CN112648999B - 一种基于多尺度网格细胞路径积分的类脑导航方法 - Google Patents

一种基于多尺度网格细胞路径积分的类脑导航方法 Download PDF

Info

Publication number
CN112648999B
CN112648999B CN202011376799.6A CN202011376799A CN112648999B CN 112648999 B CN112648999 B CN 112648999B CN 202011376799 A CN202011376799 A CN 202011376799A CN 112648999 B CN112648999 B CN 112648999B
Authority
CN
China
Prior art keywords
grid cell
network
discharge rate
dimensional
grid
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
CN202011376799.6A
Other languages
English (en)
Other versions
CN112648999A (zh
Inventor
杨闯
熊智
刘建业
华冰
晁丽君
陈雨荻
王雅婷
戴嘉伟
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011376799.6A priority Critical patent/CN112648999B/zh
Publication of CN112648999A publication Critical patent/CN112648999A/zh
Application granted granted Critical
Publication of CN112648999B publication Critical patent/CN112648999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods

Abstract

本发明涉及一种基于多尺度网格细胞路径积分的类脑导航方法,属于导航定位与人工智能领域。该方法借鉴哺乳动物大脑内嗅皮层多尺度网格细胞网络路径积分和海马体位置细胞簇网络解算位置神经机理。首先基于指数型增益因子和三维吸引子神经网络构建了三维多尺度网格细胞网络模型,将无人机自运动信息(速度/航向)编码为多尺度网格细胞放电率波包;然后构建了位置细胞簇神经网络模型,将多尺度网格细胞放电率波包解码为无人机三维位置信息。本发明提供了一种三维、大尺度空间下的鲁棒、准确、智能类脑导航方法,可用于卫星拒止和未知复杂环境下无人机的智能自主导航与定位。

