CN111811532A - 基于脉冲神经网络的路径规划方法和装置 - Google Patents

基于脉冲神经网络的路径规划方法和装置 Download PDF

Info

Publication number
CN111811532A
CN111811532A CN202010634479.XA CN202010634479A CN111811532A CN 111811532 A CN111811532 A CN 111811532A CN 202010634479 A CN202010634479 A CN 202010634479A CN 111811532 A CN111811532 A CN 111811532A
Authority
CN
China
Prior art keywords
neuron
neural network
synapse
pulse
pulse signal
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.)
Granted
Application number
CN202010634479.XA
Other languages
English (en)
Other versions
CN111811532B (zh
Inventor
马德
徐浩然
段会康
金小波
朱晓雷
潘纲
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010634479.XA priority Critical patent/CN111811532B/zh
Publication of CN111811532A publication Critical patent/CN111811532A/zh
Application granted granted Critical
Publication of CN111811532B publication Critical patent/CN111811532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Abstract

本发明公开了一种基于脉冲神经网络的路径规划方法和和装置，包括：(1)将地图划分成目标区域、正常通行区域和障碍区域，并将地图建模成脉冲神经网络，每个区域对应脉冲神经网络的神经元，每个神经元之间通过两条单向突触连接；(2)初始化目标区域对应神经元参数和突触参数；(3)在每个时刻，每个神经元的膜电位根据传入突触的脉冲情况和自充电电流进行更新，且当膜电位大于电位阈值时，发出脉冲信号，该脉冲信号经突触传递到下一个神经元，神经元发射脉冲信号后，膜电位归零；(4)在每个时刻，根据是否传递脉冲信号更新每个突触的迹值，根据迹值更新突触的权重；(5)当脉冲信号传递结束后，根据突触的权重值的大小规划路径，得到路径结果。

