没有合适的资源?快使用搜索试试~ 我知道了~
基于兴趣倾向机制的仿生SLAM算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 87 浏览量
2023-02-23
20:00:00
上传
评论
收藏 1.23MB DOCX 举报
温馨提示
试读
16页
基于兴趣倾向机制的仿生SLAM算法.docx
资源推荐
资源详情
资源评论
1. 引言
同时定位与地图创建(Simultaneous Location And Mapping, SLAM)是指在没有环境先验
信息的情况下,使用自身携带的多种传感器采集环境信息,于运动过程中建立环境模型,
并同时估计机器人自身运动。但 SLAM 存在计算量较大、复杂度较高等问题,SLAM 的智
能化水平相比于动物的导航能力较低。为此开发和研究新的 SLAM 算法,特别是借鉴鼠脑
海马认知机理的方法,是近年来移动机器人 SLAM 领域的一个研究方向和重点
[1-3]
。
神经学家研究发现动物大脑中的海马体在导航中起着关键作用,海马体能够实现“空
间认知地图”的构建,并在路径整合中发挥重要作用
[4,5]
。文献[6]表明哺乳动物海马体内的
位置细胞和内嗅皮层的网格细胞能够对环境形成类似地图的空间表示,并把这种空间表示
称为一种能够表示拓扑关系的认知地图。Hafting 等人
[7]
确定了路径整合器在大脑结构中的
具体位置,其有力证据是在脑背侧内嗅皮层中发现一种在空间特定位置具有放电特性的网
格细胞,当动物到达特定的位置点时该细胞总是被激活。Doeller 等人
[8]
发表在 Nature 上的
文章中也证实了人脑中网格细胞的存在。研究者认为网格细胞是动物空间导航的重要组成
部分,近年来经过大量动物导航相关实验的研究,发现哺乳动物大脑海马中,参与构建“空
间认知地图”相关性的细胞除了网格细胞外还有位置细胞
[9]
、边界细胞
[10]
、条纹细胞
[11]
等。
研究人员根据这些细胞的特性设计多种数学模型,Barry 等人
[12]
根据网格细胞的六边形放
电结构提出振荡干涉模型对网格细胞进行建模,对速度信息和方向信息进行整合来获取大
鼠在环境中的位置信息。但是缺乏生理学依据。Hardcastle 等人
[13]
发现在不同的几何环境
下网格细胞的分布规律会发生变化,在实验中将圆形环境换成六边形环境时网格细胞分布
会重新排列且定位精度也发生了较大的变化。Jayakumar 等人
[14]
针对不规则复杂环境场景
对网格细胞分布的影响,引入边界信息对网格野相位进行周期性重置,提高了算法的定位
精度。
随着学者探究发现,大鼠在进行导航时不仅仅依靠位置感知模型,还涉及外界的视觉
线索,为了将视觉线索与海马体计算模型相融合,文献[15]借鉴灵长类动物大脑的一些特
性,提取视觉信息并采用模糊自适应共振理论模型建立视觉记忆,实现对环境的认知与表
征,但该模型没有考虑众多神经元细胞之间的联系,鲁棒性较差。Milford 等人
[16]
提出基于
鼠类定位与构图的导航算法(Rat Simultaneous Location and Mapping, RatSLAM),算法利用
不同类型的定位细胞功能来完成空间导航任务。然而此算法实时性较低且受光照影响较
大。文献[17]为了提高 RatSLAM 算法实时性将 FAB-MAP 算法融入到 RatSLAM 中,改进
后的算法采用了视觉词袋模型来进行闭环检测提高了系统在复杂环境中导航的实时性。
Hou 等人
[18]
为了解决光照对环境的影响通过 PlaceCNN 网络提取图像的显著性区域进行闭
环检测,在复杂的光照情况下取得了较好的效果。李维鹏等人
[19]
针对闭环路径不一致、闭
环视角较大等问题,提出基于场景显著性区域的闭环框架,提高了算法对歧义场景的分辨
能力。
传统的显著性区域提取方法存在提取的冗余信息过多,影响闭环效率。基于此,本文
提出一种基于兴趣倾向机制的仿生 SLAM 算法。利用 LAHN 构建与海马认知机理有关的
位置感知模型。与此同时,在相似性场景匹配时通过兴趣倾向机制将提取出来的显著性区
域进行兴趣赋值,减小冗余信息带来的影响。并引入关键帧评分策略避免了模糊关键帧,
提高了算法闭环的准确率。将环境感知模型提取的视觉信息与位置感知模型竞争出来的位
置细胞相融合,建立具有拓扑关系的认知地图,认知地图的构建过程如图 1 所示。
图 1 认知地图构建
下载: 全尺寸图片 幻灯片
2. 位置感知模型
在哺乳动物的海马体中存在许多相互关联的神经元,这些神经元是大脑学习、形成场
景记忆以及执行空间导航的关键中枢,位置细胞和网格细胞等定位细胞均被证实存在于大
脑海马体中,其中位置细胞放电活动具有明显的位置选择性,与所处的位置信息有密切的
关系,这种特异性放电活动能够帮助动物判断自身所处环境中的位置。当生物在 2 维空间
自由活动时,网格细胞在特定的位置发生重复性的放电,其放电活动具有高度的稳定性,
多个放电空间交叉叠加形成网格节点,连接网格节点便形成一个近似六边形的网格结构,
覆盖整个环境空间,基于这种六边形网格结构,生物自由运动到网格节点时,相应的网格
细胞会产生最大化放电活动,表明网格细胞相当于一个坐标系,度量生物的位置坐标
[20]
。
2.1 网格细胞路径整合模型
LAHN 是一个无监督神经网络,从输入信息中提取最佳特征,当输入信息受到外界环
境的限制时,可以通过网络的横向连接调整输出信息,能够针对环境的变化进行实时更
新。考虑到不规则复杂环境场景对网格细胞分布规律的影响,本文采用 LAHN 对网格细胞
进行建模。机器人匀速在二维平面上进行自由探索,以相同的概率到达平面内的任意一
点,通过编码器获取瞬时角速度,将获取的瞬时角速度信息经过自组织映射算法对其进行
