[发明专利]一种基于多尺度网格细胞路径积分的类脑导航方法

说明书

本发明涉及一种基于多尺度网格细胞路径积分的类脑导航方法，属于导航定位与人工智能领域。该方法借鉴哺乳动物大脑内嗅皮层多尺度网格细胞网络路径积分和海马体位置细胞簇网络解算位置神经机理。首先基于指数型增益因子和三维吸引子神经网络构建了三维多尺度网格细胞网络模型，将无人机自运动信息(速度/航向)编码为多尺度网格细胞放电率波包；然后构建了位置细胞簇神经网络模型，将多尺度网格细胞放电率波包解码为无人机三维位置信息。本发明提供了一种三维、大尺度空间下的鲁棒、准确、智能类脑导航方法，可用于卫星拒止和未知复杂环境下无人机的智能自主导航与定位。

技术领域

本发明涉及一种基于多尺度网格细胞路径积分的类脑导航方法，属于导航定位与人工智能领域。

背景技术

无人机是一种由动力驱动、机上无人驾驶、可重复使用的飞行器的简称，在侦察、搜救、飞行表演、测绘测量等军民用领域具有广阔的应用前景。导航作为无人机的核心技术之一，是无人机顺利进行作业活动的前提和基础。

当前，无人机在卫星拒止、未知环境等复杂环境下飞行主要采用基于视觉/激光雷达/惯性等传感器的即时定位与地图构建(SLAM)体系进行导航与定位，由于需要预先构建准确SLAM数学模型，无法较好适应复杂未知环境以及实现准确智能导航定位。

蝙蝠、老鼠等哺乳动物在未知复杂环境下具有鲁棒、准确、智能的导航能力，这种能力的关键是大脑中的“路径积分系统”。大脑路径积分系统主要由内嗅皮层中的多尺度网格细胞网络和海马体中的位置细胞网络两部分构成：前者对来自大脑前庭系统或视觉产生的自运动信息(速度/航向角)进行路径积分，将自运动信息编码为网格细胞特定的时空放电模式；后者对放电模式不断进行记忆和学习，将放电模式解码为动物的实时位置。动物大脑路径积分系统为解决无人机在未知环境下的导航定位难题提供了较好生物模型。

目前关于多尺度网格细胞路径积分导航的研究主要是二维小尺度空间的模拟仿真研究，此外还存在噪声敏感、位置解算不准确等突出弊端，难以应用到无人机未知环境下鲁棒智能导航。因此研究三维、大尺度空间下基于多尺度网格细胞路径积分的类脑导航方法，提高未知环境下无人机导航鲁棒性、准确性、智能性具有重要的科学和应用价值。

发明内容

为了解决现有无人机导航方法在卫星拒止、未知复杂环境下存在的鲁棒性差、不准确导航难题，本发明提出了一种基于多尺度网格细胞路径积分的类脑导航方法。

本发明为解决其技术问题采用如下技术方案：

一种基于多尺度网格细胞路径积分的类脑导航方法，包括如下步骤：

步骤1，视觉处理模块接收无人机视觉传感器实时采集的图像，并根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角；

步骤2，基于三维吸引子神经网络构建三维网格细胞网络模型，所述三维网格细胞网络模型的输入为无人机前向和高度方向线速度以及航向角，输出为网格细胞放电率波包；

步骤3，构建指数递增型速度增益因子序列，所述序列长度为M；

步骤4，将M个因子分别与M个网格细胞网络模型中的无人机前向速度和高度方向线速度相乘，构建三维多尺度网格细胞网络模型，生成M个网格细胞放电率波包；

步骤5，计算由步骤4生成的M个网格细胞放电率波包三维坐标；

步骤6，构建3个位置细胞簇网络，并将步骤5中的M个网格细胞放电率波包三维坐标映射到3个位置细胞簇网络中进行稀疏化处理；

步骤7，构建位置细胞簇网络连接权值训练数据集；

步骤8，采用有监督赫布突触学习训练获得位置细胞簇网络连接权值矩阵；

步骤9，将由步骤5获得的网格细胞放电率波包三维坐标带入步骤6进行稀疏化处理，并基于步骤8生成的连接权值矩阵进行网格迭代计算；