Description

基于脉冲神经网络的路径规划方法和装置
技术领域
本发明属于脉冲神经网络领域，具体涉及一种基于脉冲神经网络的路径规划方法和装置。
背景技术
人工神经网络(ANN，Artificial Neural Network)是一系列模仿生物神经结构及其学习、记忆等功能的信息处理系统，具有并行处理、分布式信息存储和自主学习等诸多优点。自深度学习的概念提出以来，神经网络的研究取得了突飞猛进的发展，并被广泛应用多个领域，取得了令人瞩目的成果。
脉冲神经网络(SNN,Spiking Neural Network)被誉为第三代人工神经网络，是一种基于离散神经脉冲信息的人工神经网络。相比于人工神经网络，脉冲神经网络各层神经元之间通过离散的脉冲来进行信息的传递，并非连续的数值。当一个神经元产生或收到脉冲时，才会进行信息的传递。这一事件驱动、分布计算的特性，使得脉冲神经网络相比于传统人工神经网络的功耗大大降低。目前，许多公司和科研机构都在推出基于脉冲神经网络的神经拟态的计算芯片，例如IBM公司的TrueNorth和Intel公司的 Loihi。相比于传统计算设备，这些芯片都可以发挥脉冲神经网络的优势，以极低的功耗运行脉冲神经网络。
路径规划问题是一个十分经典的问题。对于机器人、自动驾驶等领域，针对一个目标进行跟踪并且到达目标是一个十分重要的功能。经典的路径规划问题是指，在一个指定的地图中，找到两点(某个位置到目标)之间的可行并且最优或者接近最优的路径。这要求路径规划的方法能够避开地图中的障碍区域。在实际的情况中，目标和障碍物的位置很可能随着时间不停地变化。这种动态的环境条件进一步增加了路径规划的难度。传统的路径规划方法例如Dijkstra算法或A*算法难以进行动态的规划过程，或者在动态的过程中进行大量的计算从而导致时间成本剧增，如申请公布号为 CN107229287A的专利申请公开了一种基于遗传蚂蚁算法的无人机全局路径规划方法，申请公布号CN110928295A的专利申请公开了一种融合人工势场与对数蚁群算法的机器人路径规划方法。
但脉冲神经网络的算法可以让地图和路径实时更新，避免了大量的重复计算。所以基于脉冲神经网络的路径规划方法更适合低功耗需求的场合，例如低功耗的嵌入式机器人环境。
发明内容
本发明公开了一种基于脉冲神经网络的路径规划方法和装置，该路径规划方法和和装置能够在目标移动或者障碍物添置减少的情况下进行路径规划，与此同时，采用脉冲神经网络模型，便于硬件高效实现。
本发明的技术方案为：
一种基于脉冲神经网络的路径规划方法，包括：
(1)将地图划分成目标区域、正常通行区域和障碍区域，并将地图建模成脉冲神经网络，每个区域对应脉冲神经网络的神经元，每个神经元之间通过两条单向突触连接；
(2)初始化目标区域对应神经元的自充电电流为正值，正常通行区域对应神经元的自充电电流为1，障碍区域对应神经元的自充电电流为负值，突触的初始权重为1，初始迹为0；
(3)在每个时刻，每个神经元的膜电位根据传入突触的脉冲情况和自充电电流进行更新，且当膜电位大于电位阈值时，发出脉冲信号，该脉冲信号经突触传递到下一个神经元，神经元发射脉冲信号后，膜电位归零；
(4)在每个时刻，根据是否传递脉冲信号更新每个突触的迹值，根据迹值更新突触的权重；
(5)当脉冲信号传递结束后，根据突触的权重值的大小规划路径，得到路径结果。
一种基于脉冲神经网络的路径规划的装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现以下步骤：
接收需要路径规划的地图；
执行上述基于脉冲神经网络的路径规划方法。
与现有技术相比，本发明具有的有益效果至少包括：
本发明提供的基于脉冲神经网络的路径规划方法和装置，通过将地图建模成脉冲神经网络，利用脉冲神经网络中突触的权重来规划路径，提升了路径规划的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的脉冲神经网络的结构示意图；
图2和图3是本发明实施例提供的脉冲神经网络在不同时刻脉冲信号的传播状态；
图4是本发明实施例提供的根据脉冲神经网络路径规划的示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1～图4所示，实施例提供了一种基于脉冲神经网络的路径规划方法，包括以下步骤：
步骤1，将地图划分成目标区域、正常通行区域和障碍区域，并将地图建模成脉冲神经网络，每个区域对应脉冲神经网络的神经元，每个神经元之间通过两条单向突触连接。
