CN106871911B - 一种突发障碍物识别的bvgsp-slam复合模型的实现方法 - Google Patents

一种突发障碍物识别的bvgsp-slam复合模型的实现方法 Download PDF

Info

Publication number
CN106871911B
CN106871911B CN201710290156.1A CN201710290156A CN106871911B CN 106871911 B CN106871911 B CN 106871911B CN 201710290156 A CN201710290156 A CN 201710290156A CN 106871911 B CN106871911 B CN 106871911B
Authority
CN
China
Prior art keywords
cells
velocity
activity
cell
model
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
Application number
CN201710290156.1A
Other languages
English (en)
Other versions
CN106871911A (zh
Inventor
陈孟元
许曈
凌有铸
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201710290156.1A priority Critical patent/CN106871911B/zh
Publication of CN106871911A publication Critical patent/CN106871911A/zh
Application granted granted Critical
Publication of CN106871911B publication Critical patent/CN106871911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种突发障碍物识别的BVGSP‑SLAM复合模型的实现方法，涉及细胞生物学和仿生学领域，包括以下步骤：1)进行融合速度细胞的RatSLAM模型研究，并建立速度细胞活性的数学模型；2)进行融合边界细胞的RatSLAM模型研究，并建立边界细胞活性的数学模型，本发明在RatSLAM模型基础上融入速度细胞实现自身的定位，通过对边界细胞的模型分析建模实现突发障碍物的判别与避障，融入网格细胞实现场景重定位的功能，修正里程计的累计误差，本发明提出的融合速度细胞和边界细胞的复合SLAM模型的建立更优，尤其对突发障碍物出现时能够直接从边界细胞模型提取出出所需的状态信息进行判断并实现避障，最后通过实物进行系统分析验证。

