[發(fā)明專利]一種基于仿生海馬認(rèn)知地圖的導(dǎo)航方法

在審

• 申請?zhí)枺?/td>: 201810057721.4
• 申請日: 2018-01-22
• 公開（公告）號: CN108362284A
• 公開（公告）日: 2018-08-03
• 發(fā)明（設(shè)計(jì)）人: 于乃功;苑云鶴;翟羽佳
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G01C21/20
• 分類號: G01C21/20
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于仿生海馬認(rèn)知地圖的導(dǎo)航方法，其特征在于，具體實(shí)現(xiàn)步驟如下：

步驟(1)構(gòu)建基于鼠腦海馬認(rèn)知機(jī)理的認(rèn)知地圖；

步驟(1.1)構(gòu)建頭朝向細(xì)胞模型

使頭朝向細(xì)胞產(chǎn)生一個與角速度相關(guān)的調(diào)節(jié)信號，即放電率與當(dāng)前頭朝向和老鼠運(yùn)動的速度成比例；θ₀表示頭朝向細(xì)胞的主要朝向，第i個頭朝向細(xì)胞的優(yōu)先方向表示為一個相對于主要朝向θ₀的角偏移量θ_i，那么給定頭朝向細(xì)胞的調(diào)整內(nèi)核：

通過編碼器獲取機(jī)器人的瞬時角速率那么頭朝向信號為：

其中，r為頭朝向細(xì)胞的個數(shù)，是當(dāng)前轉(zhuǎn)動方向，d_i(t)是是頭朝向細(xì)胞族中優(yōu)先朝向?yàn)棣?Sub>i的第i個細(xì)胞在t時刻的頭朝向信號；

步驟(1.2)構(gòu)建條紋細(xì)胞模型

使用一維環(huán)狀吸引子模型對條紋細(xì)胞進(jìn)行建模研究，定義優(yōu)先朝向在以我為中心方向θ，相位為α，放電周期為l的條紋細(xì)胞的放電率為x_θα；該條紋細(xì)胞族在l+α的相位處有最大的放電率；在t時刻動物沿著方向上的移動速度為v(t)，為當(dāng)前運(yùn)動方向，那么沿著θ方向的速度為：

沿著方向上的位移由速度的積分得到：

條紋細(xì)胞周期性放電重置的距離為：

s_θα(t)＝(d_θ(t)-α)modl (5)

將條紋細(xì)胞的放電率建模成高斯模型，條紋細(xì)胞作為網(wǎng)格細(xì)胞吸引子的前向輸入，是對輸入信號的耦合，確定了細(xì)胞吸引子的移動方向；

步驟(1.3)構(gòu)建網(wǎng)格細(xì)胞模型

加入了條紋細(xì)胞與網(wǎng)格細(xì)胞的前向連接用來驅(qū)動網(wǎng)格細(xì)胞吸引子對環(huán)境的編碼；

網(wǎng)格細(xì)胞使用二維連續(xù)吸引子模型，其吸引子受周圍網(wǎng)格細(xì)胞遞歸連接權(quán)值和條紋細(xì)胞的前向連接權(quán)值調(diào)節(jié)；神經(jīng)板，包含有N_x·N_y個神經(jīng)元，i，j表示神經(jīng)板中某一個神經(jīng)元，神經(jīng)元代表對應(yīng)的吸引子；為了解決邊界問題，采用二維環(huán)狀吸引子，將該平面左右邊界的神經(jīng)元、上下邊界的神經(jīng)元相互連接；

在二維神經(jīng)板中基于學(xué)習(xí)率編碼的網(wǎng)格細(xì)胞神經(jīng)元動力學(xué)等式為：

其中，τ是神經(jīng)元時間常量，神經(jīng)元傳遞函數(shù)f[·]是一個簡單的非線性整流函數(shù)，當(dāng)x>0時，f(x)＝x；當(dāng)x≤0時，f(x)＝0；當(dāng)前位置神經(jīng)元i的狀態(tài)為s_i，是在該神經(jīng)板中神經(jīng)元j到神經(jīng)元i的連接權(quán)值，是投射到神經(jīng)元i的抑制性遞歸輸入，x_θα(t)是來自于條紋細(xì)胞的前向性興奮性輸入；如果神經(jīng)板的長度為N，那么整個神經(jīng)網(wǎng)絡(luò)有N²個神經(jīng)元，每個神經(jīng)元i都有著一個優(yōu)先方向，這個優(yōu)先方向信息由條紋細(xì)胞的投射確定；

網(wǎng)格細(xì)胞的遞歸連接權(quán)值為：

其中，權(quán)值矩陣形成一個中間高兩邊低的墨西哥帽形狀分布，其中間位置為在所有的仿真設(shè)定中，γ＝1.05×β，其中λ_net是神經(jīng)片上形成網(wǎng)格的周期，由條紋細(xì)胞的周期l確定；

