【雷达信号处理——导引】比例导引法：从制导黑盒到三维向量空间的逐层拆解

副标题：当我们把导弹制导回路看成一台"时序反馈网络"，比例导引律究竟在学什么？

解读来源：N.A. 施耐德《导弹导引和追踪——运动学、动力学和控制》第 5 章

---

开场：我们先看看黑盒外面发生了什么

想象你手里有一枚导弹，它要追踪一架匀速飞行的目标。你没有给它一张三维地图，也没有让它解算复杂的轨道优化，你只给了它一条极其简单的规则：

“你的航向转动速率，要正比于目标视线转动的速率。”

就这么一句话，构成了现代制导理论的基石——比例导引法（Proportional Navigation, PN）。美国海军在 1945 年就已经在使用这个名称，而它的数学本质直到今天仍在所有主流空空、面空导弹中运行。

听起来太简单了对吧？一个比例系数 N，乘上一个视线角速率 λ̇，就得到了导弹的转向指令。别急，当我们像拆解神经网络一样层层剥开这个"比例"关系，你会发现里面藏着一整座微分方程的迷宫，还有**真比例（TPN）与纯比例（PPN）**两条截然不同的几何路径。我们今天就用读论文的方式，把这本经典教材的第 5 章拆成一张认知地图。

---

第一步：宏观视角——制导回路长什么样？

在继续之前，我们先解决第一个认知疑点：比例导引法在整枚导弹里到底坐在哪个位置？

如果画成图会是什么样子？想象一个标准的反馈控制回路——目标在动，导弹也在动，两者之间有一根虚拟的"视线"（Line of Sight, LOS）连接。导引头测量这根视线的转动快慢，制导计算机把这个转动速率乘以一个增益 N，输出给舵机，舵机让导弹转弯，转弯后又改变了视线的几何关系……循环往复，直到碰撞。

这张图就是教材中的图 5.1 和图 5.2 的抽象。注意这个结构和全连接层 y = σ(Wx + b) 的相似性：

• 输入 x：视线角速率 λ̇（目标相对于导弹的"运动特征"）
• 权重 W：导引系数 N（一个需要精心设计的超参数，像学习率）
• 输出 y：导弹的航向速率指令 γ̇_Mc（或直接是横向加速度 a_Mc）
• 反馈回路：导弹的运动反过来改变 λ̇，形成闭环

所以 PN 本质上不是一个"开环预测模型"，而是一个带反馈的动态控制系统。这和 RNN 处理时序信号的方式异曲同工：每一步的隐藏状态（这里对应导弹的航向）都由当前输入（视线转动）和上一时刻状态共同决定。

---

第二步：中观视角——"比例"二字到底比例了什么？

现在我们已经了解了制导回路的全貌。接下来要解决的认知疑点是：为什么叫"比例"导引？这个比例关系到底建立在谁和谁之间？

教材在 5.1 节给出了平面情况下的核心公式：

γ̇<sub>Mc</sub> = N λ̇            (5.1)
a<sub>Mc</sub> = k λ̇              (5.2)
k = N v<sub>M</sub>                (由 a<sub>M</sub> = v<sub>M</sub> γ̇<sub>M</sub> 导出)

用大白话说：导弹的航向角转动速率 γ̇_M，与目标视线角转动速率 λ̇，两者之间保持一个固定比例 N。N 就是"导引系数"，通常取 3~5。

但这里有个直觉陷阱。你可能会想：“如果目标视线转得快，导弹就转得快，这不就是追着目标屁股跑吗？” 没错，当 N = 1 时，它确实退化成了纯追踪法（Pure Pursuit）——导弹始终对准目标的瞬时位置，轨迹会非常弯曲，末端需要极大的过载。

那如果 N 很大呢？教材 5.3.1 节说，当 N → ∞ 时，制导回路中的 λ̇ 被强制压到接近零，导弹几乎直线飞向一个碰撞点，这就是平行导引（Parallel Navigation）。此时视线几乎不转动，就像两条平行线最终相交于无穷远——当然实际上是在碰撞点交汇。

如果画成图会是什么样子？想象导弹的轨迹是一根橡皮筋，N 就是橡皮筋的硬度：

教材图 5.3 给出了静止目标情况下不同 N 值的轨迹。注意那个特殊的 N = 2：此时式 (5.7) 描述的是一个圆，而且式 (5.8) 的横向加速度 a_M 恰好是一个与距离无关的常数。这就像深度学习里某个损失函数的"拐点"——在这个超参数下，系统的动力学特性发生了质变。

