CN103699125B - 一种基于鼠脑海马导航的机器人仿真导航方法 - Google Patents
一种基于鼠脑海马导航的机器人仿真导航方法 Download PDFInfo
- Publication number
- CN103699125B CN103699125B CN201310660161.9A CN201310660161A CN103699125B CN 103699125 B CN103699125 B CN 103699125B CN 201310660161 A CN201310660161 A CN 201310660161A CN 103699125 B CN103699125 B CN 103699125B
- Authority
- CN
- China
- Prior art keywords
- robot
- cell
- gitter
- coordinate points
- motion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
一种基于鼠脑海马机器人仿真导航方法。属于机器人运动导航技术领域。其特征在于仿照鼠脑海马组织,机器人CPU预先定义网格细胞层G和地点细胞层P。机器人探索环境过程中采集包括运动方向Φ和速度v的运动信息,采集到的运动信息输入网格细胞层,在网格细胞层中利用震荡干扰模型将运动信息进行整合,形成网格细胞层响应,利用神经网络算法计算网格细胞层G与地点细胞层P连接权值W,形成地点细胞-网格细胞响应网络,机器人对空间的认知即以神经网络响应的形式存储。根据认知地图储存的空间信息机器人控制运动决策模块进行运动决策,本发明能在机器人探索运动中自主的取得较好的空间认知效果,可应用于工业机器人、服务机器人等。
Description
技术领域:
本发明涉及一种基于鼠脑海马结构和其运行机制的机器人仿生导航方法。本方法能用于自主学习空间信息并用于面向室内、街道等环境的移动机器人自主导航系统或装置。
背景技术:
智能移动机器人属于能通过传感器感知自身和环境状态,在环境中可以面向目标自主地运动,从而完成一定功能的机器人系统。当移动机器人处于未知环境中时,机器人只具有很少基于环境的先验知识,因此对环境的认知是实现定位、路径规划、环境建模等自主导航控制的最基本的前提。研究人类以及动物对环境的认知能力、空间的感知与空间的行为能力已成为研究人类智能以及机器人发展的一个重要方向,把对人类以及其它高级动物对环境的认知科学研究成果应用于移动机器人的研究将有助于建立一个鲁棒的未知环境中的移动机器人导航体系。动物神经学家经过长期的研究发现啮齿动物大脑内的海马在导航中起着关键性作用。海马有与空间定位、方向识别、位置感应等空间认知行为相关的能力,是啮齿动物空间认知与空间行为能力的神经学基础。
鼠脑内空间认知信息通路为:后托(Pos)\头向细胞(HeaddirectioncellHD)—内嗅皮质(entorhinalcortexEC)—海马体(Hippocampus)。鼠脑内环境信息主要存在于内嗅皮质的网格细胞和海马体的地点细胞中。视网膜将视觉信息输入后托,由后托提取空间位置、空间几何形状,用于空间认知。头向细胞在鼠脑内功能类似罗盘,为鼠脑提供方向信息,头向细胞的响应随着鼠头部指向方向变化而变化,每一个头向细胞在空间内对一个特定的鼠头方向最大化放电,其放电规律呈现高斯曲线如图4所示,头向细胞最大放电方向即称作该头向细胞的偏好方向(preferenceangle)。当鼠在二维空间中活动时,内嗅皮质内的网格细胞对应于一个特定的空间位置发生重复性规律放电响应,这个相对狭小的空间范围称为网格细胞的放电野,多个放电野相互交叠成一个个节点,即网格节点,连接网格节点形成相连接的三角形遍及整个空间环境即网格细胞放电域,鼠在活动空间中到达任一网格节点时,都有相应的网格细胞发生最大放电。地点细胞主要位于海马体内,其放电特征具有空间特异性,即在一个特定空地点细胞最大化放电,因而,地点细胞提供一个动态的、连续的空间位置表达和鼠定位信息,地点细胞放电所对应的实际空间中相对狭小的范围称之地点细胞响应域。网格细胞的放电野与空间位置有着准确的对应关系,但又有着显著的不同:一个地点细胞可以对应于多个位置野,且位置野主要集中于空间环境中的特定位置,如外界线索,即在特定位置时,地点细胞发生最大化放电,而一个网格细胞只对应于一个放电野,放电野遍及实际空间环境的整个范围,当鼠在到达空间环境的任一网格节点处,都有相对应的网格细胞发生最大放电,网格细胞和地点细胞空间响应域如图5所示,连接关系如图6所示。