Description

一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法
技术领域
本发明涉及细胞生物学和仿生学领域，特别涉及一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法。
背景技术
传统的概率算法能够处理传感器与环境的模糊性，有很好的同步定位与地图构建性能并建立高准确度、高精度的笛卡尔地图，但这些方法很少能够完全解决整个地图构建和导航问题。如何通过现有其他技术解决动态复杂环境下整个地图构建和导航成为移动机器人同步定位和地图构建的关键问题之一。
在哺乳类动物中枢神经系统的大脑皮质中，存在一种形状类似于海马，功能上负责短期记忆储存和学习的区域，被称为海马体。在日常中的一个记忆片段，比如一个电话号码在短时间内被重复提及经过海马体可以将其转存入大脑皮层，成为永久记忆。1971年伦敦大学学院的美国科学家O′Keefe等在海马脑区发现了一种特殊的神经细胞，这种细胞在鼠类经过空间某特定位置时其中的一些细胞会产生兴奋，而经过另一个位置时另一些细胞会产生兴奋，他将这种细胞命名为位置细胞。1984年纽约大学的James Ranck等发现一组与动物的方向感知直接相关的神经并命名为头方向细胞，头方向细胞能够辨别头部的朝向。当头部朝向北方的时候，一组细胞会兴奋；而头部转向南方时，另一组细胞兴奋，通过这两种细胞的兴奋状态能够准确判断出在某一时间老鼠所处的精确位置。除此之外，内嗅皮质也参与整个信号的传递过程，内嗅皮质层从网格细胞处将有关方向和移动距离的信息传递给海马体，将关于动物运动的方向和距离信息通过不同的神经通路传递至海马体中的齿状回(DG，Dentate Gyrus)、CA3和位置细胞所在的CA1等区域，由此产生的大脑认知地图可以帮助动物更好规划未来的“旅程”。2005年挪威大学科学与技术学院的May-Britt Moser和Edvard Moser夫妇在海马区以外的内嗅皮质的脑区里发现了一种全新的神经细胞并将其命名为网格细胞(Grid cells)，这些被激活细胞的位置呈现均匀六边形分布。2008年，研究者们从内嗅皮质中发现一种新的细胞类型，当动物接近墙壁、围场边缘、或是其它隔断时，这些细胞就会放电，这种细胞能够通过细胞活性计算自身到达边界的距离，研究者们将其命名为边界细胞(Border cells)。2015年，在获得诺贝尔生理学或医学奖后，May-BrittMoser和Edvard Moser夫妇继续发现一些神经细胞能够随移动速度的提升成比例地提升放电率，通过查看这种细胞的放电频率便能够判断一个动物在给定时间点上的移动速度，研究者们将其命名为速度细胞(Speed cells)。现阶段生物细胞学领域大鼠脑部存在的几种主要导航细胞如图1所示。
澳大利亚昆士兰大学课题组提出的包含视觉细胞和位姿细胞的RatSLAM模型对鼠类海马脑区细胞进行实验分析和建模，该模型包含位姿细胞、局部场景细胞以及经历图三个部分，局部场景细胞在环境中学习独特场景，由头方向细胞和位置细胞合并形成的位姿细胞表征当前位置，以及用节点和链路编码局部场景细胞和位姿细胞构建拓扑化的经验图，连续吸引子网络(CAN，Continuous Attractive Network)控制着位姿感知网络内部的活动。由于该模型依赖纯视觉算法，在诸如突发障碍物等复杂场景下无法通过对图像处理进行自身速度的提取，如图3所示，视觉细胞测速明显偏离正常数值，研究者基于此进行了一些研究。
于乃功等人通过头方向细胞测量角信号，条纹细胞进行线速度信号采集，并引入网格细胞的仿生导航模型具有一定的借鉴意义，但遇移动障碍物等突发状况不能及时判别并避障。
发明内容
本发明所要解决的技术问题是提供一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，以解决现有技术中导致的上述多项缺陷。
为实现上述目的，本发明提供以下的技术方案：一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，包括以下步骤：
1)进行融合速度细胞的RatSLAM模型研究，并建立速度细胞活性的数学模型；
2)进行融合边界细胞的RatSLAM模型研究，并建立速度边界活性的数学模型。
优选的，所述步骤1)进一步包括：
11)归一化速度细胞活性，通过线性变换计算出速度细胞的发放率并表示其活性，公式如下：
12)对细胞进行无偏分析，再利用尖峰电压大小判断速度细胞的活性强弱。速度细胞头方向平均长度可由二进制i代表的方向θi和发放率λi表达：