---

第三步：微观视角——平面运动学的向量级计算

现在我们已经了解了 N 的物理意义。接下来要解决的认知疑点是：如果导弹和目标都在一个平面上，这些"转动速率"到底怎么从位置向量算出来？

别急，我们先看一个 toy example。假设目标静止不动，导弹以恒定速度 v_M 飞向它。教材 5.3.2 节给出了平面运动学方程组 (5.6)：

ṙ = -v<sub>M</sub> cos δ
r λ̇ = -v<sub>M</sub> sin δ
γ̇<sub>M</sub> = λ̇ + δ̇

这里 r 是弹目距离，δ 是导弹速度矢量与视线的夹角（称为"前置角"），γ_M 是导弹的航向角。这三个方程就像 RNN 的状态转移方程：

• 第一个方程说：距离在缩短，缩短的速度取决于导弹速度在视线方向的分量。
• 第二个方程说：视线在转动，转动的快慢取决于导弹速度在视线垂直方向的分量（再除以距离 r）。
• 第三个方程是几何关系：导弹航向的变化 = 视线转动 + 前置角变化。

现在把 PN 的导引律 γ̇_M = N λ̇ 代入第三个方程，立刻得到：

δ̇ = (N - 1) λ̇

这是一个极其简洁的结果：前置角 δ 的变化率与视线转动率成正比，比例系数是 (N-1)。当 N = 1 时，δ̇ = 0，前置角不变——这就是纯追踪。当 N > 1 时，导弹在转弯的同时不断"提前量"在增大。

教材进一步给出了静止目标下的闭式解 (5.7) 和 (5.8)：

r/r<sub>0</sub> = [ sin(δ<sub>0</sub> + (N-1)λ) / sin δ<sub>0</sub> ]<sup>1/(N-1)</sup>
a<sub>M</sub> = [N v<sub>M</sub>² sin δ<sub>0</sub> / r<sub>0</sub>] (r/r<sub>0</sub>)<sup>N-2</sup>

注意式 (5.8) 中那个 (r/r₀)^(N-2)。当导弹接近目标（r → 0）时：

• 如果 N > 2，a_M → 0（越来越轻松）
• 如果 N < 2，a_M → ∞（需要无限大的过载，物理上不可能）
• 如果 N = 2，a_M = 2v_M²/r₀ sin δ₀ = 常数（完美！）

这就是教材强调的：N = 2 是一个动力学临界点。在这个点上，导弹不需要在末端疯狂拉过载，就像训练神经网络时找到了一个刚好收敛的学习率。

---

第四步：中观视角——TPN 与 PPN 的分岔

现在我们已经了解了平面 PN 的标量形式。接下来要解决的认知疑点是：为什么教材突然冒出两个版本——真比例导引（TPN）和纯比例导引（PPN）？它们到底在争什么？

这是整章最精彩的分岔路口。我们先看定义：

纯比例导引（PPN）——式 (5.3)：

a<sub>Mc</sub> = N w × v<sub>M</sub>

加速度垂直于导弹自身的速度矢量 v_M。w 是视线角速度向量。这就像 RNN 里的"自回归门"：导弹根据自己的运动状态来决定转向。

真比例导引（TPN）——式 (5.4) / (5.13)：

a<sub>Mc</sub> = k w × l<sub>r</sub>   （三维推广后为式 5.38: a<sub>Mc</sub> = -(k/r) v<sub>C⊥</sub>）

加速度垂直于视线方向 r（l_r 是视线单位向量）。这就像"注意力机制"：导弹始终关注视线方向的法平面，根据目标偏离视线的快慢来施加加速度。

如果画成图会是什么样子？教材图 5.5 给出了几何关系：

在平面情况下，TPN 的 Γ = 0，PPN 的 Γ = δ（因为 PPN 的加速度沿 v_M 法线，而 v_M 与 r 的夹角是 δ）。教材式 (5.24) 给出了统一的有效导引常数：