针对路径规划问题，实施例设计了一个脉冲神经网络，用来对地图环境进行建模。地图包括三种区域：目标区域、正常通行区域、障碍区域。其中，目标区域为路径规划的目标，每个地图设置一个目标区域。正常通行区域为地图上可以作为路径经过的区域，默认状态下除障碍区域和目标区域外所有区域都为可通行区域。障碍区域为存在障碍物的区域，不能作为路径的一部分。
在建模时，针对不同需求将地图分为若干方格区域，每个区域在神经网络中由一个神经元所表示。对于不同的区域，用神经元的参数进行区分。神经元会和自己相邻的四个神经元进行连接，其中用于连接的突触只能单向传播信号，所以两个神经元之间会由两条单向突触连接起来。这样就形成了一个脉冲神经网络。神经元的包括4个参数，分别为：阈值th、膜电位v、不应期r、自充电电流I；突触包括3个参数，分别为突触延迟d、权重w、迹tr。
附图1展示了一个4x4的脉冲神经网络模型，包括了神经元和神经元之间突触的连接。其中空心圆圈代表了一个神经元，而带箭头的曲线代表了突触和该突触信息传播的方向。箭头所指为突触信息传播方向。
步骤2，初始化目标区域对应神经元的自充电电流为正值，正常通行区域对应神经元的自充电电流为1，障碍区域对应神经元的自充电电流为负值，突触的初始权重为1，初始迹为0。
目标区域对应神经元的自充电电流为正值，该正值范围一般为0.1至 0.5左右；该障碍区域对应神经元的自充电电流为负值，该负值的绝对值一般为正值电流的10倍左右大小，即-10至-50左右。
步骤3，在每个时刻，每个神经元的膜电位根据传入突触的脉冲情况和自充电电流进行更新，且当膜电位大于电位阈值时，发出脉冲信号，该脉冲信号经突触传递到下一个神经元，神经元发射脉冲信号后，膜电位归零。
实施例中，在每个时刻，根据公式(1)和(2)更新神经元的膜电位：
vj＝∑iωijδi(t)+Ij (1)
Figure BDA0002567506550000051
其中，vj表示第j个后射神经元的膜电位，Ij表示第j个后射神经元的自充电电流，δi(t)表示第i个前射神经元在t时刻是否发射脉冲信号，ωij表示第i个前射神经元传到第j个后射神经元的突触的权重。当神经元发射脉冲信号时，δi(t)＝1，其他时刻(例如不发射脉冲信号)，δi(t)＝0。
当膜电位大于电位阈值时，发出脉冲信号，该脉冲信号经突触传递到下一个神经元，神经元发射脉冲信号后，膜电位归零。需要注意的是，神经元的膜电位不会下降到0以下。实施例中，电位阈值取值范围为0～1(不包括0)；具体地可以取1。
实施例中，每个神经元设定一个不应期r，在该不应期内，神经元不响应传入的脉冲信号，即不更新神经元的膜电位。该不应期r一般设为5 至10倍网络仿真运行的单位时刻时长。不应期长度设置对结果正确性不产生影响。
该基于脉冲神经网络的路径规划方法还包括在每个时刻，对神经元的脉冲信号传播进行可视化，具体包括：
建模时，将地图划分成一个网格，网格中的每个格子表示一个区域，将网格建模成脉冲神经网络，每个格子对应一个神经元，目标区域用特殊符号标记，障碍区域对应的网格为黑色，在每个时刻，神经元进行脉冲发射时，发射脉冲信号的神经元对应的网格呈现灰色，以实现对神经元的脉冲信号传播的可视化。
附图2和附图3展示了在一个12x12的网络模型中脉冲传播中的状态。其中深灰色区域为地图中的障碍物，浅灰色是目前正在发射脉冲的区域，五角星处为路径规划的目标区域所在位置。地图中每个格子都对应了脉冲神经网络中的一个神经元。在这个例子中，目标神经元在0ms时刻发射一次脉冲，而突触的延迟为1ms。图2为目标处神经元发射脉冲3ms后的地图状态，附图3是8ms后的状态。
步骤4，在每个时刻，根据是否传递脉冲信号更新每个突触的迹值，根据迹值更新突触的权重。
当神经元收到一个脉冲信号时，其电位会增加传递该脉冲信号相应突触的权重大小。脉冲神经网络的突触具有可塑性，是指根据相邻的若干个脉冲的时间差，突触的权重会进行相应调整的一种突触权重更新机制。本发明设计的突触权重更新机制利用了突触的迹来间接记录脉冲时间差，进而简化这一机制的施行。
具体地，每个时刻，根据公式(3)～公式(6)更新突触的权重：
Figure BDA0002567506550000071
Figure BDA0002567506550000072
Figure BDA0002567506550000073
Figure BDA0002567506550000074
其中，
Figure BDA0002567506550000075
表示第i个前射神经元传向第j个后射神经元的突触在t时刻的权重，
Figure BDA0002567506550000076
表示第i个前射神经元传向第j个后射神经元的突触在t-1 时刻的权重，
