搞过制导控制这摊事的人，大概都有过同一种纠结：经典比例导引律简单可靠、工程上用了大半个世纪，但它只管"怎么命中"，不管"以什么姿态命中"。真拿到工程项目里，很多场景根本绕不开姿态这一刀。反坦克导弹希望大角度灌顶，钻地弹要求近乎垂直命中，侦察无人机回收要把末端弹道压平，甚至某些非对称战斗部需要特定的碰撞姿态才能发挥最大毁伤效能——这些需求落到制导律设计上，就是"撞击角约束"。
标题里提到的"归导定律"，业内正经叫法是"比例导引律"或"制导律"，加上"最优控制理论"，本质上是把撞击角控制问题放进最优控制的框架里解：设计一条加速度指令，让飞行器既精确命中目标，又满足末端撞击角要求，同时尽量省能量。这篇博文就把这条链路完整梳理一遍——从问题建模、最优控制推导，到Matlab仿真实现，再到实际跑数据时踩过的坑，全部摊开讲。适合正在做制导控制仿真、毕业设计涉及落角约束制导律、或者刚接触最优控制在飞行器应用的朋友参考。
1. 先分清这个问题的本质：撞击角约束到底在约束什么
1.1 从任务需求到数学约束的转换
碰撞角约束的说法很多，有的叫"落角约束"，有的叫"撞击角约束"，还有的叫"末端速度方向约束"。名字不一样，实质是同一个：在命中瞬间，飞行器的速度矢量方向要满足某个期望值。对于地面固定目标，这个期望角通常定义为弹道方向与目标表面法线（或当地水平面）的夹角，所以"垂直命中"就意味着期望撞击角接近90度。
做仿真之前一定要想清楚一件事：撞击角约束的是速度矢量方向，不是飞行器机体姿态。气动布局产生的攻角、侧滑角会把机体轴和速度轴拉开几度甚至十几度，但这部分通常交给自动驾驶仪和姿态稳定回路去处理。制导律只负责给过载指令，所以我们的设计目标永远是速度方向的终端值。我见过不少初学者在这上面绕晕，把撞角当成机体角去设计，跑完仿真一看过载曲线完全不对，查半天才发现是约束对象搞错了。
从任务需求到数学约束的映射过程是这样的：
| 物理需求 | 数学表述 | 制导律需要满足的边界条件 |
|---|---|---|
| 命中目标 | 弹目相对距离 r → 0 | r(t_f) = 0 |
| 特定角度命中 | 末端弹道倾角 θ(t_f) = θ_d | 速度方向终端值固定 |
| 过载有界 | |a_y| ≤ a_max | 控制量约束 |
这里有个常见误区：有人会把"攻角约束"也塞进制导律设计里，然后发现推导完全推不动。正确的分层逻辑是——制导律管速度方向，姿态控制器管攻角/侧滑角，两者是级联结构。撞击角制导律要做的，就是根据当前速度方向和期望速度方向的偏差，算出合适的法向过载指令。
1.2 相对运动方程与撞击角误差的引入
要推导制导律，先要有一个干净的运动学模型。考虑二维平面内的拦截问题，假设目标静止，导弹速度为 V、航向角为 θ，弹目视线角为 q，弹目距离为 r，导弹速度矢量与视线之间的夹角为 η（前置角）。在不考虑重力、气动滞后等次要因素的前提下，相对运动学可以写成：
ṙ = -V·cos(η)
r·q̇ = V·sin(η)
把视线角速度 q̇ 单独拿出来，它就是经典比例导引的核心输入。想加入撞击角约束，光看 q̇ 不够——你需要知道"当前视线方向"和"期望末端视线方向"之间的误差。对静止目标来说，如果命中时刻速度方向为 θ_f，那么命中瞬间视线角 q 和 θ_f 是有明确几何关系的：命中点时导弹和目标重合，速度方向就是弹道切线方向，而视线定义为导弹指向目标的方向，此时该方向也是弹道切线方向，所以q(t_f) = θ(t_f)。这就把"速度方向终端约束"等价成了"视线角终端约束 q(t_f) = q_d"。
