论文部分内容阅读
近年来,在人类日常生活当中出现了越来越多的机器人的身影。这对机器人的能力提出了更新的要求:不但要通过自身传感器准确感知外界环境和自身状态,而且要更加智能化地解决机器人“我在哪?要到哪去?怎么去”这三个基本问题。如何使机器人拥有更深层次的认知能力,构建具有更加智能化更深层含义的认知地图并快速,准确地做面向预定目标的导航,是目前最大的挑战。哺乳动物(老鼠、人等)可以快速而准确的完成面向预定目标位置的导航,例如归巢、觅食等行为。哺乳动物(老鼠、人等)对外部世界的感知很大一部分是通过视觉信息从眼球传入大脑,经大脑视觉区域处理之后传递到大脑内两处脑区(“what回路”和“where回路”)。经过对信息的分别编码之后,信息在内嗅皮层和海马体处进行汇合,完成认知活动的信息输入部分。与此同时,生物认知神经学研究表明鼠脑中的海马体在空间认知活动中扮演了指挥者的角色。本文借鉴生物视觉通路理论和生物认知神经学中陈述性情景记忆相关的海马神经元激活理论,并结合海马空间细胞的神经网络模型等背景知识,提出一种基于鼠脑海马的情景认知地图构建方法,满足了机器人对外界实际环境精确认知地图的构建,并在此基础上研究了基于情景认知记忆的机器人面向目标的仿生导航模型。主要研究工作包括:(1)提出了一种基于鼠脑海马的情景认知模型。根据生物视觉认知环境过程以及海马结构中的空间细胞放电特性和空间映射编码关系建立了鼠脑海马情景认知的整体网络模型。其中,利用计算机视觉领域的图像特征提取及特征匹配技术,完成生物视觉信息“where回路”的构建,得到机器人精确位姿感知的输入信息。接下来依据连续吸引子模型完成了路径整合特性和对空间完整表达的放电特性;网格细胞到位置细胞竞争放电特性;位置细胞集群空间环境表达特性,最终获得机器人的精确位姿。实验结果表明,认知模型较好地模拟生物视觉及空间细胞对环境的认知过程;并能获得机器人局部精确的位姿信息。(2)提出了一种基于BoW模型闭环检测及深度神经网络的环境认知方法。该方法采用深度相机传感器对外源环境进行信息采集,构建BoW模型作为对环境信息的表达要素及闭环检测方法。同时使用基于深度神经网络的方法识别环境特定物体,完成陈述性记忆构建,得到对环境的情景信息,其与BoW模型一起共同构成生物视觉信息“what回路”。使用该环境认知方法在不同光照条件下都具有较好的鲁棒性,为构建精确、智能的认知地图奠定了基础。(3)提出一种基于鼠脑海马情景认知模型的认知地图构建方法。通过来自视觉通路“where回路”的对外界感知的速度和方向信息与生物体内部头朝向细胞和条纹细胞进行信息整合,获取老鼠在当前环境中的相对位置。来自位置细胞的对当前环境的表达与来自视觉通路“what回路”的对外界环境物体的识别进行信息整合,完成对当前环境的情景认知,并构建情景记忆单元模型,与当前位置信息进行整合。整个视回路-内嗅皮层-海马回路为空间记忆的动态表达提供了基础。当系统检测到闭环时,利用“what回路”中的情景信息去校正情景记忆单元中的位置信息,并重置空间细胞簇发放到先前发放的状态。最终在认知地图上的情景记忆单元包含了位置细胞簇的细胞放电编码信息、对应环境中的位置信息、机器人下一时刻与前一时刻的位姿旋转平移信息、认知地图相对的拓扑信息以及环境中的情景信息。物理实验表明该方法能够在实验室大空间内构建精确、智能的情景认知地图。最后利用已生成的情景认知地图在改变状态空间、有复杂障碍物的环境中完成面向情景目标的导航课题得到国家自然科学基金项目“No.61573029”和北京市自然科学基金项目“No.4162012”的资助,取得的研究成果对生物认知神经科学、仿生机器人导航、类脑智能计算等方面具有较大的意义。