训练,映射到 LAHN 层,为机器人在探索环境时的网格细胞提供运动方向信息,方向编码
的更新规则如式(1)所示。
$$ {\theta _{HD}} = {[\cos (\theta ){\text{ }}\sin (\theta )]^{\rm{T}}}{\boldsymbol{W}} $$
(1)
其中,$ \theta $为瞬时角速度信息,${\boldsymbol{W}}$为自组织映射输入权重矩
阵,$ {\theta _{HD}} $为机器人的方向信息。
网格细胞放电率随着机器人运动而发生变化,根据 LAHN 学习规则,网格细胞的兴
奋值更新规则由式(2)、式(3)、式(4)所示。
$$ \begin{split} \qquad \frac{{{\rm{d}}\left( {\chi _j^{_{{\rm{inh}}}}} \right)}}{{{\rm{d}}t}} =& - \chi
_j^{_{{\rm{exc}}}}\left[ {{R_p} + \kappa v{\theta _{HD}}} \right] \\ & + \chi _j^{_{{\rm{inh}}}}\left[ {\mu -
\left( {\chi {{_j^{_{{\rm{inh}}}}}^2} + \chi {{_j^{_{{\rm{exc}}}}}^2}} \right)} \right] \end{split} $$
(2)
$$ \begin{split} \qquad \frac{{{\rm{d}}\left( {\chi _j^{_{{\rm{exc}}}}} \right)}}{{{\rm{d}}t}} =& \chi
_j^{_{{\rm{inh}}}}\left[ {{R_p} + \kappa v{\theta _{HD}}} \right] \\ & + \chi _j^{_{{\rm{exc}}}}\left[ {\mu -
\left( {\chi {{_j^{_{{\rm{inh}}}}}^2} + \chi {{_j^{_{{\rm{exc}}}}}^2}} \right)} \right] \end{split} $$
(3)
$$ {R}_{p}\text{=1}/\mathrm{exp}(\Vert {X}_{p}-{X}_{w}\Vert ) $$
(4)
其中,$ \kappa $为网格细胞空间尺度参数,$ v $为机器人当前速度,$ \mu $为网格细
胞放电幅值抑制常数,决定网格细胞放电率幅值,本文取值为 1。$\chi
_j^{_{{\rm{inh}}}}$的值为负数,为第$ j $个网格细胞的抑制水平。$\chi
_j^{_{{\rm{exc}}}}$的值为正数,为第$ j $个网格细胞的兴奋水平。$ {R_p} $为$ t $时刻网
格细胞放电率调节因子,根据边界信息调整网格细胞兴奋值,$ {X_p} $为当前机器人的位
置信息,$ {X_w} $为正前方的边界位置信息。
LAHN 激活函数采用双极性激活函数,激活函数取值范围$ [ - 1,1] $,当激活函数的
输入与输出同号时,加大网络连接权重,否则,降低网络连接权重,网络输出值即为网格
细胞响应值,其 LAHN 输出值如式(5)所示。
$$ {\xi _k}(t) = \sum\limits_{j = 1}^m {{q_{ij}}} [\chi _j^{_{{\rm{exc}}}}(t) + \chi _j^{_{{\rm{inh}}}}(t)] +
\sum\limits_{k = 1}^n {{{\boldsymbol{w}}_{ik}}} {\xi _k}(t - 1) $$
(5)
其中,$ {q_{ij}} $是前向通道权值,${{\boldsymbol{w}}_{ik}}$是横向通道权值,
$ {\xi _k}(t - 1) $为前一时刻的网格细胞响应值,m 为在 LAHN 层中的神经元总数,n 为网
格细胞个数。
前向通道权值和横向通道权值更新规则如式(6)、式(7)所示。
$$ \quad\Delta {q_{ij}} = {\eta _F}\left[ {{\chi _j}(t){\xi _k}(t) - {q_{ij}}\xi _k^2(t)} \right] $$
(6)
$$ \quad \Delta {w_{ik}} = - {\eta _L}{\xi _k}(t){\xi _k}(t - 1) $$
(7)
其中,$ \mathop \eta \nolimits_F $和$ \mathop \eta \nolimits_L $本文取值 0.9,分别是前
向学习率和横向学习率。通过在环境中的探索与学习,更新后的突触权重呈六边形周期分
布。得到稳定的网格细胞放电场。为了使突触权重产生周期性的空间分布,对权重更新进
行非线性限制,分别设置权重的上边界和下边界,当所有突触的任一权重超出上边界或下
边界之间的范围时,通过竞争对所有突触的权重等比例缩放,使得所有的突触权重在上边
界和下边界之间。
图 2(a)、图 2(b)是分别在正方形和六边形环境中探索 600s 后生成的网格细胞分布
图。因为探索时间过短,网格细胞分布规律较混乱。图 2(c)、图 2(d)是分别在正方形和六
边形环境中探索 1000 s 之后生成的网格细胞分布图。探索时间充足,对环境场景更加熟
悉,网格细胞分布均匀,能够较好地表征环境位置信息。
图 2 网格细胞分布图
下载: 全尺寸图片 幻灯片
2.2 位置细胞模型
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3895
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功