将来の再使用宇宙輸送システムへ適用可能な誘導制御則設計手法として搭載モデルベー スの誘導制御の適用を提案し，具体的な実証システムのモデルに適用して，課題を抽出し 解決方法を示した．また，不確定性を考慮した統計的設計について，計算負荷を低減しう る新たな手法の提案を行った．
第1章では，研究の背景と概要を記述した．
第 2 章では，再使用宇宙輸送システムの広い範囲の飛行条件に対して，系統的に誘導制 御系を設計するための有効な手法として，搭載モデルベースの誘導制御を提案し，具体的 な誘導制御則の内容を個別に記述した．すなわち，まず，階層構造をもつダイナミックイ ンバージョン法に基づく制御構造と，これに対して誤差を補償するための外乱オブザーバ 補償器について記述した．また，再使用宇宙輸送システムでは空力舵面とスラスタ等の複 数の制御デバイスを用いて姿勢を制御する必要があるため，複数のデバイスを合理的に組 み合わせて使用するための制御アロケーション技術について記述した．
第 3 章では，搭載モデルベースの誘導制御の適用例として 2つの実証システム，すなわ ち小規模飛行実験機(3.1節)と有翼ロケット実験機(3.2節)を取り上げ，第2章で提案した誘 導制御則を適用し，課題の識別と解決策の検討を行った．
前者は，小型の固定翼無人機であり，これに提案する搭載モデルベースの誘導制御のう ち階層構造化したダイナミックインバージョンベースの誘導制御構造を適用した誘導を適 用しての飛行実験を行い，これらのオンボードでの実装が十分可能であることを示した．
また，ダイナミックインバージョンを用いた姿勢制御のロバスト性を高めるための手法と して外乱オブザーバ補償器との組合せ，および誤差を考慮した非線形シミュレーションに よる最適化手法を適用し，シミュレーション解析でこれらの基本的な有効性を確認した．
一方，飛行実験では安定した飛行が可能ではあるものの，振動的な挙動がみられたり，応 答が緩慢になるなど姿勢制御系の構造，パラメータ調整について課題が残る結果であった．
後者は，垂直打上して高度 100km以上に到達したのち滑空して帰還するタイプの有翼ロ ケット実験機であり，これに対して搭載モデルベースの誘導制御を試作し線形解析および シミュレーションによる検討を行った．ここでは階層構造を持つダイナミックインバージ ョン制御について設計の容易さを利用して誘導制御の初期検討において適用し，姿勢制御 を含めた機体の特性を把握し，操舵デバイスの構成等のシステム検討に役立てることを提 案した．一方，3.1節の小規模飛行実験の結果も踏まえ，実装を考慮した場合のロバスト性 を高める手段として，縦の姿勢制御を例に特異摂動法を適用してトリム操舵分を分離し，
逆ダイナミクスモデルに調整パラメータを持ち込むことで安定余裕を改善する方法を試み，
99
有効であることを線形解析およびモンテカルロシミュレーション評価により示した．
第 4 章では，誘導制御則における可調節パラメータによる制御性能向上について検討を 行った．宇宙往還機等の誘導制御系は空力特性をはじめとする様々な不確定性に対する耐 性が必要であり，モンテカルロシミュレーションを用いた統計的評価が設計結果の標準的 な確認手段となっている．さらに，このモンテカルロ評価結果を評価関数として制御パラ メータを最適化する統計的最適化は，信頼性の高い飛行制御系を設計する実用的な方法で あり，第 2章および第 3 章で提案した誘導制御則の評価と制御パラメータの調整に有効で ある．統計的設計を改良するための新しいアプローチとして，近年，機械学習等の分野で 開発されている確率推定に基づく手法の適用を提案した．確率密度比推定に基づく手法，
および確率的分類に基づく手法の飛行制御系設計への適用を試み，シンプルな縦姿勢制御 の例題に対して制御ゲインのチューニングに使用できることを示した．本論文では計算負 荷を定量的に有意に低減できることを示すには至らなかったものの，定性的には従来手法 と比較して少ない計算量で最適化を行うことができる可能性を持った手法であり，現在も 発展の著しいこの分野の手法を飛行制御系の設計に取り込むことでより効率的な設計を実 現していくポテンシャルがあると考えられる．
100
参考文献
[1] G. Walker, Model-Based Development of X-35 Flight Control Software, (2002).
[2] D. Ito, J. Georgie, J. Valasek, D. Ward, Reentry vehicle flight controls design guidelines: dynamic inversion, NASA-TP-2002-210771. (2002).
[3] C.J. Miller, Nonlinear Dynamic Inversion Baseline Control Law: Flight-Test Results for the Full-scale Advanced Systems Testbed F/A-18 Airplane, in: Proc. AIAA Guid.
Navig. Control Conf., 2011: pp. 1–25.
http://www.aric.or.kr/treatise/journal/content.asp?idx=144647.
[4] 元田敏和, 塚本太郎, 南吉紀, 濱田吉郎, リフティングボディ飛行実験(LIFLEX)誘導制 御系-システム評価と飛行制御パラメタ最適化, JAXA-RR-10-007. (2010).
[5] Y. Miyazawa, T. Motoda, Stochastic Parameter Tuning Applied to Space Vehicle Flight Control Design, J. Guid. Control. Dyn. 24 (2001).
[6] T. Motoda, R.F. Stengel, Y. Miyazawa, Robust Control System Design Using Simulated Annealing, J. Guid. Control. Dyn. 25 (2002).
[7] 宮沢与和, 階層構造化ダイナミックインバージョン飛行制御則, 第47回飛行機シンポジ ウム, 2008.
[8] 川口純一郎, 宮沢与和, 二宮哲次郎, 階層構造化ダイナミックインバージョンによる飛 行制御則の設計及び評価, 計測自動制御学会論文集. 45 (2009) 703–710.
[9] J. Kawaguchi, Y. Miyazawa, T. Ninomiya, Stochastic evaluation and optimization of the hierarchy-structured dynamic inversion flight control, J. Guid. Control. Dyn.
(2009) 1–18. http://arc.aiaa.org/doi/pdf/10.2514/6.2009-6175.
[10] Jean-Jacques E. Slotine, Weiping Li, Applied Nonlinear Control, Prentice Hall, 1991.
[11] 馬場順昭, 高野博行, 非線形逆ダイナミクスを用いた飛行制御, 日本航空宇宙学会誌. 47
(1999) 122.
[12] J.T. Bosworth, S.J. Stachowiak, Real-Time Stability Margin Measurements for X-38 Robustness Analysis, NASA-TP-2005-212856. (2005).
[13] R. Wacker, S. Munday, S. Merkle, X-38 Application of dynamic inversion flight control, Annu. AAS Guid. Control Conf. (2001).
http://ntrs.nasa.gov/search.jsp?R=20100033140.
[14] NAL/NASDA ALFLEXグループ, 小型自動着陸実験機の飛行シミュレーションモデル
(その1,基本設計時の自由飛行および地上走行数学モデル), NAL-TR-1252. (1994).
[15] T.A. Johansen, T.I. Fossen, Control Allocation - A Survey, Automatica. 49 (2013).
[16] M. Bodson, S. a. Frost, Load Balancing in Control Allocation, J. Guid. Control. Dyn.
34 (2011) 380–387. doi:10.2514/1.51952.
[17] E. Ziegel, W. Press, B. Flannery, S. Teukolsky, W. Vetterling, Numerical Recipes:
101
The Art of Scientific Computing, 1987. doi:10.2307/1269484.
[18] 塚本太郎, 村岡浩治, 穂積弘毅, 青木良尚, 中川英治, 将来宇宙輸送系の誘導制御と小規
模飛行実験, 第50回飛行機シンポジウム, 2010.
[19] 濱田吉郎, 塚本太郎, 石本真二, モデル予測制御による小規模飛行実験機の水平面内誘
導, 計測自動制御学会論文集. 50 (2014) 236–244.
[20] 塚本太郎, 石本真二, 搭載モデルベース誘導制御の有翼ロケット機への適用, 第51回飛
行機シンポジウム, 2013.
[21] Y. Hamada, T. Tsukamoto, S. Ishimoto, Flight Test Results for Circular Path Following by Model Predictive Control, in: 19th IFAC World Congr., 2014: pp.
3419–3424.
[22] 宮沢与和, 川口純一郎, 階層構造化とダイナミックインバージョンによる飛行制御則,
第24回誘導制御シンポジウム, 2007: pp. 119–124.
[23] R.G.Brown, P.Y.C.Hwang, Introduction to Random Signals and Applied Kalman Filtering, Wiley, 1997.
[24] 長友信人, 稲谷芳文, 成尾芳博, 川口淳一郎, HIMES飛翔体構想, 日本航空宇宙学会誌. 39 (1991) 565–570.
[25] 川口淳一郎, 稲谷芳文, 米本浩一, 細川繁, 有翼再突入実験機の飛行制御系と飛翔シミュ
レーション試験, 宇宙科学研究所報告. 64 (1987).
[26] P. V. Kokotovic, H.K. Khalil, J. Oreilly, SINGULAR PERERTERBATION
METHODS IN CONTROL: ANALYSIS AND DESIGN, ACADEMIC PRESS, 1986.
[27] S. Ishimoto, MATLAB Stochastic Robust Control Toolbox User’s Guide Version 1.0, (2001).
[28] J. Kawaguchi, T. Ninomiya, Stochastic Approach to Robust Flight Control Design Using Hierarchy-Structured Dynamic Inversion, J. Guid. Control. Dyn. 34 (2011) 1573–1577. doi:10.2514/1.53257.
[29] T. Motoda, T. Tsukamoto, Y. Minami, Y. Hamada, Guidance and Control System for Lifting-Body Flight Experiment - System Evaluation and Flight Control Parameter Optimization, JAXA-RR-10-007. (2007).
[30] M.E. Tipping, S. A. Solla, T. K. Leen, K.-R. Müller, The Relevance Vector Machine, Adv. Neural Inf. Process. Syst. 12. (2000) 652–658. doi:10.1.1.34.4986.
[31] M.E. Tipping, A.C. Faul, Fast Marginal Likelihood Maximisation for Sparse Bayesian Models, Ninth Int. Work. Aritficial Intell. Stat. (2003) 1–13.
doi:10.1.1.165.4281.
[32] D. Ben-shimon, A. Shmilovici, Accelerating the relevance vector machine via data partitioning, J.of Comput. Decis. Sci. 31 (2006) 27–41.
[33] D. Tzikas, A. Likas, N. Galatsanos, Local Feature Selection for the Relevance Vector
102
Machine Using Adaptive Kernel Learning, Artif. Neural Networks – ICANN 2009.
5768 (2009) 50–59. doi:10.1007/978-3-642-04274-4.
[34] C.E. Rasmussen, J. Quinonero Candela, Healing the Relevance Vector Machine through Augmentation, in: 22nd Int. Conf. Mach. Learing, 2005.
doi:10.1145/1102351.1102438.
[35] J. Quinonero Candela, C.E. Rasmussen, A Unifying View of Sparse Approximate Gaussian Process Regression, J. ofMachine Learn. Res. 6 (2005) 1939–1959.
http://eprints.pascal-network.org/archive/00002632/.
[36] C.E. Rasmussen, C.K.I. Williams, Gaussian processes for machine learning., 2006.
doi:10.1142/S0129065704001899.
[37] I.T. Nabney, NETLAB Algorithms for Pattern Recognition, Springer, n.d.
[38] E. Snelson, Z. Ghahramani, Sparse Gaussian processes using pseudo-inputs, in:
Neural Inf. Process. Syst. 18, 2006.
http://eprints.pascal-network.org/archive/00002916/.
[39] A. Naish-Guzman, S. Holden, The Generalized FITC Approximation., Adv. Neural Inf.
Process. Syst. 20 (2007) 1–8.
https://papers.nips.cc/paper/3351-the-generalized-fitc-approximation.pdf.
[40] M. Sugiyama, T. Suzuki, T. Kanamori, Density Ratio Estimation in Machine Learning, Cambridge, 2012.
[41] 光成滋生, 「サンプリング法」のための物理学, パターン認識と機械学習の学習, 2nd ed.,
暗黒通信団, 2012: pp. 105–113.
[42] C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
[43] M. Tipping, Sparse Bayesian Learning and the Relevance Vector Machine, J. Mach.
Learn. Res. 1 (2001) 211–244. doi:10.1162/15324430152748236.
[44] C.M. Bishop, M.E. Tipping, Variational relevance vector machines, Proc. Sixt. Conf.
Uncertain. Artif. Intell. (2000) 46–53.
[45] T.S. Jaakkola, M.I. Jordan, Bayesian parameter estimation via variational methods, Stat. Comput. 10 (2000) 25–37. doi:10.1023/A:1008932416310.
[46] Y. Qi, T. Minka, R. Picard, Z. Ghahramani, Predictive Automatic Relevance Determination by Expectation Propagation, (2004). doi:10.1145/1015330.1015418.
[47] T. Minka, A family of algorithms for approximate Bayesian inference, Massachusetts Institute of Technology, 2001.
[48] C.M.ビショップ, パターン認識と機械学習, 丸善, 2012.
[49] 伊庭幸人, マルコフ連鎖モンテカルロ法の基礎, 計算統計II, 岩波書店, 2005: pp. 1–106.
[50] R.P.ファインマン, 統計力学の原理, ファインマン物理学II 光，熱，波動, 岩波書店, 1968: pp. 197–211.
103
[51] R. Salazar, R. Toral, Simulated annealing using hybrid Monte Carlo, J. Stat. Phys. 89 (1997) 1047–1060.
[52] Y. Iba, Extended Ensemble Monte Carlo, Int. J. Mod. Phys. C12 (2001) 623–656.
[53] 塚本 太郎, 確率密度比推定を利用した統計的ロバスト制御設計, 航空宇宙技術. 13
(2014) 51–54. http://ci.nii.ac.jp/naid/130004551264.
[54] T. Tsukamoto, Stochastic Robust Control Design Using Density Ratio Estimation, Aerosp. Sci. Technol. 13 (2015) 11–15.
[55] 塚本太郎, ランダムカーネルを用いた条件付確率推定, 計測自動制御学会論文集. 51
(2015) 448–450.
[56] J. Georgie, J. Valasek, Evaluation of Longitudinal Desired Dynamics for
Dynamic-Inversion Controlled Generic Reentry Vehicles, J. Guid. Control. Dyn. 26 (2003) 811–819. doi:10.2514/2.5116.
[57] R. Storn, K. Price, Differential Evolution - A simple and efficient adaptive scheme for global optimization, (1995) 1–12.
謝辞
本論文の執筆にあたっては九州大学 工学研究院 航空宇宙工学部門 宮沢与和教授に より御指導，御助言を賜りました．深く感謝の意を表します．
また，本論文をまとめるにあたり工学研究院 航空宇宙工学部門の外本伸治教授，東野 伸一郎准教授，工学研究院海洋システム工学部門の梶原宏之教授に大変に有益なご助言を 賜りました．
筆者が社会人博士課程進学を志した際に理解を示していただいた当時の上司である柳原 正明氏，また，その後引き続きご支援いただいた現在の直属上司である藤井謙司氏に感謝 いたします．
論文の内容は筆者が宇宙航空研究開発機構(JAXA)において主として2009年から2015年 にかけて行った研究をもとにまとめたものであり，研究の実施にあたっては，再使用宇宙 輸送系の誘導制御研究，特に，小規模飛行実験及び有翼ロケットの誘導制御に関する研究 の機会を与えていただくともに技術的な議論，助言をいただいた石本真二氏に深く感謝い たします．
小規模飛行実験，有翼ロケット実験機の誘導制御アルゴリズムの検討にあたって，共同 で作業していただいた南吉紀氏，濱田吉郎氏に感謝いたします．搭載モデルベースの誘導 制御に関しては，折に触れ議論させていただいた鈴木広一氏，二宮哲次郎氏，川口純一郎 氏に感謝いたします．また，統計的手法についてご助言いただくとともに，シミュレーシ ョン評価のための並列計算機システムの整備に尽力いただいた元田敏和氏に感謝いたしま す．小規模飛行実験の飛行実験実施にあたっては，穂積弘毅氏，村岡浩治氏，久保大輔氏，
青木良尚氏, 麥谷高志氏，株式会社WTLの中川英治氏，テクサポート株式会社の守山尚昭 氏，アオキケミカルモデルクラフト社の青木孝夫氏ほか多くの方々にご協力をいただきま した．ここに深謝いたします．
有翼ロケットの誘導制御研究においては，九州工業大学の米本浩一教授よりデータの提 供など大変お世話になり感謝の意を表します．
最後に，予定より長くかかった論文執筆期間中，常に筆者の健康を気遣い協力してくれ た妻に深く感謝します．