每个网格细胞形成的网格都具备4个基本特征:①间距(spacing):各放电野中心之间的距离;②定向(orientation):相对于外在参考坐标的倾斜度;③位相(phase)相对于外部参考点的x轴和y轴位移;④放电野大小(firingfield):网格细胞发生放电的空间范围。这4个成分构成了网格图的空间参数。临近的网格细胞具有相同的间距和定向,但它们的位相各不相同。在Hafting2005年的实验中,同一实验箱中记录到的位相具有稳定性,在不同的测试中记录到的放电野大小和位相均不发生改变,说明网格细胞放电野的三角形结构能够稳定的编码空间环境。有关网格细胞响应域形成的理论模型目前有两大类:第一类为局部神经元网络模型(localnetworkactivity)。第二类是Burgess2007年提出的振荡干扰模型(oscillatoryinterferencemechanism),如图7所示,振荡干扰模型是在地点细胞放电的双向振荡干扰模型的基础上提出的,即将多个不同来源的θ波进行叠加,呈现出一种相位进程。当鼠在空间环境中活动时,嗅皮层-海马系统中脑电图现出θ波振荡。θ波是频率为4-7Hz的一种脑电波,是属于潜意识层面的脑电波,一般在大脑顶区与颞区引出的较明显,θ波存有一定的记忆,影响知觉和情绪。内嗅皮层接受前下托的信息投射,获得头部朝向的信息。不同头向细胞投射来的方向信息通过内嗅皮层神经元不同树突的θ波振荡反映出来,并进行叠加整合。躯体输入的θ波振荡(速度信息)与各神经元θ波振荡(方向信息)上的相位差整合过程实际是速度信息的整合过程,即此完成路径整合过程中利用自身运动信息(方向和速度)实现空间记忆的编码功能。
空间在哺乳动物脑内是以认知地图(cognitivemap)的形式存在的。认知地图就是环境格局的神经重现,鼠脑内海马体被认作扮演“认知地图”的角色。鼠脑内环境信息主要存在于内嗅皮质和海马等结构组织中,存在形式即网格细胞组成的内嗅皮质地图和地点细胞组成的海马地图。当鼠进入陌生环境时,需要花费一定时间进行探索,从而使得网格细胞、地点细胞形成稳定的响应域。当鼠再次进入熟悉环境时,存储在海马中的空间和非空间信息激活了内嗅皮层的路径整合器,这一功能通过海马与嗅皮层间的信息联系得以实现。网格细胞利用自身运动中的速度和方向信息,获得适时的空间动态表征以确定鼠在空间环境中的相对位置。来自内嗅皮层的空间信息和嗅周皮层的非空间信息在海马体中进行合,嗅皮层-海马回路为空间记忆的动态表征提供了基础。
空间环境的表示、地图构建问题是近几年机器人领域的一个研究热点,而且取得了一定的进展,但是面向定位导航任务构建环境模型仍是当前地图构建的主流。米制地图、拓扑地图、米制-拓扑混合地图或基于表示的地图都侧重于空间几何结构的表示,适用于导航,基于语义建模是近几年地图构建的新模式,语义地图重点在于包含了方便与人交互的信息,考虑了机器人工作的局部空间复杂性和一些区域性特征。澳大利亚昆士兰大学“RatSLAM”课题组基于鼠环境认知和机器人导航方面做了一些研究,其提出的“RatSLAM”模型部分模拟了鼠神经行为学特征,建立了模型并完成了一定的物理实验[7][8]。但该模型的缺点在于只是在行为学的角度模拟了鼠的环境认知过程,而并不符合基于鼠脑解剖结构和神经生理学特征,GeraldMEdelman,JeffreyL.Krichmar和DouglasA.Nitz于2008年发明了一个具有仿真海马区的移动机器人,该移动机器人具有模拟大脑海马区的仿真神经系统,可以部分仿生的认知环境空间和记忆片段环境导航信息,以上两种方法对硬件系统要求较高。
发明内容:
本发明的目的是将基于鼠脑海马的空间认知原理应用在移动机器人上,依靠较简单的硬件系统,在面向室内、街道的空间环境里,实现移动机器人环境探索、路径记忆、空间定位进而进行路径规划的方法,硬件结构如图3。
一种基于鼠脑海马导航的机器人室内空间仿真导航方法,其特征在于是在基于运动采集部件、CPU和运动部件共同组成的基于鼠脑海马导航的机器人室内空间二维仿真导航系统中依次按以下步骤实现的:
步骤(1)构建所述基于鼠脑海马导航的机器人室内空间二维仿真导航系统,其中:
运动采集部件包含:
电子罗盘,采集机器人的运动方向角信息,
测速装置,采集机器人的速度信息,
运动部件,有控制机器人运动的电机的电机驱动电路组成,
CPU设有与所述电子罗盘输出端相连的机器人方向角信息输入端,与所述的测速装置输出端相连的机器人速度信息输入端,以及与所述电机驱动电路输入端相连电机运动控制信号输入端,初始时,所述CPU设有:
