基于贝叶斯多模感知融合的类脑机器人导航方法技术

本发明专利技术涉及基于贝叶斯多模感知融合的类脑机器人导航方法，包括以下步骤：积分细胞进行前庭信息融合：根据获取的前庭信息改变积分细胞的发放率；校准细胞进行视觉信息融合；对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率；进行全局抑制；通过估计栅格细胞网络和头朝向细胞网络的发放率所处的相位得到当前机器人的实际位置和头朝向；构建拓扑地图。本发明专利技术中所设计的模型能够进行多模感知的融合，实现对机器人所处的空间环境以及机器人自身的状态进行稳定的编码。模型与哺乳类动物的头朝向神经机制一致，跟神经生物学采集的单神经元记录实验结果相似，具有很高的生物保真性。

Brain-like Robot Navigation Method Based on Bayesian Multimode Perception Fusion

The invention relates to a navigation method of brain-like robot based on Bayesian multimode perception fusion, which includes the following steps: vestibular information fusion of integral cells: changing the release rate of integral cells according to acquired vestibular information; visual information fusion of calibration cells; injecting energy into grid cell network and head-to-cell network to change the release of integral cells and calibration cells. Rate; global restraint; by estimating the phase of grid cell network and head-to-cell network, the actual position and head-to-head of the current robot can be obtained; and the topological map can be constructed. The model designed in the invention can fuse multi-mode perception to realize stable coding of the space environment in which the robot is located and the state of the robot itself. The model is consistent with mammalian head-facing nerve mechanism, similar to the results of single neuron recording in neurobiology, and has high biological fidelity.

