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

《基于自组织可增长映射的移动机器人仿生定位算法研究》 移动机器人的精确定位在当前的机器人学领域占据核心地位，它不仅是机器人自主导航的关键技术，也是实现智能决策和控制的基础。为了达到这一目标，研究者们广泛采用传感器信息和同步定位与地图构建（SLAM）算法。SLAM允许机器人在未知环境中同时构建地图并确定自身位置。 对生物认知机制的研究为机器人定位提供了灵感。例如，哺乳动物的海马体中存在着位置细胞和网格细胞，它们在空间导航中起到关键作用。位置细胞在动物到达特定位置时活跃，而网格细胞则通过六边形模式的放电活动帮助构建环境的网格状表示。O'Keefe和Moser等人的研究揭示了这些细胞如何构成大脑的“导航系统”。 基于这些生物启发，李伟龙等人利用位置细胞的放电机理设计了高精度的空间位置表征方法，通过提取环境路标信息实现定位。周牧等人提出了一种无线局域网室内映射与定位方法，利用Mann-Whitney秩和检验，但这种方法面临RSS样本冗余和聚类邻接性问题。其他研究如Aronov等人发现了位置细胞在大鼠行为路径中的应用，而Milford等人则通过关联视觉场景细胞和位姿细胞建立了仿生SLAM算法，尽管其在闭环检测和速度上表现出色，但在定位精度和效率上仍有待提升。 Kohonen的自组织图（SOM）是1982年提出的一种拓扑映射方法，但需要预先定义网络结构，限制了其实时性。为了解决这个问题，Montazeri等人提出了增长自组织特征图在强化学习中的应用，而于乃功等人结合GSOM（Growing Self-Organizing Map）和双目视觉，解决了SOM的拓扑结构问题。 本文针对GSOM的特性，结合位置细胞的生物机制，提出了一种新的仿生SLAM模型。模型中，局部视图和位姿细胞共同构成VP-SLAM，位姿细胞网络整合了头方向细胞和位置细胞，提供位置和方向信息。局部视图单元则用于表示环境的独特视觉场景，经历地图则由这些信息整合而成。这种结合生物机制和自组织映射的方法旨在提高定位精度和效率，同时克服传统SLAM算法的局限。 在VP-SLAM模型中，里程计提供的内部运动信息和外部环境的局部视图一起用于更新机器人位置和地图构建。通过这种方式，模型能够在不断学习和适应环境中实现自我定位，从而为移动机器人的自主导航提供更准确、更动态的支持。 总结起来，本研究深入探讨了移动机器人定位的生物启发式算法，特别是基于自组织可增长映射的仿生定位技术。结合位置细胞的神经生物学原理和GSOM网络，提出的VP-SLAM模型有望在提高机器人导航的精度和实时性方面取得突破，为未来机器人技术的发展提供新的思路。