尖峰电压信息可表达为：
13)通过一个由发放场和线性滤波器两部分组成的简单线性解码器使速度细胞的活跃度具体化。公式如下：
Str＝Rtrf
其中，
f＝(Str TStr)-1Str TRtr
Srec＝Rtestf
14)将该活性状态信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
优选的，所述步骤1)中速度细胞活性及数学模型的建立过程中，在分析速度细胞活性的实验中，将老鼠置于100cm×100cm×50cm的盒子中，通过在随机位置播撒食物屑促使老鼠进行任意运动。
优选的，实验在黑暗环境中进行；为避免老鼠自身行为对速度细胞产生的影响，本实验忽略所有运动速度小于2cm/s时老鼠速度细胞活性的变化。
优选的，所述步骤2)进一步包括：
21)为有效应对各个方向导航性能，需建立非自我中心的方向函数，该模型可用关于角度θ的高斯函数表征
22)边界细胞发放率随老鼠离障碍物距离的减少而增加，该模型可用关于距离r的高斯函数表征
23)经实验表明，无论老鼠的头部朝向什么方向，边界细胞的发放率都会随老鼠离障碍物距离的减少而增加，每个边界细胞的感受野通过两个高斯函数的乘积构成，一个函数表示特定的距离，另一个函数表示非自我中心的方向。利用边界细胞的发放率、边界细胞的感受野及其与障碍物的距离信息构成边界细胞发放率变化的表达式，具体表达为：
24)将活性状态信息通过神经元的感知机模型进行分析，
其中，Δfi∝gi(r,θ)×Δθ
25)将速度细胞的活性信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
优选的，所述步骤2)中边界细胞活性及数学模型的建立研究中，利用手术在老鼠脑部植入电极，通过上位机可观测边界细胞活性。
采用以上技术方案的有益效果是：该模型RatSLAM模型基础上融入速度细胞实现自身的定位，通过对边界细胞的模型分析建模实现突发障碍物的判别与避障，融入网格细胞实现场景重定位的功能，修正里程计的累计误差，与现有技术中通过头方向细胞测量角信号，条纹细胞进行线速度信号采集的仿生导航模型相比，本发明提出的融合速度细胞和边界细胞的复合SLAM模型的建立更优，尤其对突发障碍物出现时能够直接从边界细胞模型提取出出所需的状态信息进行判断并实现避障，最后通过实物进行系统分析验证。
附图说明
图1是现阶段生物细胞学领域大鼠脑部存在的几种主要导航细胞。
图2是本发明BVGSP-SLAM模型算法实现框图。
图3是实本发明场景细胞测速与速度细胞测速数据对照图。
图4是本发明BVGSP-SLAM模型经历产生过程，其中图4(a)-图4(d)分别是经历在第1、2、3和i时刻所产生的经历，如图4(d)所示，第i时刻发生一次闭环，其经历可用ei＝＜Bid',Vi,Gi,Six'y',Pix'y'z',Eix'y'z'＞表示，
图5表示本发明位姿细胞的活性转移过程。图5(a)-图5(c)表示连续时刻位姿细胞的活性转移过程：位姿感知细胞左侧的空间位置活动包逐渐消失，右侧的空间位置活动包逐渐显现。图5(d)是在图5(a)位置处产生的一次闭环。
图6是本发明黑暗环境下的速度细胞实验及速度细胞分析过程。
图7是本发明老鼠边界细胞的感受野和距离障碍物不同距离时发放率强度。
图8是本发明搭建的BVGSP-SLAM硬件系统。
具体实施方式
下面结合附图详细说明本发明一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法的实施方式。一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，包括以下步骤：
1)进行融合速度细胞的RatSLAM模型研究，并建立速度细胞活性的数学模型；
2)进行融合边界细胞的RatSLAM模型研究，并建立速度边界活性的数学模型。
在本实施例中，所述步骤1)进一步包括：
11)归一化速度细胞活性，通过线性变换计算出速度细胞的发放率并表示其活性，公式如下：
12)对细胞进行无偏分析，再利用尖峰电压大小判断速度细胞的活性强弱。速度细胞头方向平均长度可由二进制i代表的方向θi和发放率λi表达：
尖峰电压信息可表达为：
13)通过一个由发放场和线性滤波器两部分组成的简单线性解码器使速度细胞的活跃度具体化。公式如下：
Str＝Rtrf
其中，
f＝(Str TStr)-1Str TRtr
Srec＝Rtestf
14)将该活性状态信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