网格细胞层,对应于设在室内地面上的二维笛卡尔坐标上所有mg个坐标点组成的一个以矩阵形式表述的二维坐标点组成的矩阵,其中一个坐标点对应于一个网格细胞,坐标的原点对应于机器人运动时的初始点,设在左下角,多个网格细胞放电域在一个坐标点上发生相互交叠时构成一个网格节点,x轴或y轴上的坐标点视为网格细胞在坐标点上的覆盖,每个网格细胞放电域的大小对应于所述网格细胞节点在x轴或y轴方向上位移,各放电域中心之间的距离称为间距,每个网格细胞相对于所述坐标系中x轴或y轴的位移称为位相,网格细胞放电的方向相对于笛卡尔坐标系的倾斜度为机器人在坐标点上发生移动时的运动方向角,称为定向位移,这种定向运动对应于每个头向细胞的最大放电方向,称为头向细胞所在的鼠头部在转动时的偏好方向,称为头向细胞的偏好方向,每个网格节点的偏好方向在0~360度之间取值,各个网格细胞节点的偏好方向对应于机器人网格细胞节点所在的各个坐标点上的实际运动方向,机器人在探索环境过程中,时刻t时在坐标点上的运动方程在原点相同的极坐标下用序号为所述i的一个头向细胞的运动方程hi(t)来表示,所述头向细胞与网格细胞的序号i是一一对应的:
其中:H为头向细胞的方向转移矩阵,表示机器人在时刻t在坐标点i的方向转移矩阵,
v(t)为表示机器人在时刻t在坐标点i的运动速度,
θb是头向细胞基准偏好方向,对应于位于坐标点i上的机器人运动方向角θi是的基准值,θb=0°,
θi是位于坐标点i上的机器人的运动方向角,当机器人从坐标原点开始运动时的方向角初始值θi0为0度在其他坐标点上是用θi表示,θi的取值范围为0°<θi<360°,n为机器人运动时在沿路径各坐标点i上选定的运动方向角即偏好方向角θi的序号,
当所述笛卡尔坐标同一个原点重合的极坐标表示时,机器人从t=t0=0时从坐标原点出发到时间t时到达坐标点i时路径上各个坐标点构成的运动轨迹的方程用坐标所需网格细胞到t时刻所对应的网格细胞i中各个网格细胞一次以沿头向细胞的偏好方向角持续震荡的放电过程来表示时刻t时坐标点i的坐标位置能用下述对应的网格细胞i的震荡模型来表示,网格细胞i在t时刻的响应值对应于机器人向所述CPU发送的极坐标表示的位置信息:
其中i=1,2,3...I表示机器人运动轨迹所经过的坐标点的序号,I表示机器人运动轨迹上的坐标点的总数,I<mg,
ft表示基础响应频率,ft=1,是指时刻t机器人到达坐标点时,对应的网格节点只放电一次,
θi(0)表示到达下一个网格节点时前一个网格节点的位置初始值,是指前一个网格节点相对于坐标原点的位移,
[·]H表示余弦函数的单位阶跃响应,在计算gi(t)时忽略了正弦函数的单位阶跃响应,
地点细胞层与位于内嗅皮质的网格细胞不同,二十位于海马体内,是一组特定坐标位置上正在依次连续地进行着细胞最大化放电的海马体细胞组成的细胞层P,每一个地点细胞对应着一个特定空间位置上控制着网格细胞进行最大化放电的头向细胞的偏好方向角,因而,机器人在预先设定的运动轨迹上运行时就相当于各个坐标点所对应的网格细胞对于各偏好方向角在对应的各地点细胞上正在依次持续进行放电最大化的响应,通过这种响应,机器人就把通过运动轨迹上的各坐标点的空间位置信息输入到计算机中,相当于鼠脑后托/头向细胞-内嗅皮质上的网格细胞-海马体上的地点细胞共同组成的空间位置认知信息通路,第n个地点细胞对应网格细胞的响应用P(n)表示:
其中i=1,2,3...I
t=1,2,3...t
I表示一条所述的空间位置认知信息通路上的网格细胞数,Pn表示对应的地点细胞数,t表示时刻,其序号与i的序号一一对应,
wi表示当前地点细胞n与当前位置上的网格细胞i相连接时的权重,其初始状态设定为为单位矩阵,
Cin是表示神经网络的抑制,设Cink=0.01;
步骤(2)系统依次按如下步骤实现基于鼠脑海马的机器人导航:
步骤(2.1)机器人判断:
步骤(2.1.1)若P(n)>0,表示存在着一个地点细胞pn与当前位置上网格细胞in唯一的对应,表示当前机器人的坐标位置已存储,
步骤(2.1.2)若P(n)≤0表示当前时刻没有地点细胞与当前位置上网格细胞对应,则激活一个地点细胞pn,使pn>0,并按下式确定一个新的权重值Wnew:
Wnew=Wold+ΔW,其中
Wold为旧的改变前的权重值,0≤Wold≤1
ΔW表示权重变化值,
ΔW=α·E(n)·gi(t),其中:
α为学习率,在开区间[0,1]内取值,
E(n)为设定的地点细胞期望响应pe(n)与实际响应p(n)间误差,E(n)=pe(n)-p(n),pe(n)=1,
步骤(2.2)机器人判断步骤(2.1)所取得的结果:
