VTs) generated by a Normalizing Flows-based trajectory predictor. Rather than assigning n interceptors directly to m physical targets through conventional weapon target assignment algorithms, we propose a centralized strategy that constructs n VT trajectories representing probabilistic predictions of maneuvering target behavior. Each interceptor is guided toward its assigned VT using Zero-Effort-Miss guidance during midcourse flight, transitioning to Proportional Navigation guidance for terminal interception. This approach treats many-vs-many engagements as many-vs-distribution scenarios, exploiting numerical superiority (n > m) by distributing interceptors across diverse trajectory hypotheses rather than pursuing identical deterministic predictions. Monte Carlo simulations across various target-interceptor configurations (1-6 targets, 1-8 interceptors) demonstrate that the VT method matches or exceeds baseline straight-line prediction performance by 0-4.1% when n = m, with improvements increasing to 5.8-14.4% when n > m. The results confirm that probabilistic VTs enable effective exploitation of numerical superiority, significantly increasing interception probability in many-vs-many scenarios.