基于EKF的航天器追逃博弈自适应控制策略

1. 项目概述

在航天器末端追逃博弈中，信息不对称是影响拦截效果的关键因素。传统方法假设双方完全掌握对方控制参数，但实际场景中逃逸方往往会隐藏或改变其机动特性。本文实现了一种基于扩展卡尔曼滤波(EKF)的自适应博弈策略，通过实时估计逃逸航天器的未知控制参数，动态调整追踪策略，最终实现有效拦截。

提示：本文代码实现基于Matlab R2021b开发，需要安装Control System Toolbox和Optimization Toolbox。

2. 理论基础与模型构建

2.1 航天器相对运动动力学

采用Clohessy-Wiltshire(C-W)方程描述近地轨道航天器的相对运动：

matlab复制Omega = 0.001; % 轨道角速度(rad/s)
A = [zeros(3,3) eye(3);
     3*Omega^2 0 0 0 2*Omega 0;
     0 0 0 -2*Omega 0 0;
     0 0 -Omega^2 0 0 0];
B = [zeros(3,3); eye(3)]; % 控制输入矩阵

该模型将三维相对运动分解为径向(x)、迹向(y)和法向(z)三个方向，考虑了轨道力学中的科里奥利效应和离心力效应。

2.2 微分博弈框架

构建零和微分博弈模型：

• 追踪方目标：最小化拦截时间和终端距离
• 逃逸方目标：最大化终端距离
• 代价函数：J = ∫(x'Qx + u'Ru - v'Sv)dt + x(T)'Q_Tx(T)

其中Q、R、S为权重矩阵，通过求解耦合的Riccati方程得到纳什均衡策略。

2.3 Epsilon纳什均衡

当存在参数估计误差时，定义Epsilon纳什均衡条件：

code复制|J(u*,v*) - J(u^*,v^*)| ≤ ε

其中ε为预设阈值，u和v为理想策略，u^*和v^*为实际策略。

3. 基于EKF的参数估计实现

3.1 状态空间扩展

将逃逸方的未知控制参数r_E扩展为系统状态：

matlab复制X_hat = [X; r_E]; % 扩展状态向量
F = @(x) [A*x(1:6) + B*[0;0;x(7)]; 0]; % 非线性状态方程
H = [eye(6) zeros(6,