Figure BDA0002567506550000077
为权重增加量，k1和k2是为正值的比例常数，δj(t)为第 j个后射神经元在t时刻是否发射脉冲信号，str(t)表示t时刻突触的迹值， t1为神经元上一次发射脉冲信号的时刻，τ为一个大于0的比例常数，取值范围大于1。
根据公式(3)～(6)可以发现，在不发射脉冲信号的其他时刻，
Figure BDA0002567506550000078
即突触的权重按照固定的衰减量-k1随着时间进行固定衰减。但当后射神经元发射脉冲时，δj(t)＝1，突触的权重会根据该突触的迹大小相应增加，即
Figure BDA0002567506550000079
此时，
Figure BDA00025675065500000710
为了保证脉冲的正常传递，突触的权值不会下降到0以下。
步骤5，当脉冲信号传递结束后，根据突触的权重值的大小规划路径，得到路径结果。
具体地，对于当前神经元，选择当前神经元的最大突触权重对应的突触作为一步路径，连接到下一个神经元，依次规划得到从当前区域到目标区域的路径。
附图4展示了在一个12x12的网络中路径规划所得到的部分结果，中深灰色区域为地图中的障碍物，五角星处为路径规划的目标区域所在位置。为了更好地展现出路径，这里用一条折线标识出了地图右下角到目标区域的路径。以同样的方式还可以得到其他位置到目标区域的路径。
实验例
首先要建立一个合适的脉冲神经网络。每个神经元与自己相邻的神经元进行连接。由于突触单向的信息传递特点，所以两个神经元之间有两条方向相反的突触。在这个神经网络中，每个神经元代表着一个区域。这样就可以建立起一个简单的长宽为4的脉冲神经网络。在地图的实际面积一定的情况下，神经元越多越密集，所能表示的地图分辨率就越高。
建立起神经网络后，就需要对网络中的神经元进行相应的配置。在这个步骤施行前要得到目标或者障碍物的位置，再转换为不同的神经元配置。对于目标存在的区域，神经元的自充电电流设为正值，而对于障碍物存在的区域，自充电电流设为一个足够大的负值。其他区域默认为可以通行区域，这些区域的自充电电流都设为1。对于突触而言，初始的权重都为1、迹为0。注意的是，突触的初始化可以随着网络的初始化进行，在上述配置过程中并不需要重新对突触进行初始化。
在上述配置完成后，运行网络。由于代表目标的区域的神经元自充电电流大小为正值，所以该神经元会不停地周期性地对外发射脉冲。脉冲会在地图上形成波形形状，如附图2和附图3所展示的例子。而根据突触可塑性规则，网络中突触的权重会自动调整。在运行一定时间后，每个神经元传入突触会包含路径信息。针对需要查询的区域，或者说某个想要到达指定目标的个体当前的所在区域，选取代表该区域的神经元的四个传入突触中权重最大的那条突触的方向作为下一步前进的方向。重复这个选取过程，就可以找到一条当前位置到目标区域的路径。例如，假设当前神经元上下左右四个方向的传入突触权重分别为2、1.2、1.2、1.2，那么该区域就应该选择上方作为下一步的前进方向。如附图4所示，展示了在附图2 和附图3的例子下的路径规划结果。该图同时展示了一条从右下角到目标区域的路径。
在实际的任务中，选取了当前的方向即可进行相应的移动动作，不需要将路径完全读取出来。如果目标区域或者障碍区域发生变化时候，只需要将障碍物或者目标位置对应的神经元参数进行更新即可，而网络的运行会自动将权重进行调整。也就是说，每一次的网络的运行都是对路径进行调整。如果没有达到目标区域，可以回到刚才的配置步骤，重复进行规划。到达目标区域后就可以结束整个规划流程。这里给出一个动态情况下的算法流程：
1.对神经网络进行初始化。
2.根据外部环境确定地图上的目标区域和障碍物区域，修改相应神经元的自充电电流。
3.运行网络。
4.读取相应位置的权重信息，作为下一步前进方向。如果未到达目标，重复步骤3到4。如果到达目标位置，结束算法。
实施例还提供了一种基于脉冲神经网络的路径规划的装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现以下步骤：
接收需要路径规划的地图；然后执行上述基于脉冲神经网络的路径规划方法。
上述基于脉冲神经网络的路径规划方法和装置能够在目标移动或者障碍物添置减少的情况下进行路径规划，与此同时，采用脉冲神经网络模型，便于硬件高效实现。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于脉冲神经网络的路径规划方法，其特征在于，包括以下步骤：
(1)将地图划分成目标区域、正常通行区域和障碍区域，并将地图建模成脉冲神经网络，每个区域对应脉冲神经网络的神经元，每个神经元之间通过两条单向突触连接；