N' ≜ k cos Γ / v<sub>C</sub> = N v<sub>M</sub> cos Γ / v<sub>C</sub>

对 TPN，Γ = 0，所以 N’ = N v_M / v_C。对 PPN，Γ = δ，所以 N’ = N v_M cos δ / v_C。

关键洞察来了：PPN 的有效增益会随着前置角 δ 变化而衰减（乘以 cos δ）。当导弹航向接近视线方向时（δ → 0），PPN 和 TPN 几乎一样；但当 δ 很大时，PPN 的实际"控制力"会打折。这就像神经网络里的梯度消失——信号经过一层非对齐的变换后衰减了。

教材 5.5.3 节比较了两者：

• TPN 分析起来更简洁，有漂亮的闭式解（像 ReLU 的简洁求导）。
• PPN 的攻击区更大，对初始条件不敏感（鲁棒性更好，像 Dropout）。
• TPN 的控制需求（速度增量积分）更高，尤其在 N 较小时。

---

第五步：微观视角——三维空间的向量级实现

现在我们已经了解了 TPN 和 PPN 的几何分岔。接下来要解决的认知疑点是：如果把战场从二维平面扩展到三维空间，这些标量公式怎么变成向量运算？

这是从 toy example 到真实规模的跳跃。教材 5.6 节给出了三维向量形式的 PN 家族。

第一步，定义视线角速度向量 w（式 5.36）：

w = (r × ṙ) / r² = [r × (v<sub>T</sub> - v<sub>M</sub>)] / r² = [r × (-v<sub>C</sub>)] / r²

这里 r 是弹目相对位置向量，v_C = v_M - v_T 是接近速度向量。这个 w 描述了视线在三维空间中绕轴转动的快慢和方向。如果你熟悉刚体转动，这就是瞬时转动轴的概念。

第二步，把接近速度分解：

v<sub>C</sub> = v<sub>C∥</sub> + v<sub>C⊥</sub>

其中 v_C∥ 平行于视线（负责靠近或远离），v_C⊥ 垂直于视线（负责视线转动）。这就像是把全连接层的输出分解成"有用分量"和"干扰分量"。

第三步，TPN 的三维形式（式 5.38）：

a<sub>Mc,TPN</sub> = -(k / r) v<sub>C⊥</sub>

太漂亮了！TPN 的加速度指令只与垂直于视线的接近速度分量成正比，方向恰好是消除这个分量的方向。这就像注意力机制里的"残差修正"：看到目标偏离视线的速度有多大，就产生一个反向的加速度把它拉回来。

第四步，PPN 的三维形式（式 5.34）：

a<sub>Mc,PPN</sub> = N (w × v<sub>M</sub>)

PPN 的加速度垂直于导弹速度 v_M，大小与视线转动率 ||w|| 和速度 ||v_M|| 的乘积成正比。教材证明了一个重要性质：PPN 的加速度向量始终与 r 和 v_C 共面，这个平面被称为交会平面。也就是说，一旦进入 PPN 制导，导弹虽然可以在三维空间飞行，但它的机动始终被限制在一个由初始几何决定的平面内——就像一层二维流形嵌入在三维空间中。

如果画成图会是什么样子？

教材图 5.10 和图 5.11 给出了具体算例。图 5.11 展示了 PPN 在三维空间中的轨迹：导弹先爬升再俯冲，最终命中目标，而整个轨迹的投影始终被约束在交会平面内。

---

第六步：中观视角——近似法与精确法的动力学

现在我们已经了解了三维向量实现。接下来要解决的认知疑点是：教材为什么要分"近似法"（5.4 节）和"精确法"（5.5 节）？近似到底近在哪里？

这类似于机器学习里的局部线性化。教材在 5.4 节引入了一个关键假设：NCC（Near Collision Course，接近碰撞路线）。它假设导弹已经接近一条理想的碰撞直线，视线角 λ 很小，且接近速度 v_C 近似平行于视线。

在这个假设下，横向位移 y = r λ ≈ v_C τ λ，其中 τ = t_f - t 是剩余时间（time-to-go）。这就像 RNN 中的时间步长——我们知道序列还剩多少步，就可以调整当前的学习强度。

教材推导出了真比例导引的微分方程 (5.14)：

r ω̇ + 2 ω ṙ + k ω = 0

其中 ω = λ̇ 是视线角速率。引入剩余时间 τ 后，方程变为 (5.15)：

v<sub>C</sub> τ dω/dτ + (2v<sub>C</sub> - k) ω = 0

这个一阶线性 ODE 的解非常优雅（式 5.16）：

ω(τ) = ω<sub>0</sub> (τ / t<sub>f</sub>)<sup>N'-2</sup>

其中 N’ = k / v_C 被称为"有效导引常数"。注意这个幂律形式——它像极了优化算法里的学习率衰减策略！当 τ → 0（即将碰撞）时：

• 若 N’ > 2，ω → 0（视线停止转动，完美收敛）
• 若 N’ < 2，ω → ∞（发散，导弹失控）
• 若 N’ = 2，ω = ω₀ = 常数（临界状态）