若E(n)<Emin,Emin在开区间(0~0.025)间取值,则机器人继续沿着设定的轨迹上运动,
若E(n)>Emin,则按步骤(2.1.2)中的方法修改α值,改变当前坐标点上的权重值Wi,直到误差在允许范围内,执行步骤(2.3)
步骤(2.3),机器人按步骤(1),步骤(2.1)所述的方法继续沿着设定运动轨迹运动,直到遍历所述运动轨迹上的各个坐标点为止,
步骤(2.4)终止程序运行。
本发明公开了一种基于鼠脑海马的空间认知原理应用在移动机器人面向室内、街道的空间导航方法,机器人可以自主的探索陌生环境,记录环境信息,进而制定运动策略,并且对于硬件系统要求较低,具有主动性、自适应性等优点。
附图说明
下面结合附图和实施例对本发明作进一步地说明:
图1是本发明的算法示意图;
图2是本发明的位置信息存储方式示意图,图2.1实线代表机器人运动轨迹,圆点代表与当前空间位置对应的地点细胞,图2.2表示一个地点细胞与多个网格细胞以人工神经网络形式相连接,存储位置信息;
图3是本发明的硬件结构图;
图4是本发明的头向细胞响应图,可见在二维笛卡尔坐标系内,头向细胞对(0°~360°)方向放电是一个高斯曲线,虚线所示为当前头向细胞对应特定最大化放电方向,即偏好方向;
图5是本发明的网格细胞响应域和地点细胞响应域示意图,实线代表鼠运动轨迹,圆点代表细胞在该位置响应,图5.1表示一个网格细胞在空间的响应图,图5.2代表一个地点细胞的空间响应图,可见网格细胞放电域在空间内呈三角阵型,将整个环境划分成一个网格结构,地点细胞放电域固定,一个地点细胞放电域对应空间中一个特定位置;
图6是本发明的网格细胞与地点细胞神经连接示意图,网格细胞与地点细胞同属于神经细胞,由细胞体和细胞突起构成,细胞突起是由细胞体延伸出来的细长部分,又可分为树突和轴突。图中较长的突起为轴突,每个神经细胞只有一个轴突,可以把信号从胞体传送到另一个神经元或其他组织,较短的突起每个神经细胞可以有一或多个树突,可以接受刺激并将兴奋传入细胞体;
图7是本发明的震荡干涉模型原理图,网格细胞震荡干涉响应波由两个theta波叠加后形成;
图8是本发明的网格细胞响应产生原理图,上排代表3个方向(0°,60°,120°)的震荡波,下图代表这三个震荡波共同作用下生成的网格细胞空间响应图;
图9是本发明的鼠空间运动轨迹图;
图10是本发明的单个网格细胞响应,10.1是网格细胞响应值随时间变化图,10.2表示网格细胞随运动变化图,其中实线代表运动轨迹,圆点表示网格细胞响应点,由图可知由网格细胞震荡干扰模型产生的网格细胞响应符合响应域在空间中呈三角阵型排列并将空间划分为一个网格结构;
图11是本发明的多个网格细胞响应,本实验设定网格细胞层由8个网格细胞组成,a-h代表网格细胞编号,由图可见网格细胞层内的网格细胞具有不同的间距、定向、放电域大小等特征;
图12是本发明的地点细胞激活图,图12.1为特定地点细胞响应随时间关系图,图12.2为该地点细胞与运动轨迹关系图,实线为运动轨迹,圆点表示该地点细胞被激活,当机器人运动到空间特定位置,激活一个地点细胞,利用本发明的算法构建人工神经网络,使该地点细胞对应于当前位置;
图13是本发明的地点细胞响应图,图13.1为特定地点细胞响应随时间关系图,图12.2为该地点细胞与运动轨迹关系图,实线为运动轨迹,圆点表示该地点细胞被激活,当机器人再运动到特定位置,该地点细胞被激活,则机器人识别当前位置;
图14是本发明的实验误差曲线,可以看到随着实验进行误差逐渐下降,达到设计要求。
具体实施方式:
本发明的实现方案是:
1仿照鼠脑海马结构,机器人CPU预先定义包含头像细胞层h、网格细胞层G和地点细胞层P,每个网格细胞响应具有不同的间距、定向、相位,每一个地点细胞都将单独对应一个空间平面内一个位置,不同地点细胞对应的地点各不相同;
2机器人探索环境,机器人利用运动采集装置分别采集运动方向Φ、速度v作为输入信息,输入CPU;
3网格细胞响应模型采用震荡干涉模型,原理如图7所示,速度v决定了θ波振荡频率、相位,在不同运动方向Φ上产生不同的θ波,经过相位差整合,运动方向Φ和速度v在网格细胞震荡干涉模型中积分,产生网格细胞层G响应,机器人通过此过程整合自身运动信息(方向和速度),作为地点细胞层的输入;
4网格细胞层P与地点细胞层G以人工神经网络形式结构连接,如图2所示,神经网络权值矩阵W的构建符合Hebbian学习理论,随着机器人探索进行,地点细胞层P的地点细胞逐一激活,每个地点细胞唯一的对应空间特定位置,并与网格细胞层G对应一个神经网络,储存环境信息。
