[发明专利]一种基于仿生海马认知地图的导航方法

摘要

一种基于仿生海马认知地图的导航方法，属于仿生移动机器人导航领域。本发明的认知地图属于拓扑地图，认知地图每个节点都包含生物特征信息、环境RGB‑D信息和多个相关节点的关联信息。本发明结合认知地图，使用Dijkstra算法，通过分析将每个节点中的各类信息与目标朝向物理距离加权求和对算法进行改进，得到一条物理距离最短特征信息最多的全局路径。局部导航再根据拐点的个数，找到拐点周围特征最丰富的节点为局部导航的终点，通过SURF图像特征点提取，对比两帧之间平移矩阵和旋转矩阵，进行误差修正。这样将全局导航分割成多段，进行局部导航，减少持续导航中的累计误差。此发明有效地将仿海马认知地图应用到实际导航过程中，并得到不错的实用效果。

主权项

1.一种基于仿生海马认知地图的导航方法，其特征在于，具体实现步骤如下：步骤(1)构建基于鼠脑海马认知机理的认知地图；步骤(1.1)构建头朝向细胞模型使头朝向细胞产生一个与角速度相关的调节信号，即放电率与当前头朝向和老鼠运动的速度成比例；θ0表示头朝向细胞的主要朝向，第i个头朝向细胞的优先方向表示为一个相对于主要朝向θ0的角偏移量θi，那么给定头朝向细胞的调整内核：通过编码器获取机器人的瞬时角速率那么头朝向信号为：其中，r为头朝向细胞的个数，是当前转动方向，d_i(t)是是头朝向细胞族中优先朝向为θ_i的第i个细胞在t时刻的头朝向信号；步骤(1.2)构建条纹细胞模型使用一维环状吸引子模型对条纹细胞进行建模研究，定义优先朝向在以我为中心方向θ，相位为α，放电周期为l的条纹细胞的放电率为x_θα；该条纹细胞族在l+α的相位处有最大的放电率；在t时刻动物沿着方向上的移动速度为v(t)，为当前运动方向，那么沿着θ方向的速度为：沿着方向上的位移由速度的积分得到：条纹细胞周期性放电重置的距离为：sθα(t)＝(dθ(t)‑α)modl   (5)将条纹细胞的放电率建模成高斯模型，条纹细胞作为网格细胞吸引子的前向输入，是对输入信号的耦合，确定了细胞吸引子的移动方向；步骤(1.3)构建网格细胞模型加入了条纹细胞与网格细胞的前向连接用来驱动网格细胞吸引子对环境的编码；网格细胞使用二维连续吸引子模型，其吸引子受周围网格细胞递归连接权值和条纹细胞的前向连接权值调节；神经板，包含有Nx·Ny个神经元，i，j表示神经板中某一个神经元，神经元代表对应的吸引子；为了解决边界问题，采用二维环状吸引子，将该平面左右边界的神经元、上下边界的神经元相互连接；在二维神经板中基于学习率编码的网格细胞神经元动力学等式为：其中，τ是神经元时间常量，神经元传递函数f[·]是一个简单的非线性整流函数，当x>0时，f(x)＝x；当x≤0时，f(x)＝0；当前位置神经元i的状态为s_i，是在该神经板中神经元j到神经元i的连接权值，是投射到神经元i的抑制性递归输入，x_θα(t)是来自于条纹细胞的前向性兴奋性输入；如果神经板的长度为N，那么整个神经网络有N²个神经元，每个神经元i都有着一个优先方向，这个优先方向信息由条纹细胞的投射确定；网格细胞的递归连接权值为：其中，权值矩阵形成一个中间高两边低的墨西哥帽形状分布，其中间位置为在所有的仿真设定中，γ＝1.05×β，其中λ_net是神经片上形成网格的周期，由条纹细胞的周期l确定；步骤(1.4)构建位置细胞模型位置细胞代表大鼠在环境中特定位置，是头朝向细胞、条纹细胞、网格细胞的下游细胞；采用二维环状吸引子模型构建了对于实际外界环境相对位置的度量模型；二维连续吸引子模型由局部兴奋性、抑制连接和全局抑制性连接在一个神经板上形成一个随机的活动包，这个吸引子由空间细胞路径积分系统驱动；用二维的高斯分布来创建位置细胞的兴奋性权值连接矩阵εm,n，局部兴奋性连接导致的位置细胞活动的变化量为：其中，nX代表在(X,Y)空间中位置细胞二维矩阵的横轴长度，nY代表在(X,Y)空间中位置细胞二维矩阵的纵轴长度；代表着吸引子模型在神经板上活动的范围，ix，jy代表在矩阵内任意行列下的具体某个细胞；进行位置细胞迭代和视觉模板匹配的前提是查找位置细胞吸引子在神经板中的相对位置，(Xi，Yj)表示当前兴奋细胞在神经板上的绝对位置，这个相对位置坐标(m,n)由权值矩阵的下标表示，由下式计算得到：m＝(X‑Xi)(modnX)   (10a)n＝(Y‑Yj)(modnY)   (10b)每个位置细胞同样接收着整个网络的全局性抑制信号；位置细胞由抑制性连接权值引起的活动变化量为：其中，ψ_m,n是抑制性连接权值，控制全局性的抑制水平，p_i,j神经板上第(i，j)个细胞的活动状态；所有位置细胞的活动都是非零的并且进行归一化；为确保所有时刻的所有位置细胞的活动都是不小于零的，将位置细胞的激活率与0进行比较，是t时刻位置细胞活动率，是t+1时刻位置细胞活动率：随后将位置细胞的活动率进行归一化；位置细胞吸引子的移动来自于空间细胞的对自运动线索的路径积分，条纹细胞编码了特定方向上的位移，驱动网格细胞吸引子的移动，网格吸引子对特定方向上的二维空间进行编码，使得不同的网格细胞族激活；不同的网格细胞族活动的子集确定了位置吸引子的移动；路径积分后位置细胞的放电率表示为：其中，δX0、δY0是X‑Y坐标系中向下取整的偏置量，这一偏置量由速度和方向信息确定；其中，表示向下取整，k_m是X方向路径积分常量，k_n是Y方向路径积分常量；是指向θ_i()的单位向量，θ_i为第i个头朝向细胞；θ为当前头朝向，下一时刻位置细胞的活动率由当前时刻位置细胞的活动率与残差量α_mn的乘积，残差量是位置细胞活动包的扩散作用的量化，这个扩散作用由残差偏置量表示，源于网格细胞的路径积分作用，而网格细胞的路径积分来源于条纹细胞的前向驱动作用；步骤(1.5)基于图像的闭环点检测采用三维摄像机Xtion获取RGB‑D图像，SURF方法提取图像特征的特征点，利用ICP算法消除误匹配点；通过比较特征点来解释闭环检测和校正路径积分误差；步骤(1.6)构建的认知地图属于拓扑地图，同样建立位置细胞放电活动位置之间的拓扑关系，认知节点e组成，i，j分别表示认知节点中的任意不相同节点，认知节点之间的拓扑联系由tij表示，di表示当前点所有tij的集合；每个认知点包含有当前位点第i个位置细胞放电活动pi、视觉模板Vi以及位置间的拓扑关系di，；那么单个认知点定义为：ei＝{pi，Vi，di}   (24)(1)认知地图的构建设定认知阈值为Sth，Sth范围0.01～0.99之间；当前位置与存在的认知点中的位置p比较能够得到一个位置度量S:S＝|pi‑p|   (25)当前认知点的位置度量超过认知阈值或者当发现新的视觉模板时，新的认知点被创建；转换量tij存储由路径积分计算的位置改变量，即：tij＝{Δdij}   (26)其中，tij形成了先前经验与新的经验点的连接关系，那么，新的认知点j表示为ej＝{pj,Vj,di+Δdij}   (27)(2)闭环处的认知地图更新当视图模板检测到实际的闭环点时，则认为机器人回到了相同的位置，然而位置变量的累加量在闭环处的所形成的新的经验与这个相同位置是不相匹配的，为了达到两者的匹配，需要在闭环处对所有的经验进行更新：其中，是一个纠正率常量，k表示认知地图中任意第k个节点下标，N_f是从认知点e_i到其他认知点的转移个数，N_t是从其他认知点到当前认知点e_i的转移个数，其中只有在连续两帧图像检测到闭环时，才对整体的认知地图进行调整；步骤(2)基于认知地图的导航步骤(2.1)全局路径规划使用Dijkstra算法的全局导航；认知地图被设置为G＝(V,E)，这是一个有向图，每个节点的权重为其各类信息与目标朝向物理距离加权求和；然后将节点分成两组，第一组S是最短路径节点集合；开始S只是一个起点，然后每获得一条最短路径，它就被添加到集合S中，并且当所有节点都被添加到S时，全局路径就完成了；第二组是不确定最短路径的节点集合U，并且根据最短路径长度的增加顺序将第二组节点添加到S.在这个过程中，从起点V到S的点的最短路径长度不大于从起点V到U中的任意点的最短路径长度；另外，从S点的距离是从V到那个点的最短加权路径长度；距U点的距离是从V到S中只有节点是当前中间节点的最短路径长度的点的距离；步骤(2.1)局部导航局部导航算法是一种动态窗口方法；动态窗口方法对多组速度进行采样的速度(v,w)空间，然后用下一个周期时间轨迹中的这些速度对机器人进行仿真；在获得多个轨迹后，对轨迹进行评估，并根据选择最佳轨迹来驱动机器人运动。