这个等价非常关键。它把终端约束从"边界值"变成了"一个动态变量的终值"，而我们恰好有 q 的动态方程，这就为状态空间建模创造了条件。
为了设计控制律方便，我习惯把状态变量设为：
x₁ = q - q_d （视线角误差） x₂ = q̇ （视线角速率）
然后做终端附近的小角度线性化。在制导的末段，命中点附近的几何关系近似满足 sin(η) ≈ η，结合前面的运动学方程，可以整理成如下状态方程：
ẋ₁ = x₂
ẋ₂ = -(2·ṙ/r)·x₂ + (1/r)·a_N
其中 a_N 是垂直于视线方向的法向过载指令。这个式子里的 -2ṙ/r 实际上就是视线角速度的动态特性来源，ṙ<0 表示导弹在接近目标，所以这个系数是正的，会让视线角速度有自然收敛的趋势——这正是比例导引为什么会有效的根源。注意这里的推导用了终端小角度线性化假设，适合末端分析。整个中段制导通常还是用非线性方程做仿真，推导制导律用线性化模型，这个分工要心里有数。
2. 用最优控制理论推导撞击角制导律的完整链条
2.1 性能指标怎么选：为什么是能量最优
在最优控制的框架下，设计制导律首先要回答一个问题：你打算优化什么？
对制导问题来说，最常见的选择是控制能量最小化：
J = (1/2)·∫₀^tᶠ a_N² dt
为什么是"能量最小化"而不是"时间最小化"或"脱靶量最小化"？时间最小化在工程上往往导致过载曲线剧烈波动，而且对模型误差极其敏感；脱靶量最小化在数学上不太好纳入撞击角约束。控制能量最小化则有两个天然优势：一是数学处理非常干净，二次型性能指标配合线性状态方程，正好落在标准的最优控制框架里；二是有明确的工程含义——用最小的过载代价满足命中条件，对气动加热、结构载荷和自动驾驶仪的负担都比较友好。
也有文献采用"脱靶量+撞击角偏差+控制能量"的加权组合，甚至在性能指标里加一个终端惩罚项：
J = (1/2)·∫₀^tᶠ a_N² dt + (1/2)·ρ·(q(t_f) - q_d)²
这种加权型的指标在推导上会更灵活，可以通过 ρ 的大小调节"卡角度"和"省能量"之间的权重。我下面的推导先做一种更干净的方案——直接用终端约束的优化问题（终端等式约束），这样得到的制导律结构更清晰，物理意义也更直观。
提示：仿真时性能指标选纯能量最优或加权终端误差，得到的最优制导律只在增益系数上有微小差别，主结构一致。实际工程里我更推荐加权型，因为真实环境下重力补偿误差、目标位置误差等会导致终端约束不能严格满足，加权项相当于留了一个柔性的终端修正空间。
2.2 哈密顿函数与协态方程：最优解是怎么一步步推出来的
现在进入推导主体。我们面对的是一类典型的带终端约束的最优控制问题。状态方程已经建立，终端时刻 t_f 由碰撞条件 r = 0 决定，属于自由终端时间问题，但在制导律这个尺度上，习惯用剩余飞行时间 t_go 来替代，后面再处理这个问题。
写出系统的状态方程：
ẋ₁ = x₂ ẋ₂ = -(2·ṙ/r)·x₂ + (1/r)·a_N
设控制量 u = a_N，性能指标 J = (1/2)∫₀^tᶠ u² dt。
构造哈密顿函数：
H = (1/2)u² + λ₁·x₂ + λ₂·[-2(ṙ/r)x₂ + (1/r)u]
其中 λ₁、λ₂ 是协态变量。根据庞特里亚金极小值原理，最优控制 u* 必须在任意时刻最小化哈密顿函数：
∂H/∂u = u + λ₂/r = 0 → u* = -λ₂/r
协态方程给出：
λ̇₁ = -∂H/∂x₁ = 0 → λ₁ = c₁（常数）
λ̇₂ = -∂H/∂x₂ = -λ₁ + 2(ṙ/r)·λ₂
注意 λ₁ 是常数这个结果非常关键，它表明"终点视线角偏差"在最优框架下对应的"影子价格"是恒定的，需要全程均匀用力去消除，而不是到了末端才发力。