5经过一段时间t探索,机器人遍历目标环境空间内所有路径,形成覆盖空间环境的稳定的地点细胞-网格细胞人工神经网络,环境信息以人工神经网络的形式存储在CPU中,机器人可以通过读取当前时间地点细胞响应pt,可以实现空间定位,进行运动决策,进而对电机输出控制信号,使机器人完成相应动作。
具体实施方案如下:
机器人硬件包括运动采集模块、处理器和运动模块。运动采集模块为摄像头,电子罗盘,测速装置。摄像头用于采集环境图像信息,用于运动决策,电子罗盘用于采集机器人方向信息,测速装置用于采集机器人的速度信息,探索过程中运动采集模块将运动信息传入CPU,CPU整合输入信息,产生网格细胞、地点细胞响应,从而产生机器人空间认知地图,并根据空间信息进行运动决策,CPU输出电机驱动信号,驱动电机附带轮子的运动,从而控制机器人的运动。
1仿照鼠脑海马结构,机器人CPU预先定义包含mg个网格细胞的网格细胞层G和包含np个地点细胞的地点细胞层P,定义包含ihd个头向细胞层h,每个头向细胞i有唯一基准偏好方向θb,mg个网格细胞响应具有不同的间距、定向、相位,每一个地点细胞都将单独对应一个空间平面内一个位置,np个地点细胞对应的地点各不相同;
2机器人探索环境,利用电子罗盘和测速模块分别采集方向和速度信息,经过模数转化,传入CPU,即读取到的运动方向Φ和速度v,输入头向细胞层响应方程,头向细胞层响应方程对运动信息进行初步整合,方程为
其中,H代表头方向转移矩阵,θb是头向细胞基准偏好方向,通常设定为θb=0°,θi是第i个头向细胞的偏好方向,取值范围0°<θi<360°,此处偏好方向θ1=0°,θ2=60°,θ3=120°,机器人运动速度向量v(t)=[Δx(t),Δy(t)]。然后将经过初步整合的运动信息代入网格细胞响应方程,进行进一步整合,生成网格细胞响应。
网格细胞的响应采用网格细胞震荡模型:
其中k=1,2,3...I,I<mg
其中gk(t)为网格细胞在某一时刻t的响应值,k表示当前网格细胞的编号,ft为基础响应频率,[·]H表示余弦函数的单位阶跃响应,(0)表示位相的初始值。P(z)为干扰因子,默认P(z)=0.2,网格细胞的响应值gk(t)根据运动方向Φ和速度v产生变化。
3建立网格细胞与地点细胞连接,网格细胞层P与地点细胞层G以人工神经网络形式结构连接,如图2所示,神经网络权值矩阵W的构建符合Hebbian学习理论。地点细胞响应为:
其中p(n)表示第n个地点细胞在此位置的响应,Wk代表当前地点细胞与第k个网格细胞连接的神经网络权值,设其初始状态为单位矩阵,Cink代表神经网络的抑制,取值根据实际环境情况而定,此处Cink=0.01。
机器在人当前位置,计算p(n)判断此位置是否已储存,若p(n)>0,则当前位置已储存,即存在地点细胞n与当前位置唯一对应,机器人可以定位当前位置。若p(n)≤0,即没有地点细胞与当前位置对应,则激活一个地点细胞,即设定该地点细胞响应p(n)=1,并建立连接该细胞与网格细胞层G的人工神经网络,设地点细胞的期望响应为pe(n)=1,E(n)代表地点细胞期望响应pe(n)与实际响应p(n)之间的误差,公式为:
E(n)=pe(n)-p(n),
设定最小误差Emin,取值范围(0~0.025),若误E(n)<Emin,则说明误差在允许范围内,机器人继续沿着设定路线运动;若E(n)>Emin,则依下式修正权值W:
ΔW=α·E(n)·g(k),
Wnew=Wold+ΔW,
其中,ΔW代表权值的改变量,初始值为单位矩阵,Wold和Wnew表示改变前和改变后的权值。α代表学习率,其取值范围是(0~1)。
继续权值直到误差在允许范围内之后,机器人继续沿着设定路线运动。
4随着机器人探索进行,地点细胞层P的地点细胞逐一激活,每个地点细胞唯一地对应空间特定位置,并与网格细胞层G共同对应一个神经网络,储存环境信息。经过一段时间t探索,机器人遍历目标环境空间内所有路径,形成基本覆盖空间环境的稳定的地点细胞-网格细胞响应域,环境信息以细胞响应的形式存储,如图2所示,机器人完成空间认知。
利用2005年Hafting等人对鼠海马所做试验[9]的实验数据,提取一只鼠在直径为100cm、高度为50cm的盒子里运动的运动轨迹,如图9所示,对本发明提出的方法进行试验,当机器人第一次经过空间某位置,机器人判断此位置没有探索过,触发一个地点细胞p并记录,当机器人再一次经过此位置,该地点细胞p被激活,实验结果如图10-图14所示。可验证本方法有效。
参考文献:
蔡自兴,邹小兵移动机器人环境认知理论与技术的研究机器人2004,26(1):87-91.