Description

一种基于多尺度网格细胞路径积分的类脑导航方法
技术领域
本发明涉及一种基于多尺度网格细胞路径积分的类脑导航方法,属于导航定位与人工智能领域。
背景技术
无人机是一种由动力驱动、机上无人驾驶、可重复使用的飞行器的简称,在侦察、搜救、飞行表演、测绘测量等军民用领域具有广阔的应用前景。导航作为无人机的核心技术之一,是无人机顺利进行作业活动的前提和基础。
当前,无人机在卫星拒止、未知环境等复杂环境下飞行主要采用基于视觉/激光雷达/惯性等传感器的即时定位与地图构建(SLAM)体系进行导航与定位,由于需要预先构建准确SLAM数学模型,无法较好适应复杂未知环境以及实现准确智能导航定位。
蝙蝠、老鼠等哺乳动物在未知复杂环境下具有鲁棒、准确、智能的导航能力,这种能力的关键是大脑中的“路径积分系统”。大脑路径积分系统主要由内嗅皮层中的多尺度网格细胞网络和海马体中的位置细胞网络两部分构成:前者对来自大脑前庭系统或视觉产生的自运动信息(速度/航向角)进行路径积分,将自运动信息编码为网格细胞特定的时空放电模式;后者对放电模式不断进行记忆和学习,将放电模式解码为动物的实时位置。动物大脑路径积分系统为解决无人机在未知环境下的导航定位难题提供了较好生物模型。
目前关于多尺度网格细胞路径积分导航的研究主要是二维小尺度空间的模拟仿真研究,此外还存在噪声敏感、位置解算不准确等突出弊端,难以应用到无人机未知环境下鲁棒智能导航。因此研究三维、大尺度空间下基于多尺度网格细胞路径积分的类脑导航方法,提高未知环境下无人机导航鲁棒性、准确性、智能性具有重要的科学和应用价值。
发明内容
为了解决现有无人机导航方法在卫星拒止、未知复杂环境下存在的鲁棒性差、不准确导航难题,本发明提出了一种基于多尺度网格细胞路径积分的类脑导航方法。
本发明为解决其技术问题采用如下技术方案:
一种基于多尺度网格细胞路径积分的类脑导航方法,包括如下步骤:
步骤1,视觉处理模块接收无人机视觉传感器实时采集的图像,并根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角;
步骤2,基于三维吸引子神经网络构建三维网格细胞网络模型,所述三维网格细胞网络模型的输入为无人机前向和高度方向线速度以及航向角,输出为网格细胞放电率波包;
步骤3,构建指数递增型速度增益因子序列,所述序列长度为M;
步骤4,将M个因子分别与M个网格细胞网络模型中的无人机前向速度和高度方向线速度相乘,构建三维多尺度网格细胞网络模型,生成M个网格细胞放电率波包;
步骤5,计算由步骤4生成的M个网格细胞放电率波包三维坐标;
步骤6,构建3个位置细胞簇网络,并将步骤5中的M个网格细胞放电率波包三维坐标映射到3个位置细胞簇网络中进行稀疏化处理;
步骤7,构建位置细胞簇网络连接权值训练数据集;
步骤8,采用有监督赫布突触学习训练获得位置细胞簇网络连接权值矩阵;
步骤9,将由步骤5获得的网格细胞放电率波包三维坐标带入步骤6进行稀疏化处理,并基于步骤8生成的连接权值矩阵进行网格迭代计算;
步骤10,采用“赢者通吃”规则对位置细胞簇网络中各细胞放电激活率进行滤波,然后循环执行步骤9、步骤10,直到位置细胞簇网络收敛到稳定状态,读取网络状态,获取无人机三维位置。
步骤2所述三维网格细胞网络模型为:
其中,为当前时刻三维网格细胞网络所有细胞放电率构成的活性矩阵,γ为余数矩阵,为t-1时刻归一化后的网格细胞活性矩阵,a、b、c分别为沿网络拓扑x、y、z方向的网格细胞活性矩阵更新自变量,分别是沿网络拓扑x、y、z方向的向下取整的整数偏移量;
(2.1)γ的数学表达式为:
Figure GDA0003647708280000025
Figure GDA0003647708280000026
其中,分别是沿网络拓扑x、y、z方向的小数偏移量,x、y、z分别是网络拓扑的3个坐标轴,kx、ky、kz为常数,v、vh、θ分别为无人机水平前向速度、高度速度、航向角,
Figure GDA0003647708280000033
代表向下取整运算符号;
(2.2)
Figure GDA0003647708280000034
的数学表达式为:
其中,为t-1时刻归一化后的网格细胞活性矩阵,
Figure GDA0003647708280000037
为t-1时刻进行归一化计算前的网格细胞活性矩阵,其计算过程如下:
其中,
Figure GDA0003647708280000039
分别为吸引子动力学全局抑制后的网格细胞活性矩阵变化量、局部兴奋后的网格细胞活性矩阵变化量、t-1时刻的网格细胞活性矩阵;
(2.3)
Figure GDA00036477082800000310
的数学表达式为:
