[發明專利]一種基于鼠腦定位細胞的機器人情景認知地圖的構建與導航方法

有效

• 申請號: 201811476795.8
• 申請日: 2018-12-05
• 公開（公告）號: CN109668566B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 劉冬;鄒強;叢明;崔瑛雪;呂志
• 申請（專利權）人: 大連理工大學
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01C21/32
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于鼠腦定位細胞的機器人情景認知地圖的構建與導航方法，其特征在于，該方法首先通過機器人情景認知地圖構建算法構建情景認知地圖，再根據情景認知地圖通過導航算法，規劃出全局最優的情景軌跡，進而得到局部的規劃路徑，完成導航任務，具體為：

所述的機器人情景認知地圖構建算法步驟如下：

步驟(1):初始時刻，將機器人靜止的頭朝向設置為0，獲取當前的瞬時速度和機器人的角度信息，同時進行圖像采集；

步驟(2):初始化網格細胞計算模型；

采用基于速率編碼的網格細胞計算模型，其在二維神經板中的動力學方程表示為:

其中，τ是神經響應的時間常數，s_i表示神經元i的狀態，[]₊表示一個閾值線性函數，是神經板中神經元j到神經元i的連接權值，為周圍環狀的局部神經元投射到神經元i的抑制性輸入，B_i為前饋性興奮性輸入；

步驟(3):讀取移動機器人的線速度和角速度信息，輸入到網格細胞的計算模型進行計算，對網格細胞的放電活動進行整合；

步驟(4):對調整網格大小的參數λ和調整神經板上網格野間距的參數g_exc均勻采樣產生多層網格細胞計算模型；位置細胞模型是多層網格細胞計算模型放電活動的選擇性子集，用于輸出機器人當前所處的位置坐標信息，形成移動機器人當前的自身位置感知；

步驟(5):采用SIFT算法，提取視覺傳感器中的圖像特征，處理生成視覺模版，作為當前場景的場景感知；

步驟(6):初始化情景記憶模型，通過當前環境感知映射狀態神經元，采用狀態神經元、場景感知以及自身位置感知建立事件序列以形成情景記憶；

根據情景記憶的生物基礎，建立機器人的情景記憶模型：

E＝{e₁,e₂,…,e_q} (3)

其中每個事件e有三元組s,o,p構成，各元素的意義如下：

1)s：狀態神經元；用來組織生成情景記憶神經網絡；

2)o：場景感知；機器人通過傳感器采集到的圖像對周圍環境進行感知，使用SIFT算法對接收到的圖像進行處理，提取出特征矩陣，并將一組特征點存儲到場景感知特征集中；場景感知用來進行閉環檢測以及糾正路徑積分誤差；

3)p：自身位置感知；表示機器人當前所處的位置；

步驟(7):若當前場景為非初始場景，則通過相似性計算與場景感知特征集中的場景進行比較，來判定是否為新的場景；

步驟(8)：情景認知地圖的構建及糾正

若為新場景，激活一個新的狀態神經元，則生成一個新的事件，并創建狀態神經元之間的連接權值:

其中，Γ為突觸前神經元序列集合；為當前激活神經元的激活度；為新增加的狀態神經元的激活度；

若為熟悉場景，則進行閉環檢測：

當相似性計算結果以及位置細胞相關度均滿足某一閾值時，則認定機器人檢測到了閉環點，隨后對網格細胞計算模型和位置細胞模型以及突觸連接權值進行重置，重置為先前閉環點的狀態；

情景中任意兩個事件的連接是相對應狀態神經元間的連接，根據網格細胞的路徑整合特性和位置細胞的認知地圖特性，以及情景記憶的存儲機理，機器人情景認知地圖構建算法輸出以事件集為頂點，事件連接權值為邊的，多條情景軌跡構成的增量式的情景認知地圖；

所述的導航算法，步驟如下：

步驟(1)：利用構建完成的情景認知地圖，獲取與當前目標相關的機器人經歷過的情景記憶，以自我為參考，基于狀態神經元的激活和連接模式，對神經元激活序列進行重組，從而規劃出全局最優的情景軌跡；

利用場景感知與狀態神經元之間的映射關系，確定當前場景所對應的狀態神經元，并作為初始狀態神經元；選取與第i個神經元連接權值最大的神經元作為下一個激活的神經元，具體方法如下：

W_i*＝maxW_ij,j＝1,2,…,q (5)

利用狀態神經元進行事件定位，重組事件序列，輸出全局最優的情景軌跡；

步驟(2)：當機器人規劃出一條全局最優的情景軌跡之后，機器人開始移動，采用以下方法對機器人的局部路徑進行規劃：

假設機器人當前所在的事件序號為h，以(h+k)序號事件為機器人的移動目標，其中，k根據經驗取值；利用激光傳感器獲得機器人當前位置與目標位置之間的障礙物信息，采用機器人坐標系下局部占用網格表示障礙物，定義機器人在當前坐標系下可選擇的移動路徑集合為P，其路徑對應的曲率為ρ_i，表示該機器人直行方向的切線；

在機器人行駛路徑上檢測到障礙物時，以環繞障礙的最佳可行路徑作為機器人行為控制輸出，同時也要保證避障任務完成后機器人可以回歸到規劃路徑；機器人回到規劃路徑的導航角為：

其中，T為導航算法運行周期，λ為導航角θ_r控制增益，u_c為機器人當前狀態神經元場景感知中的SIFT局部描述子的橫向坐標，u_d為事件庫中匹配場景的下一個場景SIFT局部描述子的橫向坐標，為u_c和u_d的絕對差；

當前最佳路徑根據無障礙路徑選擇與導航算法計算得到曲率ρ最接近的路徑曲率，最終獲得的局部路徑規劃策略如下：

其中，R為危險系數；v_s為機器人的平移速度，由v_s(ω)＝v_min+0.5(v_max-v_min)(1+tanh(π-k_ω|ω|))得到，v_max為機器人速度的最大值，v_min為機器人移動速度的最小值；v_r為機器人在非安全狀態下的移動速度；

依據得到的移動速度v和角速度w實時控制機器人，機器人有效規避障礙物并回歸到規劃路徑，待當前場景感知與目標場景感知達到匹配度最大時，則完成導航任務。