朱武亭,刘以建BP网络应用中的问题及其解决上海海事大学学报2005,26(2):64-66.
于平,徐晖,尹文娟,魏曙光,于萍网格细胞在空间记忆中的作用心理科学进展2009,17(6):1228–1233.
MichaelE.Hasselmo“GridCellMechanismsandFunction:ContributionsofEntorhinalPersistentSpikingandPhaseResetting”HIPPOCAMPUS18:1213–1229(2008).
Moser,E.I.,Kropff,E.,&Moser,M.(2008).“PlaceCells,GridCells,andtheBrain'sSpatialRepresentationSystem”.AnnualReviewofNeuroscience,31(1),69–89.
S.Cheng,L.M.Frank“TheStructureofNetworksThatProduceTheTransformationFromGridCellstoPlaceCells”Neuroscience197(2011)293–306
M.J.Milford,G.F.Wyeth,D.P.Prasser,“RatSLAMontheedge:Re-vealingacoherentrepresentationfromanoverloadedratbrain,”presentedattheInt.Conf.RobotsIntell.Syst.,Beijing,China,2006.
MJMilford,GFWyeth,“MappingasuburbwithasinglecamerausingabiologicallyinspiredSLAMsystemRobotics”,IEEETransactionson,2008.
T.Hafting,M.Fyhn,S.Molden,M.-B.Moser,andE.I.Moser,“Microstructureofaspatialmapintheentorhinalcortex,”Nature,vol.11,pp.801–806,2005。
Claims (1)
1.一种基于鼠脑海马导航的机器人室内空间仿真导航方法,其特征在于是在基于运动采集部件、CPU和运动部件共同组成的基于鼠脑海马导航的机器人室内空间二维仿真导航系统中依次按以下步骤实现的:
步骤(1)构建所述基于鼠脑海马导航的机器人室内空间二维仿真导航系统,其中:
运动采集部件包含:
电子罗盘,采集机器人的运动方向角信息,
测速装置,采集机器人的速度信息,
运动部件,由控制机器人运动的电机的电机驱动电路组成,
CPU设有:与所述电子罗盘输出端相连的机器人方向角信息输入端,与所述的测速装置输出端相连的机器人速度信息输入端,以及与所述电机驱动电路输入端相连电机运动控制信号输入端,初始时,所述CPU设有:
网格细胞层,对应于设在室内地面上的二维笛卡尔坐标上所有mg个坐标点组成的一个以矩阵形式表述的二维坐标点组成的矩阵,其中每一个坐标点对应于一个网格细胞,坐标的原点对应于机器人运动时的初始点,设在左下角,多个网格细胞放电域在一个坐标点上发生相互交叠时构成一个网格节点,x轴或y轴上的坐标点视为网格细胞在坐标点上的覆盖,每个网格细胞放电域的大小对应于所述网格细胞节点在x轴或y轴方向上位移,各放电域中心之间的距离称为间距,每个网格细胞相对于所述坐标系中x轴或y轴的位移称为位相,网格细胞放电的方向相对于笛卡尔坐标系的倾斜度为机器人在坐标点上发生移动时的运动方向角,称为定向位移,这种定向运动对应于每个头向细胞的最大放电方向,称为头向细胞所在的鼠头部在转动时的偏好方向,称为头向细胞的偏好方向,每个网格节点的偏好方向在0~360度之间取值,各个网格细胞节点的偏好方向对应于机器人网格细胞节点所在的各个坐标点上的实际运动方向,机器人在探索环境过程中,时刻t时在坐标点上的运动方程在原点相同的极坐标下用序号为所述i的一个头向细胞的运动方程hi(t)来表示,所述头向细胞与网格细胞的序号i是一一对应的:
其中:H为头向细胞的方向转移矩阵,表示机器人在时刻t在坐标点i的方向转移矩阵,
v(t)为表示机器人在时刻t在坐标点i的运动速度,
θb是头向细胞基准偏好方向,对应于位于坐标点i上的机器人运动方向角θi时的基准值,θb=0°,
θi是位于坐标点i上的机器人的运动方向角,当机器人从坐标原点开始运动时的方向角初始值θi0为0度在其他坐标点上是用θi表示,θi的取值范围为0°<θi<360°,n为机器人运动时在沿路径各坐标点i上选定的运动方向角即偏好方向角θi的序号,此处偏好方向θ1=0°,θ2=60°,θ3=120°,
当所述笛卡尔坐标用一个原点重合的极坐标表示时,机器人在t=t0=0时刻从坐标原点出发,在时间t时刻到达坐标点i时,路径上各个坐标点构成的运动轨迹的方程用t时刻所对应的网格细胞i中各个网格细胞依次以沿头向细胞的偏好方向角持续震荡的放电过程来表示时,坐标点i的坐标位置能用下述对应的网格细胞i的震荡模型来表示,网格细胞i在t时刻的响应值对应于机器人向所述CPU发送的极坐标表示的位置信息:
其中i=1,2,3...I表示机器人运动轨迹所经过的坐标点的序号,I表示机器人运动轨迹上的坐标点的总数,I<mg,
ft表示基础响应频率,ft=1,是指时刻t机器人到达坐标点时,对应的网格节点只放电一次,
P(z)为干扰因子,默认P(z)=0.2,表示相位的初始值,
θi(0)表示到达下一个网格节点时前一个网格节点的位置初始值,是指前一个网格节点相对于坐标原点的位移,
[·]H表示余弦函数的单位阶跃响应,在计算gi(t)时忽略了正弦函数的单位阶跃响应,