Figure GDA00036477082800000311
其中,为局部兴奋后的网格细胞活性矩阵变化量,εu,v,w为任意两个网格细胞之间的兴奋性连接权值,为全局抑制因子常量,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个方向的网格细胞数量;
(2.4)εu,v,w计算公式如下:
其中,δx、δy、δz分别为x、y、z三个方向的方差常数,ux、vy、wz分别为三维网格细胞网络中任意两个网格细胞分别沿网络拓扑x、y、z三个方向的网格距离,其计算公式如下:
其中,xn、yn、zn分别为某一网格细胞在网格细胞网络中的索引标号,i、j、k为另一网格细胞索引标号,nx、ny、nz分别为三维网格细胞网络沿网络拓扑x、y、z三个方向的网格细胞数量;
(2.5)
Figure GDA0003647708280000041
的数学表达式为:
其中,网格细胞活性矩阵中放电率大于0的网格细胞构成的细胞簇即为三维网格细胞网络模型输出的网格细胞放电率波包。
步骤3所述指数递增型增益因子序列G数学表达式为:
G=[g1,…,gm,…,gM]
gm=gM·αm-M
其中,gm为第m个网格细胞网络对应的速度增益因子,gM为第M个网格细胞网络对应的速度增益因子常数,g1为第1个网格细胞网络对应的速度增益因子常数,αm-M为第m个网格细胞网络对应的指数放大倍数,α为指数因子常数。
步骤5所述M个网格细胞网络放电率波包三维坐标计算方法如下:
采用重心法计算M个网格细胞放电率波包坐标数学表达式为:
Figure GDA0003647708280000045
其中,m=1,2,…,M,px为放电率波包向量在网络拓扑x方向的投影向量,py为放电率波包向量在网络拓扑y方向的投影向量,pz为放电率波包向量在网络拓扑z方向的投影向量。
步骤6所述映射到位置细胞簇网络稀进行疏化处理方法如下:
首先构建分别对应网格细胞网络x轴、y轴、z轴的3个位置细胞簇网络,每个位置细胞簇网络均有M个簇,每个簇分别对应1个网格细胞网络,其中,对应x轴、y轴、z轴的位置细胞簇网络中的每个簇分别包含nx、ny、nz个神经元节点,神经元节点的放电率对应下式伪二进制序列值:
其中,D()、B()分别表示M个网格细胞放电率波包坐标的十进制数序列、伪二进制序列,
Figure GDA0003647708280000047
为第1个网格细胞放电率波包三维坐标,
Figure GDA0003647708280000048
为第m个网格细胞放电率波包三维坐标,为第M个网格细胞放电率波包三维坐标,Sparse代表稀疏化运算,b()为伪二进制序列生成方法,其计算公式如下:
Figure GDA0003647708280000052
步骤7所述位置细胞簇网络连接权值训练数据集构建方法如下:
无人机依次沿X轴、Y轴、Z轴方向分别飞行l距离,飞行过程中基于步骤1~步骤6实时计算当前k时刻无人机三维位置Pk处位置细胞簇网络神经元节点的放电率Bk,并实时记录保存Pk与Bk,由Pk、Bk构成的数据序列即为位置细胞簇网络连接权值训练数据集。
步骤8所述位置细胞簇网络连接权值矩阵W计算公式如下:
其中,B1为k=1时刻M个网格细胞放电率波包坐标的伪二进制序列,B2为k=2时刻M个网格细胞放电率波包坐标的伪二进制序列,logical()为逻辑转换函数,其数学表达式如下所示:
其中,wij为权值矩阵W的第i行第j列元素。
步骤9所述网格迭代计算数学表达式如下:
Bt+1=WBt
其中:Bt为当前时刻由M个网格细胞放电率波包坐标伪二进制序列构成的矩阵,Bt+1为下一时刻由M个网格细胞放电率波包坐标伪二进制序列构成的矩阵。
步骤10所述基于“赢者通吃”规则滤波过程如下:
将Bt+1中放电率最大的神经元的放电率置1,其余神经元放电率置0;
然后将赢者通吃滤波后的Bt+1带入到步骤9公式,计算下一循环时刻Bt+2;然后计算Bt+2、Bt+1欧式距离,若距离小于ξ,则停止循环,根据Bt+2获取无人机三维位置。
本发明的有益效果如下:
本发明的方法借鉴哺乳动物大脑路径积分系统神经机理,采用神经动力学模型进行实施:借鉴内嗅皮层多尺度网格细胞网络路径积分机理,基于指数型增益因子和三维吸引子神经网络构建了三维多尺度网格细胞网络模型,将无人机自运动信息(速度/航向)编码为多尺度网格细胞放电率波包;借鉴海马体位置细胞簇网络解算位置神经机理,构建了位置细胞簇神经网络模型,将多尺度网格细胞放电率波包解码为无人机三维位置信息。该方法可以准确地处理无人机含噪自运动信息并解算出可靠的位置导航信息,提高导航鲁棒性、准确性、智能性,可用于卫星拒止和未知复杂环境下无人机的智能自主导航与定位。
附图说明