步驟(1.4)構(gòu)建位置細(xì)胞模型

位置細(xì)胞代表大鼠在環(huán)境中特定位置，是頭朝向細(xì)胞、條紋細(xì)胞、網(wǎng)格細(xì)胞的下游細(xì)胞；

采用二維環(huán)狀吸引子模型構(gòu)建了對于實(shí)際外界環(huán)境相對位置的度量模型；二維連續(xù)吸引子模型由局部興奮性、抑制連接和全局抑制性連接在一個神經(jīng)板上形成一個隨機(jī)的活動包，這個吸引子由空間細(xì)胞路徑積分系統(tǒng)驅(qū)動；

用二維的高斯分布來創(chuàng)建位置細(xì)胞的興奮性權(quán)值連接矩陣ε_m,n，

局部興奮性連接導(dǎo)致的位置細(xì)胞活動的變化量為：

其中，n_X代表在(X,Y)空間中位置細(xì)胞二維矩陣的橫軸長度，n_Y代表在(X,Y)空間中位置細(xì)胞二維矩陣的縱軸長度；代表著吸引子模型在神經(jīng)板上活動的范圍，i_x，j_y代表在矩陣內(nèi)任意行列下的具體某個細(xì)胞；

進(jìn)行位置細(xì)胞迭代和視覺模板匹配的前提是查找位置細(xì)胞吸引子在神經(jīng)板中的相對位置，(X_i，Y_j)表示當(dāng)前興奮細(xì)胞在神經(jīng)板上的絕對位置，這個相對位置坐標(biāo)(m,n)由權(quán)值矩陣的下標(biāo)表示，由下式計(jì)算得到：

m＝(X-X_i)(modn_X) (10a)

n＝(Y-Y_j)(modn_Y) (10b)

每個位置細(xì)胞同樣接收著整個網(wǎng)絡(luò)的全局性抑制信號；位置細(xì)胞由抑制性連接權(quán)值引起的活動變化量為：

其中，ψ_m,n是抑制性連接權(quán)值，控制全局性的抑制水平，p_i,j神經(jīng)板上第(i，j)個細(xì)胞的活動狀態(tài)；所有位置細(xì)胞的活動都是非零的并且進(jìn)行歸一化；

為確保所有時刻的所有位置細(xì)胞的活動都是不小于零的，將位置細(xì)胞的激活率與0進(jìn)行比較，是t時刻位置細(xì)胞活動率，是t+1時刻位置細(xì)胞活動率：

隨后將位置細(xì)胞的活動率進(jìn)行歸一化；

位置細(xì)胞吸引子的移動來自于空間細(xì)胞的對自運(yùn)動線索的路徑積分，條紋細(xì)胞編碼了特定方向上的位移，驅(qū)動網(wǎng)格細(xì)胞吸引子的移動，網(wǎng)格吸引子對特定方向上的二維空間進(jìn)行編碼，使得不同的網(wǎng)格細(xì)胞族激活；不同的網(wǎng)格細(xì)胞族活動的子集確定了位置吸引子的移動；路徑積分后位置細(xì)胞的放電率表示為：

其中，δX₀、δY₀是X-Y坐標(biāo)系中向下取整的偏置量，這一偏置量由速度和方向信息確定；

其中，表示向下取整，k_m是X方向路徑積分常量，k_n是Y方向路徑積分常量；是指向θ_i()的單位向量，θ_i為第i個頭朝向細(xì)胞；θ為當(dāng)前頭朝向，下一時刻位置細(xì)胞的活動率由當(dāng)前時刻位置細(xì)胞的活動率與殘差量α_mn的乘積，殘差量是位置細(xì)胞活動包的擴(kuò)散作用的量化，這個擴(kuò)散作用由殘差偏置量表示，源于網(wǎng)格細(xì)胞的路徑積分作用，而網(wǎng)格細(xì)胞的路徑積分來源于條紋細(xì)胞的前向驅(qū)動作用；

步驟(1.5)基于圖像的閉環(huán)點(diǎn)檢測

采用三維攝像機(jī)Xtion獲取RGB-D圖像，SURF方法提取圖像特征的特征點(diǎn)，利用ICP算法消除誤匹配點(diǎn)；通過比較特征點(diǎn)來解釋閉環(huán)檢測和校正路徑積分誤差；

步驟(1.6)

構(gòu)建的認(rèn)知地圖屬于拓?fù)涞貓D，同樣建立位置細(xì)胞放電活動位置之間的拓?fù)潢P(guān)系，認(rèn)知節(jié)點(diǎn)e組成，i，j分別表示認(rèn)知節(jié)點(diǎn)中的任意不相同節(jié)點(diǎn)，認(rèn)知節(jié)點(diǎn)之間的拓?fù)渎?lián)系由t_ij表示，dⁱ表示當(dāng)前點(diǎn)所有t_ij的集合；每個認(rèn)知點(diǎn)包含有當(dāng)前位點(diǎn)第i個位置細(xì)胞放電活動pⁱ、視覺模板Vⁱ以及位置間的拓?fù)潢P(guān)系dⁱ，；那么單個認(rèn)知點(diǎn)定義為：

e_i＝{pⁱ，Vⁱ，dⁱ} (24)