地点细胞层与位于内嗅皮质的网格细胞不同,而是位于海马体内,是一组特定坐标位置上正在依次连续地进行着细胞最大化放电的海马体细胞组成的细胞层P,每一个地点细胞对应着一个特定空间位置上控制着网格细胞进行最大化放电的头向细胞的偏好方向角,因而,机器人在预先设定的运动轨迹上运行时就相当于各个坐标点所对应的网格细胞对于各偏好方向角在对应的各地点细胞上正在依次持续进行放电最大化的响应,通过这种响应,机器人就把通过运动轨迹上的各坐标点的空间位置信息输入到计算机中,相当于鼠脑后托/头向细胞-内嗅皮质上的网格细胞-海马体上的地点细胞共同组成的空间位置认知信息通路,第n个地点细胞对应网格细胞的响应用P(n)表示:
其中i=1,2,3...I
t=1,2,3...t
I表示一条所述的空间位置认知信息通路上的网格细胞数,Pn表示对应的地点细胞数,t表示时刻,其序号与i的序号一一对应,
wi表示当前地点细胞n与当前位置上的网格细胞i相连接时的权重,其初始状态设定为为单位矩阵,
Cin是表示神经网络的抑制,设Cink=0.01;
步骤(2)系统依次按如下步骤实现基于鼠脑海马的机器人导航:
步骤(2.1)机器人判断:
步骤(2.1.1)若P(n)>0,表示存在着一个地点细胞pn与当前位置上网格细胞in唯一的对应,表示当前机器人的坐标位置已存储,
步骤(2.1.2)若P(n)≤0表示当前时刻没有地点细胞与当前位置上网格细胞对应,则激活一个地点细胞pn,使pn>0,并按下式确定一个新的权重值Wnew:
Wnew=Wold+ΔW,其中
Wold为旧的改变前的权重值,0≤Wold≤1,
ΔW表示权重变化值,
ΔW=α·E(n)·gi(t),其中:
α为学习率,在开区间[0,1]内取值,
E(n)为设定的地点细胞期望响应pe(n)与实际响应p(n)间误差,E(n)=pe(n)-p(n),pe(n)=1,设定最小误差Emin,取值范围(0~0.025),
步骤(2.2)机器人判断步骤(2.1)所取得的结果:
若E(n)<Emin,Emin在开区间(0~0.025)间取值,则机器人继续沿着设定的轨迹上运动,
若E(n)>Emin,则按步骤(2.1.2)中的方法修改α值,改变当前坐标点上的权重值Wi,直到误差在允许范围内,执行步骤(2.3)
步骤(2.3),机器人按步骤(1),步骤(2.1)所述的方法继续沿着设定运动轨迹运动,直到遍历所述运动轨迹上的各个坐标点为止,
步骤(2.4)终止程序运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310660161.9A CN103699125B (zh) | 2013-12-09 | 2013-12-09 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310660161.9A CN103699125B (zh) | 2013-12-09 | 2013-12-09 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103699125A CN103699125A (zh) | 2014-04-02 |
CN103699125B true CN103699125B (zh) | 2016-04-06 |
Family
ID=50360689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310660161.9A Active CN103699125B (zh) | 2013-12-09 | 2013-12-09 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103699125B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197938A (zh) * | 2014-09-03 | 2014-12-10 | 厦门大学 | 基于脚部惯性传感器的室内定位方法 |
EP3278937B1 (en) * | 2015-03-31 | 2020-02-19 | Guangzhou Airob Robot Technology Co., Ltd. | Charger, and map-constructing-based charger finding method, device and system |
CN106125730B (zh) * | 2016-07-10 | 2019-04-30 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
CN107063260B (zh) * | 2017-03-24 | 2021-03-30 | 北京工业大学 | 一种基于鼠脑海马结构认知地图的仿生导航方法 |
CN106949896B (zh) * | 2017-05-14 | 2020-05-08 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
CN107363834B (zh) * | 2017-07-20 | 2020-09-29 | 电子科技大学 | 一种基于认知地图的机械臂抓取方法 |
CN107566978A (zh) * | 2017-08-22 | 2018-01-09 | 上海爱优威软件开发有限公司 | 一种基于智能神经网络的终端跟踪方法及系统 |
CN110019582B (zh) * | 2017-08-28 | 2023-07-14 | 中国科学院沈阳自动化研究所 | 基于空间与运动联合编码的认知地图构建方法 |