图1是本发明一种基于多尺度网格细胞路径积分的类脑导航方法的架构图。
图2是三维网格细胞网络拓扑结构图。
图3是128×128×128维的三维网格细胞网络某一时刻时各个网格细胞的放电激活率。
图4是位置细胞簇网络拓扑图。
图5是本发明构建的三维多尺度网格细胞网络模型计算结果图。
图6是本发明构建的位置细胞簇神经网络模型解码无人机三维位置计算结果图。
图7是多尺度网格细胞网络失效个数与位置点计算错误率关系图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
如图1所示,本发明公开一种基于多尺度网格细胞路径积分的类脑导航方法,用于卫星拒止和未知复杂环境下无人机的智能自主导航与定位,属于导航定位与人工智能领域。借鉴哺乳动物大脑“路径积分系统”导航神经机理,采用神经动力学方法构建输入为自运动信息(速度/航向角)、输出为三维位置信息的无人机类脑导航模型。首先无人机视觉传感器实时采集图像信息,根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角;然后基于指数型增益因子模型和三维吸引子神经网络构建三维多尺度网格细胞网络模型,将无人机自运动信息(速度/航向)编码为多尺度网格细胞放电率波包;最后构建位置细胞簇神经网络模型,将多尺度网格细胞放电率波包解码为无人机三维位置信息。
本发明的具体实施方式如下:
1、获取无人机自运动信息(速度/航向角)
视觉处理模块接收无人机视觉传感器实时采集的图像,并根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角。
2、构建三维网格细胞网络模型
基于三维吸引子神经网络构建三维网格细胞网络模型,输入为无人机前向和高度方向线速度以及航向角,输出为网格细胞放电率波包,该网络拓扑结构如图2所示,网络模型为:
Figure GDA0003647708280000071
其中,为当前时刻三维网格细胞网络所有细胞放电率构成的活性矩阵,γ为余数矩阵,为t-1时刻归一化后的网格细胞活性矩阵,a、b、c分别为沿网络拓扑x、y、z方向的网格细胞活性矩阵更新自变量,分别是沿网络拓扑x、y、z方向的向下取整的整数偏移量。
(2.1)γ的数学表达式为:
Figure GDA0003647708280000075
其中,分别是沿网络拓扑x、y、z方向的小数偏移量,x、y、z分别是网络拓扑的3个坐标轴,kx、ky、kz为常数,v、vh、θ分别为无人机水平前向速度、高度速度、航向角,代表向下取整运算符号。
(2.2)的数学表达式为:
Figure GDA00036477082800000712
其中,为t-1时刻归一化后的网格细胞活性矩阵,
Figure GDA00036477082800000714
为t-1时刻进行归一化计算前的网格细胞活性矩阵,其计算过程如下:
其中,分别为吸引子动力学全局抑制后的网格细胞活性矩阵变化量、局部兴奋后的网格细胞活性矩阵变化量、t-1时刻的网格细胞活性矩阵。
(2.3)
Figure GDA0003647708280000081
的数学表达式为:
其中,为局部兴奋后的网格细胞活性矩阵变化量,εu,v,w为任意两个网格细胞之间的兴奋性连接权值,
Figure GDA0003647708280000084
为全局抑制因子常量,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个方向的网格细胞数量。
(2.4)εu,v,w计算公式如下:
其中,δx、δy、δz分别为网络拓扑x、y、z三个方向的方差常数,ux、vy、wz分别为三维网格细胞网络中任意两个网格细胞分别沿网络拓扑x、y、z三个方向的网格距离,其计算公式如下:
其中,xn、yn、zn分别为某一网格细胞在网格细胞网络中的索引标号,i、j、k为另一网格细胞索引标号,nx、ny、nz分别为三维网格细胞网络沿网络拓扑x、y、z三个方向的网格细胞数量。
(2.5)的数学表达式为:
上述即为实施步骤2所述三维网格细胞网络模型计算流程,其中,网格细胞活性矩阵中放电率大于0的网格细胞构成的细胞簇即为三维网格细胞网络模型输出的网格细胞放电率波包,如图3所示。
3、构建三维多尺度网格细胞网络模型
首先,构建长度为M的指数递增型速度增益因子序列G,数学表达式为:
G=[g1,…,gm,…,gM]
gm=gM·αm-M
其中,gm为第m个网格细胞网络对应的速度增益因子,gM为第M个网格细胞网络对应的速度增益因子常数,g1为第1个网格细胞网络对应的速度增益因子常数,αm-M为第m个网格细胞网络对应的指数放大倍数,α为指数因子,取值为(1~2)实数。