【技术实现步骤摘要】
基于贝叶斯多模感知融合的类脑机器人导航方法
本专利技术属于机器人导航领域，尤其涉及一种基于哺乳类动物神经生物学启发，利用贝叶斯进行多模感知融合的机器人导航方法。
技术介绍
在机器人导航系统中进行多模信息融合一直极具挑战。由于可获得的感知信息通常可靠性差，并且受到噪声的影响，多模感知融合可以更加精确地编码机器人的位姿和所处的环境。动物探索环境的两个主要机制是路径积分和地标校准。要提高机器人的导航性能，必须要解决由于路径积分误差积累和地标感知模糊所引起的不确定性。多模感知融合是动物能够精确感知和行为的关键。动物能够长距离的探索，在复杂的环境中导航，再精确的返回到它们的巢穴。神经系统通过融合动物自身的移动信息和视觉信息以一种贝叶斯优化的的方式进行动物位置以及周围环境的估计。神经生物学实验已经发现有几种不同的空间响应细胞能够进行多模感知融合，如海马体中的位置细胞，内嗅皮层的头朝向细胞和栅格细胞。头朝向细胞仅仅在某一个固定头朝向方向发放，栅格细胞则呈六边形的周期性分布于环境中，位置细胞只在某一个特定的空间位置区域发放。但是，当动物长距离探索大环境时，神经系统如何处理这些感知信息的不确定性依然不得而知。视觉信息和前庭信息同样都能编码动物的位置和头朝向信息，神经系统可以无缝的融合这些感知信息，从而得到可靠地头朝向和位置估计。然而，动物空间导航的多模感知的神经机制依然很少清楚。最近，以头朝向系统为模型，用于研究前庭信息和视觉信息的不确定性已经广泛展开，主要包括MSTd区域和VIP区域。神经生理学单细胞记录实验发现，在头朝向细胞网络中，视觉输入能够可塑性的重新头朝向细胞网络的集群发放，然后由前庭信息所继承。而且，低可靠性的视觉信息无法重塑头朝向细胞网络的细胞集群发放。环形吸引子网络模型被提出用于模拟动物自身移动信号和视觉信息之间的相互作用。分布式的连续吸引子网络以贝叶斯推理的形式被用于解释多个感知脑去之间的连接方式。尽管，一些具有生物相似性的吸引子网络模型被提出证明了大脑中具有概率计算的机制，但是没有将神经生物学启发的多模感知融合的贝叶斯模型用于机器人导航系统中。进一步探明动物大脑的空间导航的神经机制，将有助于开发类人导航能力的自主移动机器人。
技术实现思路
本专利技术的目的在于基于哺乳类动物的空间导航神经机制，提出一种机器人导航的方法，该方法中的模型采用贝叶斯吸引子网络编码机器人头朝向和位置，避免了连续吸引子网络的复杂性，是一种高效、简单、易于工程应用的方法。本专利技术解决其技术问题所采用的技术方案是：基于贝叶斯多模感知融合的类脑机器人导航方法，根据贝叶斯吸引子网络模型得到机器人当前的头朝向和位置，并构建地图用于导航，包括以下步骤：积分细胞进行前庭信息融合：根据获取的前庭信息改变积分细胞的发放率；校准细胞进行视觉信息融合：当获取的视觉信息与之前的视觉特征一致，并满足阈值时，那么激活与之相关的局部视图细胞并关联相应的栅格细胞和头朝向细胞，通过对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率；通过积分细胞和校准细胞进行全局抑制；通过估计栅格细胞网络和头朝向细胞网络的发放率所处的相位得到当前机器人的实际位置和头朝向；根据机器人的实际位置和头朝向构建拓扑地图。所述贝叶斯吸引子网络模型：pt(θ|cvi，cve)∝pt-1(θ|cvi，cve)pt(θ|cvi)pt(θ|cve)其中，pt(θ|cvi，cve)表示机器人当前的头朝向位置，pt-1(θ|cvi，cve)是前一个时刻的后验概率分布，pt(θ|cve)是当感知到前庭信息时的似然估计，pt(θ|cvi)是当感知到视觉信息时的似然估计；cve、cvi分别表示前庭信息和视觉信息。所述前庭信息融合通过以下公式实现：其中，表示积分细胞的均值，表示校准细胞的均值，vt表示当前时刻机器人的速度，Δt表示时刻t与时刻t-1之间的时间间隔。所述对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率通过如下公式实现：其中，表示注入能量的强度，表示在一维头朝向神经空间流行上所注入能量的位置；表示当前时刻的校准细胞权重，表示校准细胞的均值。所述全局抑制如下：其中，表示前一时刻的积分细胞权重，而表示前一时刻的校准细胞的权重；表示前一时刻积分细胞和校准细胞的权重总和；表示当前时刻的积分细胞权重，表示当前时刻的校准细胞权重；E表示设定的积分细胞和校准细胞组成网络的总能量。所述全局抑制后，积分细胞和校准细胞进行互相抑制，通过如下公式实现：其中，Δinte表示校准细胞对积分细胞的抑制强度，Δcali表示积分细胞对校准细胞的抑制强度。所述估计栅格细胞网络和头朝向细胞网络的发放率所处的相位包括以下步骤：当前的发放率概率分布通过如下方式实现：其中，表示估计的权重，表示均值，即编码的相位；表示积分细胞的均值，表示校准细胞的均值，表示当前时刻的积分细胞权重，表示当前时刻的校准细胞权重；当达到阈值时，则认为当前的估计位置就是当前机器人的实际位置。如果当前视觉信息与之前的视觉特征都不同，那么建立新的拓扑结点，不对头朝向细胞网络和栅格细胞网络进行能量注入。所述构建拓扑地图具体为：利用机器人的实际位置和头朝向，在拓扑地图中添加结点、以及与其它结点之间的连接，然后通过通用的图优化方法进行拓扑地图的优化，获得最后的拓扑地图。本专利技术具有以下有益效果及优点：1.本专利技术中所设计的模型能够进行多模感知的融合，实现对机器人所处的空间环境以及机器人自身的状态进行稳定的编码。2.本专利技术所设计的模型与哺乳类动物的头朝向神经机制一致，跟神经生物学采集的单神经元记录实验结果相似，具有很高的生物保真性；3.本专利技术中设计的模型不采用连续吸引子网络的递归连接方式，大大的提高了模型在机器人导航过程中的实用性。4.并开发机器人导航系统对本专利技术中所提及的机器人导航方法进行测试，测试系统的运行过程如图4A～4E所示。实验所得结果证明，所采用的模型能够采用廉价的单摄像头所采集的图像信息和速度信息作为输入成功的构建了连贯一致的拓扑地图，如图5所示。附图说明图1为贝叶斯吸引子网络模型框架信息流图；图2A表示头朝向细胞开始时候的神经活动状态；图2C表示栅格细胞开始时候的神经活动状态；图2B表示实验过程中的某一个神经活动状态一；图2D表示实验过程中的某一个神经活动状态二；图3A为栅格细胞在校准细胞作用过程中的集群编码重塑的过程图一；图3B为栅格细胞在校准细胞作用过程中的集群编码重塑的过程图二；图3C为栅格细胞在校准细胞作用过程中的集群编码重塑的过程图三；图3D为栅格细胞在校准细胞作用过程中的集群编码重塑的过程图四；图4A为头朝向细胞的神经活动图；图4B为机器人在环境探索过程中的俯视图；图4C为输入的视觉场景图；图4D为栅格细胞的神经活动图；图4E为拓扑地图；图5为机器人构建的认知拓扑地图。具体实施方式下面结合实施例对本专利技术做进一步的详细说明。本专利技术公开一种基于贝叶斯多模感知融合的类脑机器人导航方法。属于机器人导航
哺乳类动物的空间导航依赖于来自如多个各种不同源头的信息融合。本专利技术中提出一种新型的贝叶斯吸引子网络，探索当视觉信息与前庭信息产生不同的物理环境编码时，解决大脑信息冲突问题。所提出的‘’积分细胞‘’和‘’本文档来自技高网...