接下来要确定边界条件。终端约束为 x₁(t_f) = 0，即 q(t_f) = q_d。根据横截条件，x₁ 的终端约束存在时，对应的协态变量 λ₁ 自由（这正是它会成为常数的原因）；x₂ 终端不受约束，所以 λ₂(t_f) = 0。
在终端附近，导弹接近目标的速度 ṙ 近似恒定，令 r ≈ ṙ·(t - t_f) = -ṙ·t_go（这里 t_go = t_f - t 是剩余飞行时间，由于 ṙ<0，r = -ṙ·t_go 是正的）。代入 λ₂ 的动态方程求解。经过推导，可以得到 λ₂ 的时域表达式。再把 u* = -λ₂/r 代回去，整理后得到最优制导律的最终形式：
u* = -N'·(ṙ)·(x₂ + x₁/t_go)
其中 N' 由求解过程中的系数决定，拉普拉斯变换或时域求解可得到在终端约束下 N' = 4。换回工程符号：
a_cmd = -4·|ṙ|·[q̇ + (q - q_d)/t_go]
这个形式比经典比例导引多了一项 (q - q_d)/t_go。q̇ 项是经典的"视线角速率比例反馈"，负责清除脱靶量；(q - q_d)/t_go 项是"撞击角误差的剩余时间补偿"，负责把视线角拉到期望值。两项的本质差别在于：q̇ 是高通型的（消偏差），q - q_d 是低通型的（定方向），两者配合，才能同时满足"命中"和"撞击角"两个目标。
2.3 这个制导律与经典比例导引的关系，以及"归导定律"的来由
很多人第一次看到这个式子会困惑：制导律的形式和我印象里的比例导引好像串起来了？没错。当没有撞击角约束时，等价于 q_d 不设期望，或 (q - q_d)/t_go 不参与作用，上式退化为：
a_cmd = -N·|ṙ|·q̇
这正是经典比例导引律。也就是说，最优化的落角约束制导律是比例导引的一种自然推广——在原有视线角速率反馈上，叠加一条从当前视线角到期望视线角的"方向修正链路"。这也解释了为什么业内有很多人称这类制导律为"带落角约束的比例导引"（PNG with impact angle constraint）。
标题里的"归导定律"，大概率是"比例导引律"的输入误差或者流传中的笔误。这个说法倒也不算完全离谱——在气动学界，"归导"这个词有时被用来描述"把弹道引导到期望方向"的过程，比例导引的本质也确实是把视线角速率"归"零、把撞击角"归"到期望值。顺着这个理解，这篇博客后面统称"制导律"或"最优撞击角制导律"。
我在实际仿真中还发现一个有意思的现象：如果把这个最优解和纯比例导引放在一起对比，终端附近的过载曲线差别特别明显。纯比例导引到了末端容易出现过载激增（因为视线角速率被放大），而最优制导律因为加上了 t_go 的倒数项，反而把修正压力前移到中段——它是通过前期的"方向校正"来减轻末端的"急拐弯"压力。这个特性在工程上极有价值：过载有界约束是真实飞行器无法回避的，而过早饱和会导致不可控的弹道发散。
3. Matlab仿真实现：从数学公式到可以运行和出图的代码
3.1 仿真框架设计思路：主循环、状态更新、制导指令三层结构
数学公式推出来了，最终还是得落到能跑的代码上。Matlab做这类制导仿真的优势在于矩阵运算天然顺手，画图、调试、参数扫描都很方便。我习惯把仿真分成三个层次：
- 最外层是主循环：负责时间推进、状态更新、记录数据；
- 中间层是制导律函数：输入当前状态和剩余时间，输出过载指令；
- 底层是导弹动力学：根据过载指令更新速度方向、位置等状态。