然后,将增益因子序列G中的M个因子分别与M个实施步骤2所构建的网格细胞网络模型中的无人机水平前向速度v、高度速度vh相乘,获取M个三维多尺度网格细胞网络模型。
4、计算三维多尺度网格细胞网络细胞放电率波包坐标
采用重心法计算由实施步骤3生成的M个网格细胞放电率波包三维坐标数学表达式为:
其中,m=1,2,…,M,px为放电率波包向量在网络拓扑x方向的投影向量,py为放电率波包向量在网络拓扑y方向的投影向量,pz为放电率波包向量在网络拓扑z方向的投影向量。
5、构建位置细胞簇网络,并将三维多尺度网格细胞网络细胞放电率波包映射到位置细胞簇网络
首先构建分别对应网格细胞网络x轴、y轴、z轴的3个位置细胞簇网络,每个位置细胞簇网络均有M个簇,每个簇分别对应1个网格细胞网络,其中,对应x轴、y轴、z轴的位置细胞簇网络中的每个簇分别包含nx、ny、nz个神经元节点,如图4所示,其中由深色、浅色节点互相连接的2个五面体分别为算法在无人机位置px,y,z、px,y,z处记忆的网络记忆的网格细胞放电率波包伪二进制序列模式,神经元节点的放电率对应下式伪二进制序列值为:
其中,D()、B()分别表示M个网格细胞放电率波包坐标的十进制数序列、伪二进制序列,为第1个网格细胞放电率波包三维坐标,为第m个网格细胞放电率波包三维坐标,
Figure GDA0003647708280000096
为第M个网格细胞放电率波包三维坐标,Sparse代表稀疏化运算,b()为伪二进制序列生成方法,其计算公式如下:
6、构建位置细胞簇网络训练数据集,计算连接权值
首先,无人机依次沿X轴、Y轴、Z轴方向分别飞行l距离,飞行过程中基于实施步骤1~实施步骤7实时计算当前k时刻无人机三维位置Pk处位置细胞簇网络神经元节点的放电率Bk,并实时记录保存Pk与Bk,由Pk、Bk构成的数据序列即为位置细胞簇网络训练数据集。然后,采用有监督赫布突触学习计算步骤6中的3个位置细胞簇网络连接权值矩阵W,W计算公式如下:
Figure GDA0003647708280000101
其中,B1为k=1时刻M个网格细胞放电率波包坐标的伪二进制序列,B2为k=2时刻M个网格细胞放电率波包坐标的伪二进制序列,logical()为逻辑转换函数,wij为权值矩阵W的第i行第j列元素。
7、迭代滤波计算求无人机位置
首先,将由实施步骤4获得的当前时刻多尺度网格细胞放电率波包坐标带入实施步骤5映射到位置细胞簇网络获取位置细胞簇网络放电激活率Bt,并基于实施步骤6生成的连接权值矩阵进行网格迭代计算,迭代计算数学表达式如下:
Bt+1=WBt
其中:Bt+1为下一时刻由M个网格细胞放电率波包坐标伪二进制序列构成的矩阵。然后,采用“赢者通吃”规则对Bt+1滤波:将Bt+1中放电率最大的神经元的放电率置1,其余神经元放电率置0。
最后,循环执行上述迭代计算、滤波流程,计算Bt+1、Bt欧式距离,若欧式距离小于ξ,则停止循环,根据Bt+1获取无人机三维位置。
为了验证发明所提出的无人直升机一种基于多尺度网格细胞路径积分的类脑导航方法的正确性及有效性,采用本发明方法在Matlab计算平台对上述实施步骤1-7进行验证。
图5为本发明构建的三维多尺度网格细胞网络模型计算结果。其中,图5(1a)、图5(2a)、图5(3a)、图5(4a)、图5(5a)、图5(6a)、图5(7a)、图5(8a)、图5(9a)、图5(10a)分别为无人机飞行到终点坐标(1km,1km,1km)时的10个网格细胞网络细胞放电率波包(深颜色团体)位置;图5(1b)、图5(2b)、图5(3b)、图5(4b)、图5(5b)、图5(6b)、图5(7b)、图5(8b)、图5(9b)、图5(10b)中的黑色实线代表无人机真实飞行轨迹,圆点代表无人机依次沿X轴、Y轴、Z轴飞行1km的过程中10个网格细胞网络坐标为(64,64,64)处的网格细胞的周期放电位置。图5结果表明:本发明提出的基于指数型增益因子和三维吸引子神经网络的三维多尺度网格细胞网络模型可以将无人机自运动信息(速度/航向)准确编码为多尺度网格细胞放电率波包。
图6为本发明构建的位置细胞簇神经网络模型解码无人机三维位置计算结果。其中,黑色实线代表无人机真实飞行轨迹,虚线代表位置细胞簇神经网络解码无人机轨迹。图6结果表明:本发明提出的基于位置细胞簇神经网络的多尺度网格细胞放电率波包解码方法可以准确解算无人机三维位置。
图7为多尺度网格细胞网络失效个数与位置点计算错误率关系图。图7结果表明:当10个网格细胞网络中4个失效时,位置点计算错误率低于0.5%,说明本发明提出的基于多尺度网格细胞路径积分的类脑导航方法具有较高的鲁棒容错性。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。

