没有合适的资源?快使用搜索试试~ 我知道了~
基于自组织可增长映射的移动机器人仿生定位算法研究.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 24 浏览量
2023-02-23
20:10:57
上传
评论
收藏 1.01MB DOCX 举报
温馨提示
试读
21页
基于自组织可增长映射的移动机器人仿生定位算法研究.docx
资源推荐
资源详情
资源评论
1. 引言
实现移动机器人的高精度定位逐渐成为机器人导航重要的研究方向之一
[1,2]
,也是实现
机器人智能化决策和控制的基础。通过传感器获取信息和基于概率的同步定位与地图构建
(Simultaneous Localization And Mapping, SLAM)算法是目前机器人自主导航的主要研究方
向。科学家通过对生物环境认知能力的研究发现,哺乳类动物具有对环境的自主认知能
力。O’Keefe 等人
[3]
在对鼠类海马体椎体神经细胞的放电率进行研究时发现,一些椎体神经
细胞的放电活动具有明显的位置选择性,即当大鼠到达某一特定位置时,对应的神经细胞
产生复杂的尖峰电位,而其余细胞处于抑制状态。O’Keefe 等人将具有这种特性的细胞称
为位置细胞(Place Cell, PC)。Hafting 等人
[4]
发现放电形式为六边形的网格细胞,多个网格细
胞的关联响应可以实现空间导航。在之后的研究中,O’Keefe 等人和挪威的 Moser 等人
[5-7]
根据位置细胞和网格细胞具有的“定位”属性,提出了大脑里的“导航系统”概念。文献[8]对
海马体位置细胞的功能和特性作出了更加详细的说明。更多的研究发现,通过对位置细胞
放电率的计算,结合路标获取、位置编码和图像信息能完成机器人的空间位置估计
[9,10]
。空
军工程大学的李伟龙等人
[11]
基于位置细胞的放电机理,提出了位置细胞表征空间位置的两
种方法,借助环境路标的提取实现了对于机器人空间位置的高精度表征。周牧等人
[12]
提出
一种基于 Mann-Whitney 秩和检验的无线局域网室内映射与定位方法,该方法可根据实际
定位精度需求对目标区域进行分段处理,在无需运动传感器辅助和构建位置指纹数据库的
条件下,实现更高的映射与定位精度,但存在相同聚类接收信号强度(Received Signal
Strength, RSS)样本冗余等问题导致聚类(即信号空间中的骨干节点)映射到物理空间中的邻
接性较差。文献[13]提出的基于 RSS 非齐性分布特征的半监督学习室内定位指纹库构建算
法,实现运用少量标记数据对大量未标记数据的位置标定,但仍存在高维接收信号强度
(RSS)数据分布不均匀的影响,缺乏对环境局部几何特征的提取性能。Aronov 等人
[14]
在大
鼠奖励实验中发现,当大鼠到达“奖励空间”时,位于海马体的位置细胞活动速率达到最
大,将这些活动速率变大的位置细胞的响应位置记录下来,得到一条覆盖大鼠活动区域的
路径,即大鼠的运动路径。Milford 等人
[15-17]
提出了一种通过关联视觉场景细胞和位姿细胞
建立经历地图的仿生 SLAM 算法,这一算法能有效地进行闭环检测,更快实现空间地图构
建。但也存在定位精度低和处理数据速度慢的缺点。
1982 年芬兰科学家 Kohonen
[18,19]
基于侧抑制现象提出一种自组织图(Self-Organizing
Map, SOM),并引入“赢者通吃”的竞争规则。这种自组织方法通过学习能够自主绘制出拓
扑地图,但必须定义其初始网络结构,无法满足系统实时性要求。Montazeri 等人
[20]
提出一
种将增长自组织特征图应用于强化学习的算法,通过两个增长的自组织映射实现状态空间
的最佳表征。于乃功等人
[21]
根据自组织可增长映射图(Growing Self-Organizing Map, GSOM)
的特性结合双目立体视觉视差理论,通过构建空间环境的拓扑关系,解决了 SOM 网络需
