[發明專利]一種基于卷積神經網絡的仿生海馬認知地圖構建方法

在審

• 申請號: 201910587596.2
• 申請日: 2019-07-02
• 公開（公告）號: CN110210462A
• 公開（公告）日: 2019-09-06
• 發明（設計）人: 于乃功;魏雅乾;王林;翟羽佳
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

1.一種基于卷積神經網絡的仿生海馬認知地圖構建方法，其特征在于，所述方法包括如下幾個步驟：

步驟1，機器人探索環境，采集速度、方向及所處環境RGB圖像信息；

步驟2，將速度和方向信息輸入依據海馬體空間計算模型構建的位置感知模塊，采集機器人當前位置信息；

步驟3，將RGB圖像信息輸入到依據卷積神經網絡構建的視覺輸入模塊，獲得當前環境圖像特征；

步驟4，通過相似性度量方法，判斷步驟3得到的圖像特征與視圖庫中的圖像特征是否匹配：若匹配，則利用視圖庫圖像關聯的位置信息糾正當前機器人的位置，并通過圖松弛算法修正認知地圖網絡節點位置，更新認知地圖，并返回步驟1繼續，否則進行步驟5；

步驟5，將步驟3得到的當前圖像特征存入視圖庫，并將其與機器人當前位置信息關聯，創建認知地圖網絡節點并更新認知地圖，繼續下一步；

步驟6，返回步驟1，繼續探索環境，不斷更新認知地圖。

2.如權利要求1所述的一種基于卷積神經網絡的仿生海馬認知地圖構建方法，其特征在于，步驟2中所述的位置感知模塊包括網格細胞模型和位置細胞模型，首先將機器人速度和方向信息輸入到網格細胞模型，模擬其周期性放電野將整個環境充滿的過程；然后將網格細胞模型的輸出作為位置細胞模型的前向輸入，得到位置細胞活動，最后競爭神經網絡實現位置細胞對環境信息的特定編碼映射，完成精確位置采集。

3.如權利要求1所述的一種基于卷積神經網絡的仿生海馬認知地圖構建方法，其特征在于，步驟3具體如下：

3.1特征提取

將機器人采集的圖像特征信息，輸入到微調的VGG-16模型，得到當前圖像特征，特征提取的具體過程為：

將VGG-16作為圖像的特征提取器：首先基于VGG-16模型進行微調，將VGG-16網絡的3個全連接層去掉，用GAP代替最后的全連接層；

3.2二值化處理，

對3.1得到的圖像特征進行二值化處理，具體為：

用v＝(v₁,v₂,v₃,…,v₅₁₂)表示通過3.1特征提取得到的圖像特征向量，將特征向量中的元素映射到[0,1]區間，生成新的矩陣v′，其中v′中的第i個元素的計算公式如公式(1)；根據公式(2)對v′進行哈希編碼，進而構成二值化向量μ＝(μ₁,μ₂,μ₃,…,μ₅₁₂)，

其中，v_i為圖像特征向量的元素，v_min為特征向量中的最小值元素，v_max為特征向量中的最大值元素；

其中，v′_i為向量v′的第i個元素，T為閾值。

4.如權利要求1所述的一種基于卷積神經網絡的仿生海馬認知地圖構建方法，其特征在于，步驟4中所述的匹配成功的判斷條件具體如下：

根據公式(3)，計算二值化處理后的圖像特征與視圖庫中所有圖像特征的漢明距離，

其中μ_input為經二值化處理后的圖像特征，μ_database為視圖庫中的圖像特征，

當圖像相似度即漢明距離超過設定閾值時，表示匹配成功；否則，表示匹配不成功。

5.如權利要求1所述的一種基于卷積神經網絡的仿生海馬認知地圖構建方法，其特征在于，步驟4中所述的利用視圖庫圖像關聯的位置信息修正認知地圖網絡節點位置。具體如下：

按照相似性排序結果選擇檢索相似度最高的前三張圖像特征，根據公式(4)，將它們分別關聯的位置信息與當前機器人的位置信息進行比較，選取最小差值，并根據公式(5)選取ΔL對應的L_i糾正認知地圖網絡節點相對位置。

ΔL＝min{|L_i-L_cur|} (4)

其中L_i為與選取圖像關聯的認知地圖網絡節點的位置，L_cur為位置感知模塊得到的機器人當前位置，

其中，α為認知地圖糾正常數，N_f表示當前認知地圖網絡節點與其它節點連接的數量，N_t表示其它認知地圖網絡節點與當前節點連接的數量，ΔL_i為認知地圖網絡節點相對位置的修正值，ΔL_ij為節點間機器人的位置變化量。