(1)認(rèn)知地圖的構(gòu)建

設(shè)定認(rèn)知閾值為S_th，S_th范圍0.01～0.99之間；當(dāng)前位置與存在的認(rèn)知點(diǎn)中的位置p比較能夠得到一個位置度量S:

S＝|pⁱ-p| (25)

當(dāng)前認(rèn)知點(diǎn)的位置度量超過認(rèn)知閾值或者當(dāng)發(fā)現(xiàn)新的視覺模板時，新的認(rèn)知點(diǎn)被創(chuàng)建；轉(zhuǎn)換量t_ij存儲由路徑積分計(jì)算的位置改變量，即：

t_ij＝{Δd^ij} (26)

其中，t_ij形成了先前經(jīng)驗(yàn)與新的經(jīng)驗(yàn)點(diǎn)的連接關(guān)系，那么，新的認(rèn)知點(diǎn)j表示為e_j＝{p^j,V^j,dⁱ+Δd^ij} (27)

(2)閉環(huán)處的認(rèn)知地圖更新

當(dāng)視圖模板檢測到實(shí)際的閉環(huán)點(diǎn)時，則認(rèn)為機(jī)器人回到了相同的位置，然而位置變量的累加量在閉環(huán)處的所形成的新的經(jīng)驗(yàn)與這個相同位置是不相匹配的，為了達(dá)到兩者的匹配，需要在閉環(huán)處對所有的經(jīng)驗(yàn)進(jìn)行更新：

其中，是一個糾正率常量，k表示認(rèn)知地圖中任意第k個節(jié)點(diǎn)下標(biāo)，N_f是從認(rèn)知點(diǎn)e_i到其他認(rèn)知點(diǎn)的轉(zhuǎn)移個數(shù)，N_t是從其他認(rèn)知點(diǎn)到當(dāng)前認(rèn)知點(diǎn)e_i的轉(zhuǎn)移個數(shù)，其中只有在連續(xù)兩幀圖像檢測到閉環(huán)時，才對整體的認(rèn)知地圖進(jìn)行調(diào)整；

步驟(2)基于認(rèn)知地圖的導(dǎo)航

步驟(2.1)全局路徑規(guī)劃

使用Dijkstra算法的全局導(dǎo)航；

認(rèn)知地圖被設(shè)置為G＝(V,E)，這是一個有向圖，每個節(jié)點(diǎn)的權(quán)重為其各類信息與目標(biāo)朝向物理距離加權(quán)求和；然后將節(jié)點(diǎn)分成兩組，第一組S是最短路徑節(jié)點(diǎn)集合；開始S只是一個起點(diǎn)，然后每獲得一條最短路徑，它就被添加到集合S中，并且當(dāng)所有節(jié)點(diǎn)都被添加到S時，全局路徑就完成了；第二組是不確定最短路徑的節(jié)點(diǎn)集合U，并且根據(jù)最短路徑長度的增加順序?qū)⒌诙M節(jié)點(diǎn)添加到S.在這個過程中，從起點(diǎn)V到S的點(diǎn)的最短路徑長度不大于從起點(diǎn)V到U中的任意點(diǎn)的最短路徑長度；另外，從S點(diǎn)的距離是從V到那個點(diǎn)的最短加權(quán)路徑長度；距U點(diǎn)的距離是從V到S中只有節(jié)點(diǎn)是當(dāng)前中間節(jié)點(diǎn)的最短路徑長度的點(diǎn)的距離；

步驟(2.1)局部導(dǎo)航

局部導(dǎo)航算法是一種動態(tài)窗口方法；動態(tài)窗口方法對多組速度進(jìn)行采樣的速度(v,w)空間，然后用下一個周期時間軌跡中的這些速度對機(jī)器人進(jìn)行仿真；在獲得多個軌跡后，對軌跡進(jìn)行評估，并根據(jù)選擇最佳軌跡來驅(qū)動機(jī)器人運(yùn)動。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：turtlebot2機(jī)器人和3D相機(jī)Xtion被用來獲取深度信息，并獲得障礙位置；在turtlebot2機(jī)器人的最大速度是最大的v_max，而最小的速度是最小的v_min，w_min為機(jī)器人最小角速度，w_max為最大角速度；

V_m＝{v∈[v_min,v_max],w∈[w_min,w_max]} (29)

由于電機(jī)轉(zhuǎn)矩受限，因此存在最大的加速和減速極限；所以，turtlebot2軌跡轉(zhuǎn)發(fā)了模擬的時間，并且有一個動態(tài)的窗口，所有的機(jī)器人達(dá)到的速度表示為：

其中v,w_c是當(dāng)前turtlebot2的速度，是線速度的最大加減速，是角速度的最大加減速；為了使機(jī)器人能夠在遇到障礙物之前停下來，速度在最大減速條件下的范圍表示為：

其中dist(v,w)是速度(v,w)對應(yīng)于障礙物最近距離處的軌跡。