要预先确定拓扑结构的问题。
本文根据 GSOM 神经网络的特性,引入位置细胞放电机理构建空间经历地图,神经
网络用来建立环境的拓扑地图,位置细胞使拓扑地图的输出神经元具备激活响应,并应用
于 Milford 等人提出的仿生 SLAM 模型中。
2. 局部视图与位姿细胞构建模型
O’Keefe 等人
[3]
通过大鼠的导航细胞和 SLAM 导航策略提出的基于局部视图和位姿感
知的同步定位与地图构建(local View and Pose cell - Simultaneous Localization And Mapping,
VP-SLAM)模型由局部视图单元(view cell)、位姿细胞(pose cell)和经历地图 3 部分组成,本
文将该算法简称为 VP-SLAM。其位姿细胞网络是头方向细胞和位置细胞合并形成的定位
网络,头方向细胞和位置细胞都具有强烈的空间感知特性,其中头方向细胞能感知机器人
的方向信息,位置细胞能感知机器人的位置信息;局部视图单元是可扩展的单元阵列,每
个单元代表环境中独特的视觉场景;经历地图是由位姿感知网络和局部视图单元的活性驱
动产生的多个经历整合而成的相关地图。VP-SLAM 模型如图 1 所示,在 VP-SLAM 模型
中,里程计获取内部感知的自运动信息来估算此刻机器人的位置和方向,局部场景作为外
部感知形成局部视图单元,通过视觉场景学习进行重定位,再将位姿细胞网络获得的位姿
信息与局部视图单元的模板关联生成经历地图。
图 1 VP-SLAM 模型
下载: 全尺寸图片 幻灯片
2.1 位姿细胞模型
连续吸引子竞争网络(Competitive Attractor Network, CAN)模拟位置细胞和头方向细胞
的认知导航功能,在没有外部输入的情况下,CAN 模型可以通过对位姿细胞网络注入适当
的兴奋或抑制性激励,保证位姿细胞的动态更新,用 P 表示位姿细胞的活跃水平。位姿细
胞由位置细胞和头方向细胞组成,其被模型化为一个 3 维立方体结构,如图 2 所示。在笛
卡儿坐标系中,位姿细胞以离散的形式排列,并以多个位姿细胞组成的活动包形式表征机
器人位姿。该活动包编码了机器人对其当前位姿的最佳内部估计。这种动态的内部估计行
为是通过局部兴奋性、全局抑制和归一化 3 个阶段实现的。
图 2 位姿细胞模型
下载: 全尺寸图片 幻灯片
头方向细胞由一组神经元表示,用来表征机器人的方向。当头方向细胞表征的方向与
机器人实际方向一致时,头方向细胞被激活。反之,头方向细胞的活性降低。当机器人学
习完外部传感器输入和方向之间的关联时,可以应用这个关联对之前感知的方向进行校
正。位置细胞以一个离散的 2 维矩阵方式排列,如果机器人处于一个特定的位置,则相应
单元被激活,所有的位置细胞之间采用全激励连接。激励权重矩阵${{{\delta }}_{ij}}$的 2
维形式高斯分布如式(1)所示
$$\left. \begin{split} & {{{\delta }}_{ij}} = \dfrac{1}{u}{\rm{ }}{{\rm{e}}^{\frac{{{{(i{\rm{ }} -
{\rm{ }}j)}^2}}}{{{\sigma ^2}}}}}\\ & u = \displaystyle\sum\limits_{i = 1}^n
{{\rm{ }}{{\rm{e}}^{\frac{{{\rm{ }}{i^2}}}{{{\sigma ^2}}}}}} \end{split} \right\}$$
(1)
其中,${\sigma ^2}$为激励权重高斯分布的方差,u 为位置细胞自关联权重,保证了
每个位置细胞的活性随着机器人偏离该位置细胞所表征的位置而降低。
视觉图像信息为位姿细胞模型中位置细胞的唯一输入,与头方向细胞类似,在环境中
不同位置处的场景需要与位置细胞进行关联。
2.1.1 局部兴奋性
剩余20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