在本实施例中，所述步骤1)中速度细胞活性及数学模型的建立过程中，在分析速度细胞活性的实验中，将老鼠置于100cm×100cm×50cm的盒子中，通过在随机位置播撒食物屑促使老鼠进行任意运动。
在本实施例中，实验在黑暗环境中进行；为避免老鼠自身行为对速度细胞产生的影响，本实验忽略所有运动速度小于2cm/s时老鼠速度细胞活性的变化。
在本实施例中，所述步骤2)进一步包括：
21)为有效应对各个方向导航性能，需建立非自我中心的方向函数，该模型可用关于角度θ的高斯函数表征
22)边界细胞发放率随老鼠离障碍物距离的减少而增加，该模型可用关于距离r的高斯函数表征
23)经实验表明，无论老鼠的头部朝向什么方向，边界细胞的发放率都会随老鼠离障碍物距离的减少而增加，每个边界细胞的感受野通过两个高斯函数的乘积构成，一个函数表示特定的距离，另一个函数表示非自我中心的方向。利用边界细胞的发放率、边界细胞的感受野及其与障碍物的距离信息构成边界细胞发放率变化的表达式，具体表达为：
其中，尖峰响应信息
24)将活性状态信息通过神经元的感知机模型进行分析，
其中，Δfi∝gi(r,θ)×Δθ
25)将速度细胞的活性信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
fn:速度细胞的活性。
f：测量的速度细胞放电率。
f:线性过滤器的列向量
A：Y的截距。
B：细胞速度调整斜率。
λ：平均发放率。
pi：给定训练库的占用率。
Str：给定训练库的列向量。
Rtest:实际速度。
Srec:发放率的重建速度。
Rtr：与神经元对应的发放率相关的矩阵。
(r,θ):老鼠位置的极坐标。
(di,φi):细胞i达到顶峰时老鼠位置的极坐标。
σrad:随着di线性增长，σang:常数。
在步骤1)的速度细胞活性及数学模型的建立中，在分析速度细胞活性实验中，将老鼠置于100cm×100cm×50cm的盒子中，通过在随机位置播撒食物屑促使老鼠进行任意运动，如图6所示。为避免局部场景细胞等导航细胞对实验的影响，该实验在黑暗环境中进行；为避免老鼠自身行为对速度细胞产生的影响，本实验忽略所有运动速度小于2cm/s时老鼠速度细胞活性的变化。首先归一化速度细胞活性，通过线性变换计算出速度细胞的发放率并表示其活性，然后对细胞进行无偏分析，通过无偏估计在实验中调整速度细胞参数，再利用尖峰电压大小判断速度细胞的活性强弱，通过一个由发放场和线性滤波器两部分组成的简单线性解码器使速度细胞的活跃度具体化，再将该活性状态信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响提出的BVGSP-SLAM模型经历图的构，并搭建硬件电路，这里选用加速度计实现速度细胞的功能，如图8所示。
在本实施例中，所述步骤2)中边界细胞活性及数学模型的建立研究中，利用手术在老鼠脑部植入电极，通过上位机可观测边界细胞活性。
在步骤2)边界细胞活性及数学模型的建立中，利用手术在老鼠脑部植入电极，通过上位机可观测边界细胞活性，如图7所示，无论老鼠的头部朝向什么方向，边界细胞的发放率都会随老鼠离障碍物距离的减少而增加。每个边界细胞的感受野通过两个高斯函数的乘积构成，一个函数表示特定的距离，另一个函数表示非自我中心的方向。利用边界细胞的发放率、边界细胞的感受野及其与障碍物的距离信息构成边界细胞发放率变化的表达式，这种细胞的发放率变化状态即表现为细胞的活性状态，再将该活性状态信息通过神经元的感知机模型进行分析，并把所有边界细胞活性信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响提出的BVGSP-SLAM模型经历图的构建，并搭建硬件电路，这里选用红外传感器实现边界细胞的功能，如图8所示。
本发明基于现有RatSLAM模型并引入生物细胞学家提出的网格细胞、边界细胞和速度细胞模型，融入网格细胞实现场景的重定位，闭环检测效果如图4和图5所示。融入速度细胞实现自身的定位，通过对边界细胞的模型分析建模实现突发障碍物的判别与避障，提出一种BVGSP-SLAM模型(Border cells+View cells+Grid cells+Speed cells+Posecells+SLAM，BVGSP-SLAM)，该模型及速度细胞和边界细胞具体算法的实现如图2所示，其硬件平台实现如图8所示。