教材反复强调：N’ > 2 是比例导引收敛的充要条件。这就像训练神经网络时，学习率必须大于某个下界才能收敛（虽然类比方向相反，但"存在临界超参数"的直觉是一样的）。

更进一步，教材式 (5.20) 给出了基于零控脱靶量（Zero Effort Miss, ZEM） 的另一种表达：

m(t, τ) = y(t) + ẏ(t) τ
a<sub>Mc</sub>(t) = N' m(t, τ) / τ²

这里的 m(t, τ) 表示：如果现在突然关闭发动机，导弹按惯性飞行 τ 时间后会偏离目标多远。制导指令正比于这个预期脱靶量，反比于剩余时间的平方。这就像模型预测控制（MPC）：预测未来的误差，提前施加修正。

---

第七步：微观视角——结构化伪代码与 PN 家族谱系

现在我们已经了解了动力学求解的脉络。接下来要解决的认知疑点是：如果让我写一段代码来实现 PN 制导，核心逻辑应该怎么组织？TPN 和 PPN 的代码差异究竟在哪一行？

别急，我们先看一个通用的结构化伪代码。下面这段代码把教材 5.1~5.6 节的核心公式封装成了一个统一的制导核：

Algorithm: Unified Proportional Navigation Guidance Core
Input:  导弹状态 {r_vec, v_M_vec, γ_M}, 
        目标状态 {r_T_vec, v_T_vec},
        导引系数 N, 
        模式 mode ∈ {TPN, PPN, IPN}
        最大加速度 a_max
Output: 三维加速度指令 a_Mc_vec

// 第一步：计算相对几何
  r_vec ← r_T_vec - r_M_vec
  r_norm ← ||r_vec||
  l_r ← r_vec / r_norm                    // 视线单位向量
  v_C_vec ← v_M_vec - v_T_vec             // 接近速度向量
  v_C_norm ← ||v_C_vec||

// 第二步：计算视线角速度向量 w（式 5.36）
  w_vec ← (r_vec × v_C_vec) / r_norm²   // 三维角速度向量

// 第三步：根据模式分支选择导引律
  if mode == TPN then
    // 真比例导引：加速度垂直于视线（式 5.38）
    v_C_parallel ← (v_C_vec · l_r) l_r   // 平行于视线的分量
    v_C_perp ← v_C_vec - v_C_parallel    // 垂直于视线的分量
    k ← N * v_M_norm                     // 增益常数
    a_Mc_vec ← -(k / r_norm) * v_C_perp

  else if mode == PPN then
    // 纯比例导引：加速度垂直于导弹速度（式 5.34）
    a_Mc_vec ← N * (w_vec × v_M_vec)

  else if mode == IPN then
    // 理想比例导引：加速度垂直于接近速度（式 5.41）
    a_Mc_vec ← N * (w_vec × v_C_vec)
    // 等价形式：-(N/r_norm²) (r_vec × ṙ_vec) × ṙ_vec
  end

// 第四步：动力学饱和（现实约束）
  a_norm ← ||a_Mc_vec||
  if a_norm > a_max then
    a_Mc_vec ← a_max * (a_Mc_vec / a_norm)
  end

// 第五步：计算有效导引常数（用于稳定性监控）
  if mode == TPN then
    N_prime ← k / v_C_norm
  else if mode == PPN then
    // 式 5.24：N' = N v_M cos Γ / v_C，平面下 Γ = δ
    cos_Gamma ← cos( arccos( (v_M_vec · l_r) / v_M_norm ) )
    N_prime ← N * v_M_norm * cos_Gamma / v_C_norm
  end

  if N_prime <= 2 then
    TriggerWarning("有效导引常数 N' ≤ 2，系统可能发散")
  end

  return a_Mc_vec, N_prime

注意代码中三个模式的分支：

• TPN 只提取 v_C_perp，像注意力机制里的"Query-Key 对齐"。
• PPN 用 w × v_M，像自回归网络里的"历史状态依赖"。
• IPN（理想比例导引） 用 w × v_C，教材 5.7.1 节指出它实际上是 GPN（广义比例导引）的近似最优解，攻击区最大，拦截最快，但能耗也更高——这就像模型里的"高精度模式"，效果好但算力贵。

教材 5.7.2 节的预估导引律（Predictive Guidance）则像前馈网络：它持续预测一条直线碰撞路线 CC，然后计算当前航向与 CC 的偏差 Δδ，产生指令 a_Mc = K_R Δδ。当预测增益 K → ∞ 时，它退化为标准 TPN。

而 5.7.3 节的苏恩导引律（Schoen） 则像自适应优化器：第一种形式是"加权 PN"，引入了随时间指数衰减的增益（式 5.52）；第二种形式甚至把 λ̇ 的指数改成了 1/2（式 5.53），就像 Adam 优化器里对梯度做平方根缩放。

如果画成 PN 家族的谱系图会是什么样子？

---

第八步：闭环——这在实际制导中意味着什么？

好了，我们已经从制导回路的外观一路拆到了三维向量运算、微分方程稳定性、以及 PN 家族的谱系。在继续之前，让我们停下来回答一个工程师最关心的问题：这些公式在导弹的实战设计里意味着什么？

8.1 导引系数 N 的工程选择

教材反复出现的核心约束是 N’ > 2。在实际系统中，N 通常取 3~5。为什么不是越大越好？

• N 越大，弹道越直（越接近平行导引），但初始段需要极大的横向加速度（像大学习率导致梯度爆炸）。
• N 越小，弹道越弯，但末端可能追不上目标（像学习率太小收敛慢）。
• 教材式 (5.25) 的注指出：当 N’ = 3 时，由积分 ∫ a_M² dτ 定义的控制需求达到最小值。这就是工程上的" sweet spot "——能量最优。

8.2 对抗机动目标需要多少过载？

这是实战中最硬的指标。教材式 (5.28) 给出了拦截机动目标时的加速度比：

(a<sub>M</sub> / a<sub>T</sub>)<sub>f</sub> = N' / (N' - 2)

当 N’ = 3 时，导弹需要的末端横向过载是目标的 3 倍。当 N’ = 4 时，是 2 倍。这就是为什么现代空空导弹要有 30g~50g 的过载能力——不是因为它想飞得猛，而是比例导引的数学本质要求它必须比目标机动得更快。

8.3 TPN vs PPN 的实战取舍

• TPN 适合分析、仿真和理论设计，因为它的微分方程有闭式解，像深度学习里"可解释的线性模型"。
• PPN 更适合工程实现，因为它对初始误差不敏感，鲁棒性好，像"带 Dropout 的深层网络"，虽然理论分析麻烦，但实战中更耐造。
• 在三维空间中，PPN 天然约束在交会平面内，而 TPN 需要额外的坐标分解。因此很多现代导弹的导引头在工程实现上更接近 PPN 的变种。

8.4 从教材到代码的最后一步

如果你今天想动手验证，建议按这个路径：

1. 先用 N = 2, 静止目标 的 toy example 复现图 5.3 的圆轨迹（验证你的运动学积分器是否正确）。
2. 再切换到 N = 3, 非机动目标，复现图 5.7 的 TT 坐标系轨迹。
3. 最后加入 三维非平面初始条件（教材 5.6.2 节的 χ = 40° 算例），对比 PPN 和 TPN 的轨迹差异。

---

尾声：我们现在站在哪里？

让我们回到开头那个"比例"的直觉。现在你已经知道：

• 宏观上，PN 是一个反馈控制回路，导引系数 N 就像全连接层的权重或 RNN 的门控增益。
• 中观上，N = 1 是纯追踪，N = 2 是临界圆轨迹，N → ∞ 是平行导引；TPN 和 PPN 是两条不同的几何实现路径。
• 微观上，平面运动学方程 (5.6) 和三维向量公式 (5.34/5.38) 描述了从标量到矩阵的完整实现。
• 动力学上，N’ > 2 是收敛的硬性边界，N’ = 3 是能量最优的工程 sweet spot。
• 家族谱系上，从 TPN、PPN 到 IPN、预估导引律、Schoen 导引律，本质上都是在修改"比例"的对象和增益的调度策略。

如果画成一张完整的认知地图，它大概长这样：

---