【技术实现步骤摘要】
仿信鸽脑-海马的无人机同时定位与建图导航系统及方法
本专利技术涉及一种仿信鸽脑-海马的无人机同时定位与建图导航系统及方法，属于无人机自主导航领域。
技术介绍
信息时代的到来，导航技术在新型战场环境中扮演着越来越重要的角色。以无人机为代表的智能机器人函待解决的重要问题是自主导航，即无人机在动态非结构化的环境中，通过自身的传感器进行感知和学习，实现面向目标的避障自主移动的过程。2007年12月，美国国防部发布的《无人飞行器系统路线图2007-2032》指出，随着无人机自主控制级别定义不断明确，其自主导航技术正与人工智能相结合，并将在一定程度上具备对环境感知和决策的能力。目前，无人机已经成体系地发展出惯性导航、卫星导航等导航方式，但是与生物自身的导航能力相比其智能化水平还是相对较低。卫星导航系统容易受到恶意干扰和破坏，且在城市高楼、山底、峡谷间等情况下导航信号可能会被拒止、削弱；惯性导航随着时间增加，误差会快速累计，高精度惯导传感器成本较高，体积较大。同时定位与地图构建(Simultaneouslocalizationan...
【技术保护点】
1.一种仿信鸽脑-海马的无人机同时定位与建图导航系统，以下简称SLAM导航系统，其特征在于：/n所述的SLAM导航系统由7个模块组成，分别为：1)图像采集与预处理模块、2)局部视场细胞模块、3)里程计模块、4)位姿细胞模块、5)头朝向细胞模块、6)网格细胞模块、7)经验地图模块，该系统依据不同的功能，又可以划分为两个独立的类脑导航子系统，其中图像采集与预处理模块、局部视场细胞模块、里程计模块、位姿细胞模块、经验地图模块共同构成了第一个信鸽脑海马认知导航子系统，图像采集与预处理模块、局部视场细胞模块、位姿细胞模块、头朝向细胞模块、网格细胞模块、经验地图模块共同构成了第二个信鸽...
【技术特征摘要】
1.一种仿信鸽脑-海马的无人机同时定位与建图导航系统，以下简称SLAM导航系统，其特征在于：
所述的SLAM导航系统由7个模块组成，分别为：1)图像采集与预处理模块、2)局部视场细胞模块、3)里程计模块、4)位姿细胞模块、5)头朝向细胞模块、6)网格细胞模块、7)经验地图模块，该系统依据不同的功能，又可以划分为两个独立的类脑导航子系统，其中图像采集与预处理模块、局部视场细胞模块、里程计模块、位姿细胞模块、经验地图模块共同构成了第一个信鸽脑海马认知导航子系统，图像采集与预处理模块、局部视场细胞模块、位姿细胞模块、头朝向细胞模块、网格细胞模块、经验地图模块共同构成了第二个信鸽脑海马认知导航子系统；
其中，图像采集与预处理模块，包括图像采集与图像预处理；图像采集需要采用视觉传感器采集实时图像；然后图像预处理将彩色图像转为灰度图，并做图像增强和图像分块处理，分块后的图像用于视觉里程计模块和局部视图模块计算；
其中，局部视场细胞模块，是一个可扩展细胞数组，每个局部视场细胞表示环境中不同的视觉场景；局部视场细胞模拟动物看到的当前环境快照，当看到一个新的视觉场景时，会创建一个新的局部视场细胞，并与该场景中的原始像素数据和位姿细胞相关联；并在遇到已知的区域或回环时，提供激活的效果；
其中，里程计模块，包括两个独立的里程计模块，一个是基于扫描线强度轮廓的视觉里程计，通过比较连续图像的差异来粗略确定摄像机的运动；另一个是基于特征点的视觉里程计模块，为头朝向细胞模块和网格细胞模块提供运动信息；
其中，位姿细胞模块，位姿细胞被实现为一个三维竞争吸引子神经网络，通过局部激活和全局抑制在其单元上收敛到一个稳定的激活模式；竞争吸引子神经网络单元可以有许多配置，但是通常每个单元都会激励靠近自己的细胞，并抑制更远的细胞，这导致一个活动团最终占据主导地位，称为活动包；活动包附近的活动将倾向于被激活，远离它注入的活动将被抑制；如果注入足够的活动，新数据包可以“获胜”，而旧数据包则消失；
5)头朝向细胞模块，用于通过基于特征点的视觉里程计运动估计算法估计方向；
6)网格细胞模块，该模块模拟网格细胞放电实现里程计算，因此该模块接收无人机的速度信息；网格细胞需要接收基于特征点的视觉里程计运动估计算法估计的速度，同时接收头朝向细胞的方向输入，共同驱动网格细胞形成运动流；
7)经验地图模块，经验地图模拟信鸽脑中的认知地图，可以将来自位姿细胞、局部视场和自运动估计的信息流组织成一组相关的空间经验，构建一个拓扑地图；经验地图中的单个经验由位姿细胞中的活动模式和局部视场中的活动模式的连接定义；在经验地图中，每个经验都有一个相关的位置和方向；创建新节点时还将创建指向先前活动节点的连接，连接封装了基于里程信息的节点之间的姿态转换；当无人机重新回到已知区域时，局部视场与以前的经验相同，将通过将经验地图中存储的经验位置和方向与当前位置的转换信息对齐来执行地图校正。
2.一种仿信鸽脑-海马的无人机同时定位与建图导航方法，其特征在于：所述方法步骤如下：
步骤一：建立3D位姿细胞连续吸引子神经网络动力学模型，并初始化；
位姿细胞以下简称PC，是一个3D连续的吸引子网络细胞集合，通过激活性和抑制性连接相连，其特征类似于哺乳动物中发现的导航神经元，即网格细胞；PC是一种抽象的细胞，它通过替换活动包来更新其活动，用来编码无人机导航任务的大规模环境中的位置；PC网络动力学使得稳定状态是单个激活单元簇，称为活动包；这个活动包的质心是编码无人机对其当前姿态的最佳内部估计，这种动力学行为是通过局部激活性、全局抑制性连接性实现的，激活权重矩阵εa,b,c描述为下式：
其中kp,kd是位置和方向方差常数；a,b,c分别表示激活单元与x',y',θ'联合坐标系原点间的距离；抑制的权重矩阵与之相同，只是方差常数和抑制范围有区别；
步骤二：建立2D网格细胞连续吸引子神经网络动力学模型，并初始化；
本发明采用如下连续吸引子模型建模网格细胞动力学特性
其中f是非线性函数，神经元i的突触激活为si，Wij是神经元j到神经元i的突触权重矩阵，τ为神经反应的时间常数，神经元i的前馈输入Bi；
步骤三：图像获取和图像预处理；
通过摄像机获取实时图像，并对图像灰度化处理；然后，采用基于拉普拉斯算子的图像增强算法增强图像对比度；拉普拉斯算子定义为：
拉普拉斯算子可以增强图像，最后得到的锐化公式为：
其中g是输出，f为原始图像，c是系数；
最后，将图像裁剪为3个不同的区域A、B、C，分别用于计算里程计旋转、平移，以及图像匹配；
步骤四：基于扫描线强度轮廓的视觉里程计运动估计；
里程计是基于扫描线强度轮廓实现的，扫描线强度轮廓通过对图像像素列强度值求和，然后对得到行向量进行归一化而形成一维向量即profile，profile用于估计用于里程计的图像之间的旋转和前进速度，并将当前图像与先前看到的图像进行比较以执行局部视图校准；
然后通过确定两个连续扫描线分布的相对水平偏移使两个剖面之间的绝对差之和最小来估计旋转速度，通过将最小差异乘以比例因子来估计平动速度，并将其限制在最大值内，以防止由于照明的巨大变化而产生虚假结果；所述的当前图像与先前看到的图像进行比较，是通过计算两个扫描线强度轮廓之间的平均绝对差来进行的，如式(5)：
其中Ij和Ik是要比较的扫描线强度剖面，s是剖面偏移，w是图像宽度；使f(s)取得最小值的s值即连续图像Ij和Ik相对移动：
其中偏移量ρ确保剖面之间有足够的重叠，则角度和速度分别与s和f(s)...
【专利技术属性】
技术研发人员：段海滨，辛龙，鲜宁，邓亦敏，魏晨，吴江，周锐，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。