基于上述，本发明现有技术相比有益效果为：该模型RatSLAM模型基础上融入速度细胞实现自身的定位，通过对边界细胞的模型分析建模实现突发障碍物的判别与避障，融入网格细胞实现场景重定位的功能，修正里程计的累计误差，与现有技术中通过头方向细胞测量角信号，条纹细胞进行线速度信号采集的仿生导航模型相比，本发明提出的融合速度细胞和边界细胞的复合SLAM模型的建立更优，尤其对突发障碍物出现时能够直接从边界细胞模型提取所需的状态信息进行判断并实现避障，最后通过实物进行系统分析验证。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，其特征在于：包括以下步骤：
1)进行融合速度细胞的RatSLAM模型研究，并建立速度细胞活性的数学模型；
2)进行融合边界细胞的RatSLAM模型研究，并建立速度边界活性的数学模型；
所述步骤1)进一步包括：
11)归一化速度细胞活性，通过线性变换计算出速度细胞的发放率并表示其活性，公式如下：
12)对细胞进行无偏分析，再利用尖峰电压大小判断速度细胞的活性强弱，速度细胞头方向平均长度可由二进制i代表的方向θi和发放率λi表达：
尖峰电压信息可表达为：
13)通过一个由发放场和线性滤波器两部分组成的简单线性解码器使速度细胞的活跃度具体化，公式如下：
Str＝Rtrf
其中，
f＝(Str TStr)-1Str TRtr
Srec＝Rtestf
fn:速度细胞的活性，
f：测量的速度细胞放电率，
f:线性过滤器的列向量，
A：Y的截距，
B：细胞速度调整斜率，
λ：平均发放率，
pi：给定训练库的占用率，
Str：给定训练库的列向量，
Rtest:实际速度，
Srec:发放率的重建速度，
Rtr：与神经元对应的发放率相关的矩阵；
14)将该活性状态信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
2.根据权利要求1所述的一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，其特征在于，所述步骤1)中速度细胞活性及数学模型的建立过程中，在分析速度细胞活性的实验中，将老鼠置于100cm×100cm×50cm的盒子中，通过在随机位置播撒食物屑促使老鼠进行任意运动。
3.根据权利要求2所述的一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，其特征在于，实验在黑暗环境中进行；为避免老鼠自身行为对速度细胞产生的影响，本实验忽略所有运动速度小于2cm/s时老鼠速度细胞活性的变化。
4.根据权利要求3所述的一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，其特征在于，所述步骤2)进一步包括：
21)为有效应对各个方向导航性能，需建立非自我中心的方向函数，该模型可用关于角度θ的高斯函数表征
(r,θ):老鼠位置的极坐标，
σang:常数；
22)边界细胞发放率随老鼠离障碍物距离的减少而增加，该模型可用关于距离r的高斯函数表征
(di,φi):细胞i达到顶峰时老鼠位置的极坐标，
σrad:随着di线性增长，
23)经实验表明，无论老鼠的头部朝向什么方向，边界细胞的发放率都会随老鼠离障碍物距离的减少而增加，每个边界细胞的感受野通过两个高斯函数的乘积构成，一个函数表示特定的距离，另一个函数表示非自我中心的方向，利用边界细胞的发放率、边界细胞的感受野及其与障碍物的距离信息构成边界
细胞发放率变化的表达式，具体表达为：
其中，尖峰响应信息
24)将活性状态信息通过神经元的感知机模型进行分析，
其中，Δfi∝gi(r,θ)×Δθ
25)将速度细胞的活性信息传递给由头方向细胞和位置细胞融合而成的位姿细胞，进而影响经历图的构建。
5.根据权利要求1所述的一种突发障碍物识别的BVGSP-SLAM复合模型的实现方法，其特征在于，所述步骤2)中边界细胞活性及数学模型的建立研究中，利用手术在老鼠脑部植入电极，通过上位机可观测边界细胞活性。
CN201710290156.1A 2017-04-28 2017-04-28 一种突发障碍物识别的bvgsp-slam复合模型的实现方法 Active CN106871911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710290156.1A CN106871911B (zh) 2017-04-28 2017-04-28 一种突发障碍物识别的bvgsp-slam复合模型的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710290156.1A CN106871911B (zh) 2017-04-28 2017-04-28 一种突发障碍物识别的bvgsp-slam复合模型的实现方法