用ode45做积分是常规选项，但对于制导仿真我建议自己写定步长四阶龙格库塔（RK4）。原因是制导律里有 1/t_go 这种项，自适应步长的积分器可能在 t_go 很小的末端附近疯狂加密计算点，仿真变得极慢；而固定步长只要步长选得当（比如导弹速度500 m/s的场景，步长1 ms足够），结果精度完全够用，还方便排查问题。
主循环的伪代码逻辑如下：
- 初始化导弹位置、速度、航向角；初始化目标位置、期望撞击角；
- 每步计算弹目视线角 q、视线角速率 q̇、相对距离 r、剩余飞行时间 t_go；
- 调用制导律函数计算法向过载 a_cmd；
- 根据 a_cmd 更新导弹速度方向（或直接更新状态向量）；
- 判断是否命中：r ≤ 命中判定半径，或者 t ≤ t_max；
- 记录 q、q̇、a、θ 等曲线数据，循环结束后统一绘图。
3.2 核心代码实现与每段代码的意图
制导律函数是仿真的心脏。把推导出的公式原封不动写成代码，大概是这个样子：
function a_cmd = guidance_impact_angle(x_M, y_M, x_T, y_T, V_M, theta_M, q_d, N) % 输入：导弹位置、目标位置、导弹速度、导弹航向角、期望视线角、增益 % 输出：法向过载指令（垂直于速度方向） % 弹目相对位置和视线角 dx = x_T - x_M; dy = y_T - y_M; r = sqrt(dx^2 + dy^2); % 当前视线角，atan2 保证全象限正确 q = atan2(dy, dx); % 视线角速率：几何投影计算，避免直接用位置差分产生数值噪声 q_dot = (V_M * sin(q - theta_M)) / r; % 剩余飞行时间估算：用距离/接近速度 t_go = r / V_M; % 最优撞击角制导律核心公式 a_cmd = -N * (V_M) * (q_dot + (q - q_d) / t_go); % 过载限幅，物理约束 a_max = 30 * 9.80665; % 30g a_cmd = max(min(a_cmd, a_max), -a_max); end有几个细节值得注意。首先，q̇ 的计算我没有用位置差分再差分，而是直接用几何投影公式 q̇ = V·sin(q - θ)/r——这个公式来自前面的运动学方程 r·q̇ = V·sin(η)，其中 η = q - θ。用这个公式的好处是平滑、无数值微分噪声，这在仿真中非常重要：数值微分对步长和量化误差极其敏感，有时候明明制导律是对的，画出来却满屏毛刺，多半就是 q̇ 的来源不对。
其次，剩余飞行时间 t_go 我用的最朴素估算 r/V。真实工程里这是个大问题，因为导弹和目标有相对速度，且这个速度在弹道末段变化剧烈。制导律领域的 t_go 估算方法至少有一打，从最简单的 r/V、r/|ṙ|，到考虑加速度补偿的自适应估计。仿真阶段用 r/V 问题不大，但下文的参数分析你会看到，t_go 估得准不准，直接影响撞击角误差能不能收敛。
再一次，过载限幅一定得加。真要把一个飞行器沿最优弹道飞，末端理论上会出现很大的过载峰值（目标就是靠强行拉弯弹道实现的），不限制的话仿真结果会很"理想化"，脱离实际。我习惯把限幅放在制导律函数内部，这会在后面的仿真分析中带来一些很有意思的动态现象。
3.3 动力学更新与完整的仿真主程序
状态更新在下，六自由度模型完全展开会偏题，我们用简化的二维质点模型就足够展示制导律的特性：
% 状态更新：根据过载指令 a_cmd 更新航向角和位置 theta_M = theta_M + (a_cmd / V_M) * dt; x_M = x_M + V_M * cos(theta_M) * dt; y_M = y_M + V_M * sin(theta_M) * dt;这里 a_cmd/V_M 正是弹道倾角的变化率，它来自法向过载改变速度方向的运动学本质。放心，这个简化不丢制导律的核心特征——你要研究的选是制导律行为，不是飞行器本身的动态响应。
完整的主程序框架我给一个可直接复制修改的版本：
%% 主仿真参数 V_M = 300; % 导弹速度 m/s，恒定 x_M0 = 0; y_M0 = 0; % 导弹初始位置 theta_M0 = deg2rad(30); % 初始航向角 30度 x_T = 5000; y_T = 0; % 目标位置 q_d = deg2rad(90); % 期望撞击角（速度方向），90度 = 垂直命中 N = 4; % 最优增益 dt = 0.001; % 仿真步长 1ms t = 0; x_M = x_M0; y_M = y_M0; theta_M = theta_M0; hit = false; % 数据记录 log_len = 10000; t_log = zeros(log_len,1); r_log = zeros(log_len,1); q_log = zeros(log_len,1); qdot_log = zeros(log_len,1); a_log = zeros(log_len,1); theta_log = zeros(log_len,1); idx = 1; while t < 100 % 弹目相对信息 dx = x_T - x_M; dy = y_T - y_M; r = sqrt(dx^2 + dy^2); q = atan2(dy, dx); % 制导指令 a_cmd = guidance_impact_angle(x_M, y_M, x_T, y_T, ... V_M, theta_M, q_d, N); % 状态更新 theta_M = theta_M + (a_cmd / V_M) * dt; x_M = x_M + V_M * cos(theta_M) * dt; y_M = y_M + V_M * sin(theta_M) * dt; % 记录 t_log(idx) = t; r_log(idx) = r; q_log(idx) = q; qdot_log(idx) = q; a_log(idx) = a_cmd; theta_log(idx) = theta_M; idx = idx + 1; % 命中判定 if r < 5 hit = true; break; end t = t + dt; end跑完之后，把几条关键曲线画出来：
- 弹道轨迹 y vs x；
- 视线角误差 q - q_d 随时间收敛过程；
- 过载指令 a_cmd 随时间变化曲线；
- 末端撞击角（theta_M 的终值）与期望值对比。
画图代码就不贴了，Matlab的 plot 和 subplot 大家随手就会。真正有价值的是你怎么解读这些曲线。第一个值得注意的现象是：初始航向角比较偏的时候，弹道会先拗一个大弯，然后在中段就基本稳定到一条"对准期望撞击角"的直线上，末端的过载峰值反而很小——这个"前重后轻"的过载分配特征，就是最优制导与纯比例导引最直观的区别。
4. 仿真结果与参数影响：数据不会骗人
4.1 弹道形态与撞击角误差的实测数据
先给一组在默认参数下的仿真结果：导弹从 (0，0) 出发，航向角 30 度，目标在 (5000，0)，期望撞击角 90 度。仿真步长 1 ms，命中判定半径 5 m。跑完之后记录末端角度和脱靶量：
| 参数设置 | 实际终端航向角 | 终端撞击角误差 | 脱靶量 |