(2)初始化目标区域对应神经元的自充电电流为正值，正常通行区域对应神经元的自充电电流为1，障碍区域对应神经元的自充电电流为负值，突触的初始权重为1，初始迹为0；
(3)在每个时刻，每个神经元的膜电位根据传入突触的脉冲情况和自充电电流进行更新，且当膜电位大于电位阈值时，发出脉冲信号，该脉冲信号经突触传递到下一个神经元，神经元发射脉冲信号后，膜电位归零；
(4)在每个时刻，根据是否传递脉冲信号更新每个突触的迹值，根据迹值更新突触的权重；
(5)当脉冲信号传递结束后，根据突触的权重值的大小规划路径，得到路径结果。
2.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，步骤(3)中，在每个时刻，根据公式(1)和(2)更新神经元的膜电位：
vj＝∑iωijδi(t)+Ij (1)
Figure FDA0002567506540000011
其中，vj表示第j个后射神经元的膜电位，Ij表示第j个后射神经元的自充电电流，δi(t)表示第i个前射神经元在t时刻是否发射脉冲信号，ωij表示第i个前射神经元传到第j个后射神经元的突触的权重。
3.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，步骤(4)中，每个时刻，根据公式(3)～公式(6)更新突触的权重：
Figure FDA0002567506540000021
Figure FDA0002567506540000022
Figure FDA0002567506540000023
Figure FDA0002567506540000024
其中，
Figure FDA0002567506540000025
表示第i个前射神经元传向第j个后射神经元的突触在t时刻的权重，
Figure FDA0002567506540000026
表示第i个前射神经元传向第j个后射神经元的突触在t-1时刻的权重，
Figure FDA0002567506540000027
为权重增加量，k1和k2是为正值的比例常数，δj(t)为第j个后射神经元在t时刻是否发射脉冲信号，str(t)表示t时刻突触的迹值，t1为神经元上一次发射脉冲信号的时刻，τ为一个大于0的比例常数，取值范围通常大于1。
4.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，每个神经元设定一个不应期，在该不应期内，神经元不响应传入的脉冲信号，即不更新神经元的膜电位。
5.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，步骤(5)中，对于当前神经元，选择当前神经元的最大突触权重对应的突触作为一步路径，连接到下一个神经元，依次规划得到从当前区域到目标区域的路径。
6.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，所述电位阈值为0～1，且不包括0。
7.如权利要求1所述的基于脉冲神经网络的路径规划方法，其特征在于，还包括在每个时刻，对神经元的脉冲信号传播进行可视化，具体包括：
建模时，将地图划分成一个网格，网格中的每个格子表示一个区域，将网格建模成脉冲神经网络，每个格子对应一个神经元，目标区域用特殊符号标记，障碍区域对应的网格为黑色，在每个时刻，神经元进行脉冲发射时，发射脉冲信号的神经元对应的网格呈现灰色，以实现对神经元的脉冲信号传播的可视化。
8.一种基于脉冲神经网络的路径规划的装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现以下步骤：
接收需要路径规划的地图；
执行权利要求1～7任一项所述的基于脉冲神经网络的路径规划方法。
CN202010634479.XA 2020-07-02 2020-07-02 基于脉冲神经网络的路径规划方法和装置 Active CN111811532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010634479.XA CN111811532B (zh) 2020-07-02 2020-07-02 基于脉冲神经网络的路径规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010634479.XA CN111811532B (zh) 2020-07-02 2020-07-02 基于脉冲神经网络的路径规划方法和装置

Publications (2)

Publication Number Publication Date
CN111811532A true CN111811532A (zh) 2020-10-23
CN111811532B CN111811532B (zh) 2022-03-25

Family

ID=72856156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010634479.XA Active CN111811532B (zh) 2020-07-02 2020-07-02 基于脉冲神经网络的路径规划方法和装置

Country Status (1)

Country Link
CN (1) CN111811532B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561166A (zh) * 2020-12-16 2021-03-26 珠海格力电器股份有限公司 车辆的调度方法和装置、存储介质、电子装置
CN114611686A (zh) * 2022-05-12 2022-06-10 之江实验室 基于可编程神经拟态核的突触延时实现系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006122030A2 (en) * 2005-05-07 2006-11-16 Thaler Stephen L Device for the autonomous bootstrapping of useful information
CN103984342A (zh) * 2013-12-23 2014-08-13 王秀青 移动机器人的多脉冲神经网络控制器导航控制方法
US8977578B1 (en) * 2012-06-27 2015-03-10 Hrl Laboratories, Llc Synaptic time multiplexing neuromorphic network that forms subsets of connections during different time slots
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
US20170157769A1 (en) * 2015-12-02 2017-06-08 Qualcomm Incorporated Simultaneous mapping and planning by a robot
KR101799700B1 (ko) * 2016-11-29 2017-12-20 고려대학교 산학협력단 뉴로모픽 신경망 모델 기반 내비게이션 장치 및 그 방법
US20180174023A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Autonomous navigation using spiking neuromorphic computers
US20180174041A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Network traversal using neuromorphic instantiations of spike-time-dependent plasticity
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN110298440A (zh) * 2019-04-04 2019-10-01 北京工业大学 基于皮质柱网络波前传播的多尺度面向目标导航方法
CN110515303A (zh) * 2019-09-17 2019-11-29 余姚市浙江大学机器人研究中心 一种基于ddqn的自适应动态路径规划方法
CN111337931A (zh) * 2020-03-19 2020-06-26 哈尔滨工程大学 一种auv目标搜索方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006122030A2 (en) * 2005-05-07 2006-11-16 Thaler Stephen L Device for the autonomous bootstrapping of useful information
US8977578B1 (en) * 2012-06-27 2015-03-10 Hrl Laboratories, Llc Synaptic time multiplexing neuromorphic network that forms subsets of connections during different time slots
CN103984342A (zh) * 2013-12-23 2014-08-13 王秀青 移动机器人的多脉冲神经网络控制器导航控制方法
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
US20170157769A1 (en) * 2015-12-02 2017-06-08 Qualcomm Incorporated Simultaneous mapping and planning by a robot
KR101799700B1 (ko) * 2016-11-29 2017-12-20 고려대학교 산학협력단 뉴로모픽 신경망 모델 기반 내비게이션 장치 및 그 방법
US20180174023A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Autonomous navigation using spiking neuromorphic computers
US20180174041A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Network traversal using neuromorphic instantiations of spike-time-dependent plasticity
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN110298440A (zh) * 2019-04-04 2019-10-01 北京工业大学 基于皮质柱网络波前传播的多尺度面向目标导航方法
CN110515303A (zh) * 2019-09-17 2019-11-29 余姚市浙江大学机器人研究中心 一种基于ddqn的自适应动态路径规划方法
CN111337931A (zh) * 2020-03-19 2020-06-26 哈尔滨工程大学 一种auv目标搜索方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DU XIN等: "Neural network and genetic algorithm based global path planning in a static environment", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE》 *
TIFFANY HWU等: "Adaptive Robot Path Planning Using a Spiking Neuron Algorithm With Axonal Delays", 《 IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS》 *
刘晶等: "移动机器人全覆盖路径规划算法研究", 《工业控制计算机》 *
孙艺彬等: "基于定向约束的脉冲耦合神经网络路径规划", 《计算机科学》 *
程龙等: "脉冲神经网络:模型、学习算法与应用", 《控制与决策》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561166A (zh) * 2020-12-16 2021-03-26 珠海格力电器股份有限公司 车辆的调度方法和装置、存储介质、电子装置
CN114611686A (zh) * 2022-05-12 2022-06-10 之江实验室 基于可编程神经拟态核的突触延时实现系统及方法

Also Published As

Publication number Publication date
CN111811532B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Cao et al. Target search control of AUV in underwater environment with deep reinforcement learning
EP3136304A1 (en) Methods and systems for performing reinforcement learning in hierarchical and temporally extended environments
CN104662526A (zh) 用于高效地更新尖峰神经元网络的装置和方法
Bartlett et al. Hebbian synaptic modifications in spiking neurons that learn
CN111811532B (zh) 基于脉冲神经网络的路径规划方法和装置
Mahadevuni et al. Navigating mobile robots to target in near shortest time using reinforcement learning with spiking neural networks
Fagg et al. Rapid reinforcement learning for reactive control policy design in autonomous robots
Tan et al. Proximal policy based deep reinforcement learning approach for swarm robots
Liu et al. A hierarchical reinforcement learning algorithm based on attention mechanism for uav autonomous navigation
Cardoso et al. A large-scale mapping method based on deep neural networks applied to self-driving car localization
Alnajjar et al. Self-organization of spiking neural network that generates autonomous behavior in a real mobile robot
CN113741461B (zh) 一种面向受限通信的复杂场景下多机器人避障方法
Zou et al. A neurobiologically inspired mapping and navigating framework for mobile robots
Rabelo et al. A Hybrid Approach Using Neural Networks. Simulation. Genetic Algorithms, and Machine Learning for Real-Time Sequencing and Scheduling Problems
Prescott Explorations in reinforcement and model-based learning
Wang et al. Behavioral decision-making of mobile robot in unknown environment with the cognitive transfer
CN114897125A (zh) 一种基于秀丽线虫神经网络的仿生运动控制方法
Chen et al. Deep reinforcement learning-based robot exploration for constructing map of unknown environment
Cuperlier et al. Transition cells for navigation and planning in an unknown environment
Tang et al. Reinforcement learning for robots path planning with rule-based shallow-trial
Heinen et al. IGMN: An incremental connectionist approach for concept formation, reinforcement learning and robotics
Bromo Reinforcement Learning Based Strategic Exploration Algorithm for UAVs Fleets
Conforth et al. An artificial neural network based learning method for mobile robot localization
Uchibe Cooperative behavior acquisition by learning and evolution in a multi-agent environment for mobile robots
Tang Biologically Inspired Spiking Neural Networks for Energy-Efficient Robot Learning and Control

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
GR01 Patent grant
GR01 Patent grant