CN109086874A (zh) * | 2018-08-07 | 2018-12-25 | 穆天机器人(杭州)有限公司 | 一种基于分形分维结构理论的泛神经网络模型 |
CN109352649B (zh) * | 2018-10-15 | 2021-07-20 | 同济大学 | 一种基于深度学习的机械手控制方法及系统 |
CN109886384B (zh) * | 2019-02-15 | 2021-01-05 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
CN111563575B (zh) * | 2020-05-06 | 2021-06-29 | 陈永聪 | 一种模仿人类智能的机器智能实现方法 |
CN112648999B (zh) * | 2020-11-30 | 2022-07-22 | 南京航空航天大学 | 一种基于多尺度网格细胞路径积分的类脑导航方法 |
CN113110492B (zh) * | 2021-05-07 | 2022-06-21 | 苏州大学 | 一种路径规划方法 |
CN113643748B (zh) * | 2021-07-28 | 2024-03-12 | 哈尔滨工业大学 | 一种网格细胞空间信息解码方法及系统 |
CN113642720A (zh) * | 2021-07-28 | 2021-11-12 | 哈尔滨工业大学 | 一种仿生情景认知模型构建方法及系统 |
CN113703322B (zh) * | 2021-08-28 | 2024-02-06 | 北京工业大学 | 仿鼠脑视觉通路和内嗅—海马结构的情景记忆模型构建方法 |
-
2013
- 2013-12-09 CN CN201310660161.9A patent/CN103699125B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103699125A (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103699125B (zh) | 一种基于鼠脑海马导航的机器人仿真导航方法 | |
CN105806345B (zh) | 一种用于变电站巡检机器人激光导航的初始化定位方法 | |
CN103822625B (zh) | 一种智能机器人寻线导航的方法与装置 | |
CN108089572A (zh) | 用于稳健且有效的车辆定位的算法和基础设施 | |
CN101691037B (zh) | 一种基于主动视觉感知和混沌演化的移动机器人定位方法 | |
Correll et al. | Multirobot inspection of industrial machinery | |
Faigl et al. | On benchmarking of frontier-based multi-robot exploration strategies | |
WO2012086029A1 (ja) | 自律移動システム | |
CN108582073A (zh) | 一种基于改进的随机路标地图法的机械臂快速避障方法 | |
CN109886384A (zh) | 一种基于鼠脑海马网格细胞重构的仿生导航方法 | |
CN109839118A (zh) | 路径规划方法、系统、机器人和计算机可读存储介质 | |
CN109240279A (zh) | 一种基于视觉感知和空间认知神经机制的机器人导航方法 | |
Cao et al. | Direction control and adaptive path following of 3-D snake-like robot motion | |
Guan et al. | Robot formation control based on internet of things technology platform | |
CN105824292A (zh) | 一种机器人分布式控制器及控制方法 | |
CN106546260A (zh) | 一种移动测量数据的纠正方法及系统 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
CN113238970A (zh) | 自动驾驶模型的训练方法、评测方法、控制方法及装置 | |
CN112212867A (zh) | 一种机器人自定位与导航的方法及系统 | |
Yi et al. | MPPTM: A bio-inspired approach for online path planning and high-accuracy tracking of UAVs | |
Chow et al. | Learning human navigational skill for smart wheelchair in a static cluttered route | |
CN106682733B (zh) | 无人机运动状态分析方法和装置 | |
Clark et al. | Simulation-based reduction of operational and cybersecurity risks in autonomous vehicles | |
CN112351397A (zh) | 一种用于室内定位信息收集的无人机路径和动作规划算法 | |
Wang et al. | Obstacle detection and obstacle-surmounting planning for a wheel-legged robot based on Lidar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |