[发明专利]一种基于人工智能网络的动态导航方法

权利要求书

1.一种基于人工智能网络的动态导航方法，其特征在于，包括以下步骤：

步骤A、确定连续吸引子网络的模型和参数，采用二维连续吸引子网络构建头部朝向单元模型，采用三维连续吸引子网络构建三维网格单元模型；

步骤B、步骤A中所述三维网格单元模型表示空间三维坐标，其构建流程为：首先，利用具有局部兴奋和全局抑制的连续吸引子网络动力学模型来对目标活动进行更新；其次，结合平移速度和旋转速度通过三维路径积分实现局部兴奋的移动；最后，当输入相似的路径图片时，目标的移动由局部视图单元进行更新；

所述步骤B中，三维网格单元的局部兴奋模型由权重矩阵描述，其实现方法为通过三维高斯函数创建一个兴奋权重矩阵，u，v，w代表每个三维网格单元之间的距离：

其中，δx，δy，δz是三维空间分布的方差，都是常数，三维网格单元中的活动变化通过矩阵来表示，计算方法为：

其中，n_x，n_y，n_z是这个矩阵的三个维度，其与u，v，w的关系为：

，x、y和z表示三维坐标空间，i，j，k表示对应的第i，j，k个， mod表示取余数；

所述步骤B中，每个三维网格单元都能通过局部抑制的功能使临近的单元得到抑制，在抑制进行的过程中，通过抑制权重矩阵来对活动进行更新；局部抑制与全局抑制的过程都通过中的非负值进行计算，具体为：

其中，φ是全局抑制函数；

三维网格单元的整体活动最后会被归一化以使所有单元回到同一状态，表示为：

其中，x,y,z表示三维坐标空间，i,j,k表示第i,j,k个，n_x,n_y,n_z表示矩阵的三个维度；

所述步骤B中，三维路径积分将三维网格单元的活动映射到其他临近的单元中，单元的活动在当前头部朝向角度θ下，通过平移的速度v，以及高度变化的速度v_h分别映射到x，y平面以及z轴上，单元兴奋活动变化的计算方法为：

其中δ_x0,δ_y0,δ_z0表示三维空间分布的初始方差，γ表示残差，l,m,n表示第l,m,n个网格单元；

单元活动的数量由两个输入决定，两个输入量一个来自发送单元T^gc，另一个来自残余量γ，它是根据补偿值的极小部分δ_xf，δ_yf，δ_zf来计算的，具体描述为：

其中，k_x，k_y，k_z是三维路径积分中的常数，γ的计算方式为：

，其中a,b为系数；

所述步骤B中，局部视图单元与三维网格单元以及头部朝向单元相连接，连接矩阵C用来储存学习到的三维网格单元矩阵、局部视图单元向量与头部朝向单元矩阵之间的联系，使用调整过的赫布定律来对这种连接进行描述，具体表示为：

其中，τ代表学习效率，V_i表示第i个局部视图单元的活动，表示t时刻x,y,z,θ四自由度姿态下的第i个连接矩阵三维网格单元与头部朝向单元中的活动变化为：

其中，常数δ代表着局部视觉校准的强度，n_act是活动的局部视图单元的数量；

步骤C、步骤A中所述头部朝向单元模型表示预定区域的方向信息，在三维垂直空间用多层头部朝向单元模型来表示方位角的信息，头部朝向单元和局部视图单元相连接以进行方位的校准；头部朝向单元的激活流程为：首先，利用多维连续吸引子网络的动力学模型对目标活动进行更新；其次，多维连续吸引子网络构成的头部朝向单元会根据视觉里程计提供的旋转速度，高度变化的速度以及平移速度对三维网格单元网络进行路径积分，得到方向变化和所在高度变化的输出，并根据这些输出对头部朝向进行更新；最后，与三维网格单元网络一样，当输入相似的路径图片时，目标的移动由局部视图进行更新；

所述步骤C中，头部朝向单元的激活模型通过二维高斯函数创建兴奋权重矩阵来实现,在矩阵（h，θ）中单元间的距离亮度由u，v来表示权重矩阵的计算方法为：

其中，δ_θ与δ_h分别是两个方差常数，头部朝向单元中的活动变化描述为：

其中，n_θ，n_h是头部朝向单元矩阵的两个维度，与u，v的关系描述为：

h代表高度，θ代表旋转角；

步骤D、建模视觉感知模块，其由局部视图单元、三维网格单元以及头部朝向单元中的兴奋活动进行驱动，局部视图单元与三维网格单元网络以及头部朝向单元网络相关联，经验位置和姿态信息通过视觉里程计的平移速度和旋转速度感知和估计，视觉感知模块的输出信息包括自身运动信息以及视觉信息，其中视觉信息是三维网格单元网络与头部朝向单元网络的输入沿着路径的积分；

所述步骤D中，视觉感知信息中，像素强度和平移速度的计算方法为：

其中，μ_xy表示平均值，δ_xy表示标准差；

其中，常数μ是为了量测物理速度，S^h表示图像列维度上的平移量v_max是最大阈值，为了滤除掉测量的误差；

转动速度的计算方法为：

通过将两组数据Iⁱ与Iⁱ⁺¹移动s^h到复数维度，然后计算它们之间的平均强度之差；其中ω是图片的宽度；旋转速度∆θ由与常数σ^h相乘得到，常数σ^h通过经验来判断决定其大小；

；

步骤E、根据步骤D中视觉感知模块的输出信息，结合经验环境模型实现三维位置和姿态信息的输出，并根据视觉里程计的观测信息以及局部视图单元的输出信息对经验环境模型进行修正和更新；

步骤F、构建长短时记忆网络，根据历史获得的三维网格单元、头部朝向单元和视觉里程计的观测信息对下一时刻的位置和姿态进行预测，并将预测结果与下一时刻估计得到的位置和姿态进行比较，得到比较误差；

步骤G、通过调整长短时记忆网络参数实现比较误差的修正，直到比较误差收敛到满足输出位置和姿态精度的范围内，则该经验环境模型下的动态导航网络构建完成。