Claims (9)

1.一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,包括如下步骤:
步骤1,视觉处理模块接收无人机视觉传感器实时采集的图像,并根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角;
步骤2,基于三维吸引子神经网络构建三维网格细胞网络模型,所述三维网格细胞网络模型的输入为无人机前向和高度方向线速度以及航向角,输出为网格细胞放电率波包;
步骤3,构建指数递增型速度增益因子序列,所述序列长度为M;
步骤4,将M个因子分别与M个网格细胞网络模型中的无人机前向速度和高度方向线速度相乘,构建三维多尺度网格细胞网络模型,生成M个网格细胞放电率波包;
步骤5,计算由步骤4生成的M个网格细胞放电率波包三维坐标;
步骤6,构建3个位置细胞簇网络,并将步骤5中的M个网格细胞放电率波包三维坐标映射到3个位置细胞簇网络中进行稀疏化处理;
步骤7,构建位置细胞簇网络连接权值训练数据集;
步骤8,采用有监督赫布突触学习训练获得位置细胞簇网络连接权值矩阵;
步骤9,将由步骤5获得的网格细胞放电率波包三维坐标带入步骤6进行稀疏化处理,并基于步骤8生成的连接权值矩阵进行网格迭代计算;
步骤10,采用“赢者通吃”规则对位置细胞簇网络中各细胞放电激活率进行滤波,然后循环执行步骤9、步骤10,直到位置细胞簇网络收敛到稳定状态,读取网络状态,获取无人机三维位置。
2.根据权利要求1所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤2所述三维网格细胞网络模型为:
其中,
Figure FDA0003647708270000012
为当前时刻三维网格细胞网络所有细胞放电率构成的活性矩阵,γ为余数矩阵,
Figure FDA0003647708270000013
为t-1时刻归一化后的网格细胞活性矩阵,a、b、c分别为沿网络拓扑x、y、z方向的网格细胞活性矩阵更新自变量,分别是沿网络拓扑x、y、z方向的向下取整的整数偏移量;
(2.1)γ的数学表达式为:
Figure FDA0003647708270000021
其中,分别是沿网络拓扑x、y、z方向的小数偏移量,x、y、z分别是网络拓扑的3个坐标轴,kx、ky、kz为常数,v、vh、θ分别为无人机水平前向速度、高度速度、航向角,代表向下取整运算符号;
(2.2)
Figure FDA0003647708270000025
的数学表达式为:
其中,
Figure FDA0003647708270000027
为t-1时刻归一化后的网格细胞活性矩阵,为t-1时刻进行归一化计算前的网格细胞活性矩阵,其计算过程如下:
Figure FDA0003647708270000029
其中,
Figure FDA00036477082700000210
分别为吸引子动力学全局抑制后的网格细胞活性矩阵变化量、局部兴奋后的网格细胞活性矩阵变化量、t-1时刻的网格细胞活性矩阵;
(2.3)的数学表达式为:
其中,为局部兴奋后的网格细胞活性矩阵变化量,εu,v,w为任意两个网格细胞之间的兴奋性连接权值,为全局抑制因子常量,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个方向的网格细胞数量;
(2.4)εu,v,w计算公式如下:
其中,δx、δy、δz分别为x、y、z三个方向的方差常数,ux、vy、wz分别为三维网格细胞网络中任意两个网格细胞分别沿网络拓扑x、y、z三个方向的网格距离,其计算公式如下:
其中,xn、yn、zn分别为某一网格细胞在网格细胞网络中的索引标号,i、j、k为另一网格细胞索引标号,nx、ny、nz分别为三维网格细胞网络沿网络拓扑x、y、z三个方向的网格细胞数量;
(2.5)的数学表达式为:
其中,网格细胞活性矩阵中放电率大于0的网格细胞构成的细胞簇即为三维网格细胞网络模型输出的网格细胞放电率波包。
3.根据权利要求1所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤3所述指数递增型增益因子序列G数学表达式为:
G=[g1,…,gm,…,gM]
gm=gM·αm-M
其中,gm为第m个网格细胞网络对应的速度增益因子,gM为第M个网格细胞网络对应的速度增益因子常数,g1为第1个网格细胞网络对应的速度增益因子常数,αm-M为第m个网格细胞网络对应的指数放大倍数,α为指数因子常数。
4.根据权利要求1所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤5所述M个网格细胞网络放电率波包三维坐标计算方法如下:
采用重心法计算M个网格细胞放电率波包坐标
Figure FDA0003647708270000035
数学表达式为:
其中,m=1,2,…,M,px为放电率波包向量在网络拓扑x方向的投影向量,py为放电率波包向量在网络拓扑y方向的投影向量,pz为放电率波包向量在网络拓扑z方向的投影向量。
5.根据权利要求1所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤6所述映射到位置细胞簇网络稀进行疏化处理方法如下:
首先构建分别对应网格细胞网络x轴、y轴、z轴的3个位置细胞簇网络,每个位置细胞簇网络均有M个簇,每个簇分别对应1个网格细胞网络,其中,对应x轴、y轴、z轴的位置细胞簇网络中的每个簇分别包含nx、ny、nz个神经元节点,神经元节点的放电率对应下式伪二进制序列值:
其中,D()、B()分别表示M个网格细胞放电率波包坐标的十进制数序列、伪二进制序列,为第1个网格细胞放电率波包三维坐标,为第m个网格细胞放电率波包三维坐标,
Figure FDA0003647708270000044
为第M个网格细胞放电率波包三维坐标,Sparse代表稀疏化运算,b()为伪二进制序列生成方法,其计算公式如下:
6.根据权利要求1所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤7所述位置细胞簇网络连接权值训练数据集构建方法如下:
无人机依次沿X轴、Y轴、Z轴方向分别飞行l距离,飞行过程中基于步骤1~步骤6实时计算当前k时刻无人机三维位置Pk处位置细胞簇网络神经元节点的放电率Bk,并实时记录保存Pk与Bk,由Pk、Bk构成的数据序列即为位置细胞簇网络连接权值训练数据集。
7.根据权利要求6所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤8所述位置细胞簇网络连接权值矩阵W计算公式如下:
其中,B1为k=1时刻M个网格细胞放电率波包坐标的伪二进制序列,B2为k=2时刻M个网格细胞放电率波包坐标的伪二进制序列,logical()为逻辑转换函数,其数学表达式如下所示:
Figure FDA0003647708270000047
其中,wij为权值矩阵W的第i行第j列元素。
8.根据权利要求7所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤9所述网格迭代计算数学表达式如下:
Bt+1=WBt
其中:Bt为当前时刻由M个网格细胞放电率波包坐标伪二进制序列构成的矩阵,Bt+1为下一时刻由M个网格细胞放电率波包坐标伪二进制序列构成的矩阵。
9.根据权利要求8所述一种基于多尺度网格细胞路径积分的类脑导航方法,其特征在于,步骤10所述“赢者通吃”规则滤波过程如下:
将Bt+1中放电率最大的神经元的放电率置1,其余神经元放电率置0;
然后将赢者通吃滤波后的Bt+1带入到步骤9公式,计算下一循环时刻Bt+2;然后计算Bt+2、Bt+1欧式距离,若距离小于ξ,则停止循环,根据Bt+2获取无人机三维位置。
CN202011376799.6A 2020-11-30 2020-11-30 一种基于多尺度网格细胞路径积分的类脑导航方法 Active CN112648999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011376799.6A CN112648999B (zh) 2020-11-30 2020-11-30 一种基于多尺度网格细胞路径积分的类脑导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011376799.6A CN112648999B (zh) 2020-11-30 2020-11-30 一种基于多尺度网格细胞路径积分的类脑导航方法

Publications (2)

Publication Number Publication Date
CN112648999A CN112648999A (zh) 2021-04-13
CN112648999B true CN112648999B (zh) 2022-07-22

Family

ID=75349853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011376799.6A Active CN112648999B (zh) 2020-11-30 2020-11-30 一种基于多尺度网格细胞路径积分的类脑导航方法

Country Status (1)

Country Link
CN (1) CN112648999B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699125B (zh) * 2013-12-09 2016-04-06 北京工业大学 一种基于鼠脑海马导航的机器人仿真导航方法
CN109425340B (zh) * 2017-08-28 2022-03-22 中国科学院沈阳自动化研究所 基于贝叶斯多模感知融合的类脑机器人导航方法
CN109668566B (zh) * 2018-12-05 2022-05-13 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
CN113228043A (zh) * 2019-01-22 2021-08-06 深圳市大疆创新科技有限公司 移动平台基于神经网络的障碍物检测及关联的系统和方法
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
CN111552298A (zh) * 2020-05-26 2020-08-18 北京工业大学 一种基于鼠脑海马空间细胞的仿生定位方法

Also Published As

Publication number Publication date
CN112648999A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Tai et al. A deep-network solution towards model-less obstacle avoidance
Santoso et al. State-of-the-art intelligent flight control systems in unmanned aerial vehicles
CN109992000B (zh) 一种基于分层强化学习的多无人机路径协同规划方法及装置
CN111061277B (zh) 一种无人车全局路径规划方法和装置
CN106814737B (zh) 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法
Sanfeliu et al. Decentralized sensor fusion for ubiquitous networking robotics in urban areas
Chhikara et al. DCNN-GA: A deep neural net architecture for navigation of UAV in indoor environment
Cheng et al. Research status of artificial neural network and its application assumption in aviation
CN112256056A (zh) 基于多智能体深度强化学习的无人机控制方法及系统
CN113110592A (zh) 一种无人机避障与路径规划方法
Fu et al. Neural network-based learning from demonstration of an autonomous ground robot
Chhikara et al. Federated learning and autonomous UAVs for hazardous zone detection and AQI prediction in IoT environment
Ahmed et al. Distributed 3-D Path Planning for Multi-UAVs with Full Area Surveillance Based on Particle Swarm Optimization
Wei et al. An improved method based on deep reinforcement learning for target searching
Kim et al. Scalable learning with a structural recurrent neural network for short-term traffic prediction
Xia et al. Multiple task assignment and path planning of a multiple unmanned surface vehicles system based on improved self-organizing mapping and improved genetic algorithm
CN112648999B (zh) 一种基于多尺度网格细胞路径积分的类脑导航方法
Ouahouah et al. Deep-Reinforcement-Learning-Based Collision Avoidance in UAV Environment
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
Oh et al. Fisheye-Based Smart Control System for Autonomous UAV Operation
Wang et al. Brain-inspired intelligence and visual perception
Sarkar et al. Real-time object processing and routing for intelligent drones: A novel approach
Yoshida et al. S3G-ARM: Highly Compressive Visual Self-localization from Sequential Semantic Scene Graph Using Absolute and Relative Measurements
Xiaofei et al. Global path planning algorithm based on double DQN for multi-tasks amphibious unmanned surface vehicle
Toubeh Risk-aware planning by extracting uncertainty from deep learning-based perception

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