【技术保护点】
1.基于贝叶斯多模感知融合的类脑机器人导航方法，其特征在于根据贝叶斯吸引子网络模型得到机器人当前的头朝向和位置，并构建地图用于导航，包括以下步骤：积分细胞进行前庭信息融合：根据获取的前庭信息改变积分细胞的发放率；校准细胞进行视觉信息融合：当获取的视觉信息与之前的视觉特征一致，并满足阈值时，那么激活与之相关的局部视图细胞并关联相应的栅格细胞和头朝向细胞，通过对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率；通过积分细胞和校准细胞进行全局抑制；通过估计栅格细胞网络和头朝向细胞网络的发放率所处的相位得到当前机器人的实际位置和头朝向；根据机器人的实际位置和头朝向构建拓扑地图。

【技术特征摘要】
1.基于贝叶斯多模感知融合的类脑机器人导航方法，其特征在于根据贝叶斯吸引子网络模型得到机器人当前的头朝向和位置，并构建地图用于导航，包括以下步骤：积分细胞进行前庭信息融合：根据获取的前庭信息改变积分细胞的发放率；校准细胞进行视觉信息融合：当获取的视觉信息与之前的视觉特征一致，并满足阈值时，那么激活与之相关的局部视图细胞并关联相应的栅格细胞和头朝向细胞，通过对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率；通过积分细胞和校准细胞进行全局抑制；通过估计栅格细胞网络和头朝向细胞网络的发放率所处的相位得到当前机器人的实际位置和头朝向；根据机器人的实际位置和头朝向构建拓扑地图。2.根据权利要求1所述的基于贝叶斯多模感知融合的类脑机器人导航方法，其特征在于所述贝叶斯吸引子网络模型：pt(θ|cvi，cve)∝pt-1(θ|cvi，cve)pt(θ|cvi)pt(θ|cve)其中，pt(θ|cvi，cve)表示机器人当前的头朝向位置，pt-1(θ|cvi，cve)是前一个时刻的后验概率分布，pt(θ|cve)是当感知到前庭信息时的似然估计，pt(θ|cvi)是当感知到视觉信息时的似然估计；cve、cvi分别表示前庭信息和视觉信息。3.根据权利要求1所述的基于贝叶斯多模感知融合的类脑机器人导航方法，其特征在于所述前庭信息融合通过以下公式实现：其中，表示积分细胞的均值，表示校准细胞的均值，vt表示当前时刻机器人的速度，Δt表示时刻t与时刻t-1之间的时间间隔。4.根据权利要求1所述的基于贝叶斯多模感知融合的类脑机器人导航方法，其特征在于所述对栅格细胞网络和头朝向细胞网络进行注入能量，改变积分细胞和校准细胞的发放率通过如下公式实现：其中，表示...

【专利技术属性】
技术研发人员：斯白露，曾太平，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁,21