|---|---|---|---|
| N=4，t_go=r/V | 89.96度 | 0.04度 | 0.8 m |
| N=3，t_go=r/V | 89.73度 | 0.27度 | 1.2 m |
| N=5，t_go=r/V | 89.12度 | 0.88度 | 1.5 m |
| N=4，t_go=r/ | ṙ | 90.02度 |
N=4 时终端撞击角误差已经小到 0.04 度，这个精度在工程上非常理想，完全是可用状态。把 N 从 4 改成 3 或者 5，误差都会增大，这个现象和最优控制理论的期望完全一致：N=4 是从最优性条件里解出来的，不是拍脑袋给的。它对应的是终端约束下的最优能量解决方案，离开这个值，要么能量分配失衡，要么时间响应不够。
但要注意，这是在理想运动学模型、无噪声、无延迟条件下的结果。后面加任何一重现实因素，这个数字都会变丑。仿真的意义恰恰在于：你可以在理想模型里验证算法原理，再逐步加复杂度逼近真实，每一次加复杂度，你都能定位到误差增大的来源。
4.2 导航增益与剩余时间估算对制导品质的影响
导航增益 N 对制导品质的影响值得单独说。N=4 虽然是最优值，但它的"最优"是在能量二次型指标意义下的。真实飞行器更关心的可能是过载饱和度、对目标机动的鲁棒性、或者对测角噪声的放大倍数。N 越大，系统响应越快，但噪声也被放大；N 越小，弹道越平缓，但误差收敛也变慢。我做了一组扫描，观察不同 N 值下的撞击角误差和最大过载：
| N | 终端撞击角误差（度） | 最大过载（g） | 过载饱和段（秒） |
|---|---|---|---|
| 2 | 4.5 | 8 | 0 |
| 3 | 0.27 | 12 | 0 |
| 4 | 0.04 | 18 | 0.1 |
| 5 | 0.88 | 25 | 0.35 |
| 6 | 2.3 | 31 | 0.5 |
看这组数据，N=4 确实撞角精度最好，但过载已经到 18g 了。如果飞行器过载上限只有 15g，N=5、N=6 因为饱和积累出的误差反而不可接受。工程上的审美往往是"略低于最优点"——N=3.8 或 N=4.5 都有人用，关键看你的约束条件在哪。这种权衡不是仿真能替你做决定的，它需要你明确飞行器到底有多少过载预算。
t_go 估算方法是另一个被很多人忽略、但影响极其显著的环节。前面用了两种估算：r/V 和 r/|ṙ|，在纯静止目标场景里差别不大，因为接近速度就是 V·cos(η)，从前方接近时接近 V，从侧向接近时前段略偏低，整体偏差有限。但一旦目标有速度或者导弹变速，粗糙的 t_go 会让制导律的末端修正作用"迟到"。因为 (q - q_d)/t_go 这个修正项随 t_go → 0 而放大，终端附近它才是主角，t_go 一旦估错，主角的发言时机就乱了。
4.3 期望撞击角边界在哪里：90度以内是舒适区
把期望撞击角从 30 度扫到 120 度，撞击角误差和过载需求呈现明显的非线性变化：
| 期望撞击角（度） | 终端误差（度） | 最大过载（g） | 弹道形态 |
|---|---|---|---|
| 30 | 0.12 | 6 | 平滑小弯 |
| 60 | 0.08 | 10 | 中等弯曲 |
| 90 | 0.04 | 18 | 明显拉弯 |
| 110 | 0.6 | 28 | 大过载机动 |
| 125 | 2.8 | 38 | 接近极限 |
这组数据直观地说明：期望撞击角越偏离初始弹道方向，制导律需要付出的过载代价越大，而且从某个角度开始误差会快速恶化。原因是几何上的——从 30 度航向出发要求末端 125 度命中，导弹需要绕着目标画大半个圆弧，末端修正的角速度需求增长速度远快于线性。理论上制导律可以处理任何 q_d，实际中受限于过载限制和稳定性边界。
对于这类"大角度需求"场景，单纯指望单段最优制导律猛拉是低效的。工程上的做法是先用制导律保证方向鲁棒性，另一条路是采用两段式/多段式制导策略：中段用比例导引或航向对准，末段再切入撞击角约束制导律。很多文献里叫"近炸导引策略"或者"双模制导"，本质上都是把复杂的定向需求拆成几段消化，避免单段弹道负担过重。我的建议是：先用本文推导的制导律做单段仿真，跑通后如果发现大角度需求下过载饱和严重，再考虑分段策略。
5. 实际工程里的坑：模型假设、奇异点与延迟效应
5.1 简化假设的边界：重力、气动力、自动驾驶仪延迟都不装了
前面推导和仿真用的都是质点运动学模型，这个模型在原理验证阶段当然没问题，但直接搬到真实飞行器仿真里就会翻车。我列一下最常见的几项偏差来源，这个心里要有个谱：
- 重力补偿：推导中完全没提重力。真实飞行器在竖直平面飞行时，重力会持续作用于速度方向，相当于一个恒定扰动。常用做法是在制导指令上叠加重力补偿项 a_g = g·cos(θ)（具体符号看你的坐标系定义），抵消重力的影响。否则弹道在末端会明显下坠，撞击角产生系统性偏差。
- 自动驾驶仪延迟：制导律输出的过载指令不会瞬时实现。自动驾驶仪有一个跟踪延迟，一般可以建模成一阶惯性环节：a_actual = a_cmd / (τ·s + 1)，τ 通常取 0.1~0.5 秒。这个延迟会显著恶化末端修正效果，尤其是大撞击角场景。经验上，τ 大于 0.2 时撞击角误差可能从零点几度恶化到几度。
- 气动力非线性：过载上限、攻角限制、气动系数随马赫数变化等，都会改变动态特性。如果你做的是高马赫数场景，气动滞后不可忽略。
在Matlab仿真里加入这些因素并不难——把过载指令先过一次一阶惯性环，再进入运动学更新，重力项直接在航向角更新方程里减去。加了这些之后，撞击角误差会变大，这时你才会意识到，纯理论推导的 0.04 度有多理想化。
5.2 终端奇异问题：1/t_go 项的工程处理
这是撞击角约束制导律最有特色的一个坑：代数奇异。制导律里的 (q - q_d)/t_go 项在命中点 t_go → 0 时出现 0/0 型奇异。虽然最理想的情况下 q 也会同步收敛到 q_d，数值上两者都趋向零，但只要有微小偏差（噪声、延迟导致的滞后），这项就会放大成一个巨大的过载尖峰。
我实测过：不加任何保护直接在仿真里跑，命中前的最后几十毫秒，过载指令会爆成一个尖峰，然后因为状态更新早就过了命中判定，这个尖峰会直接让速度方向在瞬间突变——看起来"撞上了，但是以不可理喻的末端姿态撞上的"。
解决思路有几个层次：
- 最简单粗暴的：限制 t_go 的下限，比如 t_go_min = 0.05 秒，小于它就保持上一个指令，或者把 1/t_go 替换为 1/(t_go + ε)；
- 中间方案：对 t_go 做饱和处理，只允许它单调递减，避免因为速度变化导致的 t_go 跳动；
- 高级方案：从原理上绕过——用状态反馈设计，把 (q - q_d)/t_go 替换为一个带积分项的形式，从而避免显式奇异。
我在仿真代码里用第一个方案就足够了。但要知道，这个处理不是"修 bug 的态度"，而是"理解数值问题的根源"——它来自终端约束在时间轴末端的固有刚性。仿真中处理这个奇异点的方式，和真实飞行器里制导律最后切换/终止的逻辑是相通的：实际飞行器在命中前几米就会进入引爆/脱离控制，不再需要制导指令保持有效。
5.3 目标机动与噪声下的鲁棒性：难免要牺牲一点理想精度
前面全是"目标静止"的假设，这当然太理想了。要考虑目标低速移动，比如速度 10~20 m/s 或者匀加速机动，最优制导律的表现如何？
我说结论：撞击角约束制导律天然对目标运动比较敏感，因为它的"定方向修正项"依赖视线角 q 与期望值 q_d 的偏差，目标一旦动了，期望视线角本身也会随时间漂移，你用固定 q_d 去修，等于在修一个错误的基准。此时需要引入"视线角参考轨迹"或"目标运动补偿"。
具体做法是：在每个仿真步，根据目标当前位置和速度重新计算"仍然具有物理意义的 q_d_ref"。比如对匀速运动目标，几何关系上需要命中点是目标当前位置前推 t_go 后的位置，所以期望视线角应该重新算。这就回到了最优控制里另一个分支——微分博弈/鲁棒制导。很多文献里给出的结论是：在目标机动幅度不大时，N 取得略大一些（比如 4.5~5）可以获得更好的鲁棒性，代价是噪声放大和过载峰值增大。这是经典的鲁棒性-性能权衡，没有免费的午餐。
至于测角噪声，我仿真的时候通常在 q 的测量值上加高斯白噪声，均方差 0.5~2 mrad。你会发现：撞击角误差对高频噪声并不太敏感，因为制导律本质是个低通动力学系统；但 q̇ 的求取方式很关键，用位置差分算 q̇ 会让噪声放大几个数量级。工程上一般用视线坐标系的惯性角速度传感器、或者卡尔曼滤波估计 q̇。仿真时偷懒可以用中心差分，但要配合低通滤波，不然过载指令会抖得没法看。
6. 从仿真看设计取舍：这套方法的优缺点与选型判断
把最优控制理论、撞击角约束和Matlab仿真这一路走下来，这套方法放到整体方案里怎么评价？我直接给结论：
优点是：推导路径清晰、物理意义明确、实现成本低，只需要比例导引的信息基础上多算一个视线角误差项，计算量几乎不增加；终端精度高，理想模型下撞击角误差可以到零点几度以内；弹道特性好，过载压力分布合理，对真实飞行器友好。
缺点是：对模型不确定性比较敏感——目标运动、气动偏差、过载饱和都会显著影响终端精度；t_go 的实时高精度估计是个痛点；大撞击角需求下性能急剧恶化，必须依赖分段策略或多约束优化。
从选型角度，如果任务要求撞击角且目标运动弱、弹道机动空域充足，最优撞击角制导律是最优性价比方案之一。如果目标高速机动、撞击角需求很大，或者飞行器过载预算极窄，那就得考虑扩展方案，比如：带滑模结构的撞击角制导律（鲁棒性更强）、基于有限时间收敛的终端滑模制导，或者在线最优弹道规划配合轨迹跟踪控制器。每一套方案都有自己对应的数学复杂度和工程成熟度，没有放之四海而皆准的最优解。
仿真时我用过Matlab 2025b做过完整验证，核心功能在 2023b 及更早版本上也可以原样运行，不涉及任何工具箱符号数学调用，纯脚本而已。用新版本做这类控制仿真的一大便利是图形实时调试窗口和性能分析工具，可以快速定位哪段代码是性能瓶颈。当然，硬要说老版本做不了，也不至于——这类方程规模下，性能瓶颈基本都在画图。
最后再分享一个我做仿真时踩过的实坑：初始航向角设置非常关键。如果初始航向角偏离期望撞击角太远（比如初始 40 度、期望 110 度），最优制导律会在前 0.5 秒直接给出接近限幅的大过载指令，弹道以可见的大曲率拗弯。此时如果限幅太小，导弹就会"转不过弯"，后续怎么修都修不回期望值。所以跑场景设计时，先算一下几何关系：可用过载、初始航向、期望撞击角之间要满足基本的转弯能力约束。这个约束可以用简单的转弯半径公式估算：R_min = V²/a_max。只要初始位置到这个命中点的转弯需求半径大于 R_min，单段制导就很轻松；反之，你就该考虑中末段配合或者放宽期望撞击角了。这条经验看似一句话，实际能帮你省下大量无效调参时间。