Publications (2)

Publication Number Publication Date
CN106871911A CN106871911A (zh) 2017-06-20
CN106871911B true CN106871911B (zh) 2019-12-10

Family

ID=59161638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710290156.1A Active CN106871911B (zh) 2017-04-28 2017-04-28 一种突发障碍物识别的bvgsp-slam复合模型的实现方法

Country Status (1)

Country Link
CN (1) CN106871911B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107806876A (zh) * 2017-09-29 2018-03-16 爱极智（苏州）机器人科技有限公司 一种基于orb算法的认知地图构建方法
CN109101012A (zh) * 2017-12-12 2018-12-28 上海魔龙机器人科技有限公司 一种基于slam算法的机器人导航系统及导航方法
CN108680177B (zh) * 2018-05-31 2021-11-09 安徽工程大学 基于啮齿类动物模型的同步定位与地图构建方法及装置
CN113112565B (zh) * 2021-04-08 2022-01-25 安徽工程大学 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915039A (zh) * 2012-11-09 2013-02-06 河海大学常州校区 一种仿动物空间认知的多机器人联合目标搜寻方法
CN103778332A (zh) * 2014-01-16 2014-05-07 北京工业大学 一种老鼠海马结构在环境认知过程中作用的分析方法
CN106125730A (zh) * 2016-07-10 2016-11-16 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1495321A4 (en) * 2002-03-29 2006-10-25 Genomatica Inc HUMAN METABOLISM MODELS AND ASSOCIATED METHODS

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915039A (zh) * 2012-11-09 2013-02-06 河海大学常州校区 一种仿动物空间认知的多机器人联合目标搜寻方法
CN103778332A (zh) * 2014-01-16 2014-05-07 北京工业大学 一种老鼠海马结构在环境认知过程中作用的分析方法
CN106125730A (zh) * 2016-07-10 2016-11-16 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Speed cells in the medial entorhinal cortex;Emilio Kropff等;《Nature》;20151231;第419-442页 *
鸽子海马区位置细胞及其空间响应特性分析;刘新玉_等;《中国科学：生命科学》;20170315;第47卷(第3期);第292-304页 *

Also Published As

Publication number Publication date
CN106871911A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN106871911B (zh) 一种突发障碍物识别的bvgsp-slam复合模型的实现方法
Redish Beyond the cognitive map: from place cells to episodic memory
Bellmund et al. Grid-cell representations in mental simulation
Izad Computationally efficient method in predicting axonal excitation
CN101432737B (zh) 具有基于海马状突起的模拟神经系统的移动的基于大脑的设备
Baumann et al. Extrahippocampal contributions to spatial navigation in humans: a review of the neuroimaging evidence
Benterki et al. Long-term prediction of vehicle trajectory using recurrent neural networks
CN114638103A (zh) 自动驾驶联合仿真方法、装置、计算机设备及存储介质
Low et al. Dynamic and reversible remapping of network representations in an unchanging environment
Hurlebaus et al. Route learning strategies in a virtual cluttered environment
CN109191633A (zh) 员工识别方法及机器人
Milford et al. Experience mapping: producing spatially continuous environment representations using RatSLAM
Jauffret et al. How can a robot evaluate its own behavior? A neural model for self-assessment
Dollé et al. Analyzing interactions between navigation strategies using a computational model of action selection
Walters et al. Path integration of head direction: updating a packet of neural activity at the correct speed using neuronal time constants
CN109425340B (zh) 基于贝叶斯多模感知融合的类脑机器人导航方法
CN115107948B (zh) 一种高效强化学习自主船舶避碰方法
Diviney et al. Hippocampal contribution to vector model hypothesis during cue-dependent navigation
Zhang et al. Particle tracking model of electrophoretic morphogen movement reveals stochastic dynamics of embryonic gradient
Zeng et al. A theory of geometry representations for spatial navigation
Marcos et al. The neuronal substrate underlying order and interval representations in sequential tasks: a biologically based robot study
Baumann et al. Gateway identity and spatial remapping in a combined grid and place cell attractor
Gökçe et al. The pros and cons of flocking in the long-range “migration” of mobile robot swarms
Heath et al. Communication between Lingodroids with different cognitive capabilities
Phuong et al. Building a mathematics model for lane‐change technology of autonomous vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Chen Mengyuan

Inventor after: Xu Tong

Inventor after: Ling Youzhu

Inventor after: Wang Wei

Inventor before: Xu Tong

Inventor before: Chen Mengyuan

Inventor before: Ling Youzhu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant