CN113297506A - 一种基于社交位置细胞/网格细胞的类脑相对导航方法 - Google Patents

一种基于社交位置细胞/网格细胞的类脑相对导航方法 Download PDF

Info

Publication number
CN113297506A
CN113297506A CN202110636073.XA CN202110636073A CN113297506A CN 113297506 A CN113297506 A CN 113297506A CN 202110636073 A CN202110636073 A CN 202110636073A CN 113297506 A CN113297506 A CN 113297506A
Authority
CN
China
Prior art keywords
cell network
dimensional
grid cell
relative
social
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
CN202110636073.XA
Other languages
English (en)
Other versions
CN113297506B (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 CN202110636073.XA priority Critical patent/CN113297506B/zh
Publication of CN113297506A publication Critical patent/CN113297506A/zh
Application granted granted Critical
Publication of CN113297506B publication Critical patent/CN113297506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于社交位置细胞/网格细胞的类脑相对导航方法，属于集群无人机智能导航领域。该方法借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理。首先基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息，然后利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息，最后通过突触关联学习算法融合内源性与外源性相对位置信息得到无人机之间的相对位置信息。本发明提供了一种无需线性化原始信号保真度高、架构具有可学习性、普适性强的类脑相对导航方法，可用于卫星拒止复杂环境下集群无人机的智能自主相对导航。

Description

一种基于社交位置细胞/网格细胞的类脑相对导航方法
技术领域
本发明涉及一种基于社交位置细胞/网格细胞的类脑相对导航方法，属于集群无人机智能导航领域。
背景技术
集群无人机是由一定数量无人机个体通过特定集群机制所形成的一类可重构、按需设计、分布式的网络化系统，在充分发挥数量优势的情况下，相比单个大型无人机，具有显著增强的任务执行能力、灵活性和鲁棒性，在侦察、搜救、集群灯光秀表演、测绘测量等军民用领域具有广阔的应用前景。
准确可靠的相对导航信息，是确保无人机集群顺利飞行并进行作业活动的前提和基础。当前，集群无人机在卫星拒止复杂环境下飞行主要采用基于惯性/视觉测角/无线电测距信息的扩展卡尔曼滤波(EKF)算法进行相对导航，存在因线性化而损失有效感知信息、因需根据传感器类别预先构建固定导航方程而不具有普适性、因采用基于方差最小原则的参数估计架构而缺乏学习能力，无法满足卫星拒止复杂环境下的集群智能自主相对导航需求。
蝙蝠具有优秀的群体相对导航能力，即使处于黑暗、强磁干扰等复杂环境，仍保持可靠准确的感知同伴空间位置能力。近年来，随着蝙蝠海马区中与相对导航相关的社交位置细胞、网格细胞的发现，神经科学家逐渐揭示了蝙蝠群体相对导航神经机理，为解决集群无人机相对导航难题提供了新思路。
因此，研究基于社交位置细胞、网格细胞的类脑相对导航方法，提高卫星拒止复杂环境下集群无人机相对导航的鲁棒性、自主性、智能性具有重要的科学和应用价值。
发明内容
为了解决现有集群无人机相对导航方法在卫星拒止复杂环境下存在的鲁棒性差、计算不准确难题，本发明提出了一种基于社交位置细胞/网格细胞的类脑相对导航方法。
本发明为解决其技术问题采用如下技术方案：
一种基于社交位置细胞/网格细胞的类脑相对导航方法，包括如下步骤：
步骤1，两架无人机均搭载惯性导航模块、视觉模块、机载数据链模块，周期性输出两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离；
步骤2，采用吸引子网络构建三维网格细胞网络模型；
步骤3，将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分计算；
步骤4，采用三维各向同性高斯函数构建三维社交位置细胞网络模型并输入两架无人机之间的相对俯仰角、相对偏航角、相对距离；
步骤5，通过赫布学习算法获取三维社交位置细胞网络与三维网格细胞网络连接权值矩阵；
步骤6，利用连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合得到两架无人机之间三维相对位置的神经表征；
步骤7，采用神经元群体矢量平均算法对神经表征进行解码得到两架无人机之间的三维相对位置。
步骤2所述三维网格细胞网络模型：
(1)兴奋性更新：
Figure BDA0003105749340000011
其中，
Figure BDA0003105749340000012
为三维网格细胞网络活性兴奋性增量矩阵；x、y、z分别为三维网格细胞网络的东向、北向、天向轴；l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号；nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵，初值由随机数产生；wx,y,z为任意两个网格细胞之间的连接权值，wx,y,z计算公式如下：
Figure BDA0003105749340000021
其中，δx、δy、δz分别为东向、北向、天向相对位置方差常数，gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离，其计算公式如下：
Figure BDA0003105749340000022
其中，l′为其中一个网格细胞在x轴向上的细胞索引序号，l″为另一个网格细胞在x轴向上的细胞索引序号，m′为其中一个网格细胞在y轴向上的细胞索引序号，m″为另一个网格细胞在y轴向上的细胞索引序号，n′为其中一个网格细胞在z轴向上的细胞索引序号，n″为另一个网格细胞在z轴向上的细胞索引序号，nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；
Figure BDA0003105749340000023
其中，Sx′,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；Sx,y,z为兴奋性刺激前的三维网格细胞网络活性矩阵；
Figure BDA0003105749340000024
为三维网格细胞网络活性兴奋性增量矩阵。
(2)抑制性更新
Figure BDA0003105749340000025
其中，
Figure BDA0003105749340000026
为三维网格细胞网络活性抑制性增量矩阵；l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号；nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；Sx′,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；wx,y,z为任意两个网格细胞之间的连接权值；γ为全局抑制因子常量。
Figure BDA0003105749340000027
其中，S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵；S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；
Figure BDA0003105749340000028
为三维网格细胞网络活性抑制性增量矩阵。
(3)规范化处理
Figure BDA0003105749340000029
其中，
Figure BDA00031057493400000210
为非负、归一化处理后的三维网格细胞网络活性矩阵；max[]代表取最大值符号；S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵；| |为矩阵求模符号。
步骤3所述两架无人机之间的三维相对运动速度的相对路径积分计算方法如下：
Figure BDA00031057493400000211
其中，
Figure BDA00031057493400000212
为相对路径积分后的三维网格细胞网络活性矩阵；a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量；β为余数矩阵；
Figure BDA0003105749340000031
为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵；Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量，其计算公式如下：
Figure BDA0003105749340000032
其中，kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数；vx、vy、vz分别为两无人机之间的三维相对速度；
Figure BDA0003105749340000033
代表向下取整运算符号。
余数矩阵β的数学表达式为：
β＝f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
Figure BDA0003105749340000034
Figure BDA0003105749340000035
其中，Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量；p为余数矩阵因子函数的偏移自变量，q为余数矩阵因子函数的判别自变量；kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数；vx、vy、vz分别为两无人机之间的三维相对速度；Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量。
步骤4中所述三维社交位置细胞网络模型为：
(1)基于三维高斯函数的放电率表征
Figure BDA0003105749340000036
Figure BDA0003105749340000037
其中，
Figure BDA0003105749340000038
为I×J×K的社交位置细胞网络活性矩阵；i、j、k分别为某一社交位置细胞在
Figure BDA0003105749340000039
θ、r三个轴向上的细胞索引序号；si,j,k为序号为(i,j,k)的社交位置细胞的放电率；
Figure BDA00031057493400000310
θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离；
Figure BDA00031057493400000311
θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离，其值由预先分配设置；σ为社交位置细胞网络的方差常数。
(2)放电率归一化
Figure BDA00031057493400000312
其中，
Figure BDA00031057493400000313
为归一化后的社交位置细胞网络活性矩阵；
Figure BDA00031057493400000314
为I×J×K的社交位置细胞网络活性矩阵；||为矩阵求模符号。
步骤5中所述三维社交位置细胞网络与三维网格细胞网络连接权值矩阵计算方法如下：
C＝{c(i,j,k)(l,m,n)}
Figure BDA00031057493400000315
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵；c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值；
Figure BDA0003105749340000041
为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值；
Figure BDA0003105749340000042
为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值；η为赫布学习学习速率；
Figure BDA0003105749340000043
为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率；
Figure BDA0003105749340000044
为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
步骤6所述三维社交位置细胞网络与三维网格细胞网络的关联融合方法如下：
Figure BDA0003105749340000045
Figure BDA0003105749340000046
其中，
Figure BDA0003105749340000047
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵；
Figure BDA0003105749340000048
为
Figure BDA0003105749340000049
中序号为(l,m,n)的网格细胞活性增量；I为三维社交位置细胞网络沿
Figure BDA00031057493400000410
轴向的社交位置细胞维数；J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数；K为三维社交位置细胞网络沿r轴向的社交位置细胞维数；μ为活性注入限制常量。
Figure BDA00031057493400000411
其中，
Figure BDA00031057493400000412
为关联融合后的三维网格细胞网络活性矩阵；
Figure BDA00031057493400000413
为相对路径积分后的三维网格细胞网络活性矩阵；
Figure BDA00031057493400000414
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
步骤7所述解码神经表征求解两架无人机之间的三维相对位置方法如下：
Figure BDA00031057493400000415
其中，r为解码获得的两架无人机之间的三维相对位置，
Figure BDA00031057493400000416
分别为关联融合后的三维网格细胞网络活性矩阵
Figure BDA00031057493400000417
中序号为(l,m,n)的网格细胞活性；xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置，该值通过预先设置确定。
本发明的有益效果如下：
本发明的方法借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理，采用神经动力学模型进行实施：基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息；利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息；通过突触关联学习算法融合内源性与外源性相对位置信息得到无人机之间的相对位置信息。该方法无需线性化原始信号保真度高、架构具有可学习性、普适性强，提高集群无人机相对导航的鲁棒性、自主性、智能性，可用于卫星拒止和未知复杂环境下集群无人机智能自主相对导航。
附图说明
图1是本发明一种基于社交位置细胞/网格细胞的类脑相对导航方法的架构图。
图2是两架无人机平台和坐标系示意图。
图3是两架无人机之间的真实三维相对位置图。
图4是关联融合三维社交位置细胞网络外源性、三维网格细胞网络内源性相对位置信息后得到两架无人机之间三维相对位置的神经表征图。
图5是采用神经元群体矢量平均算法解码得到的两架无人机之间的三维相对位置图。
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社交位置细胞/网格细胞的类脑相对导航方法，用于卫星拒止复杂环境下集群无人机的智能自主相对导航。借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理，采用神经动力学方法构建输入为相对运动速度、相对俯仰角、相对偏航角、相对距离，输出为三维相对位置信息的集群无人机类脑相对导航模型。首先无人机惯性导航模块、视觉模块、机载数据链模块，周期性提供两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离；然后基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息；其次利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息；最后通过突触关联学习算法融合内源性与外源性相对位置信息解码得到无人机之间的相对位置信息。
本发明的具体实施方式如下：
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。
1、获取无人机相对导航传感信息
为集群中的每一架无人机装载惯性导航模块、视觉模块、机载数据链模块，如图2所示，其中，视觉模块输出本无人机相对另一架无人机的相对俯仰角和相对偏航角；惯性导航模块输出本无人机在地理坐标系下的三维速度；机载数据链模块接收来自另一架无人机惯性导航模块输出的另一架无人机在地理坐标系下的三维速度，以及本无人机相对另一架无人机的相对距离。
2、构建三维网格细胞网络模型：
构建三维网格细胞网络模型，其拓扑图如图1所示，包括三个步骤：兴奋性更新、抑制性更新、规范化处理，输入为随机初始化的网格细胞放电率，输出为稳定的网格细胞放电率活性矩阵。
(1)兴奋性更新：
Figure BDA0003105749340000061
其中，
Figure BDA0003105749340000062
为三维网格细胞网络活性兴奋性增量矩阵；x、y、z分别为三维网格细胞网络的东向、北向、天向轴；l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号；nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵，初值由随机数产生；wx,y,z为任意两个网格细胞之间的连接权值，wx,y,z计算公式如下：
Figure BDA0003105749340000063
其中，δx、δy、δz分别为东向、北向、天向相对位置方差常数，gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离，其计算公式如下：
Figure BDA0003105749340000064
其中，l′为其中一个网格细胞在x轴向上的细胞索引序号，l″为另一个网格细胞在x轴向上的细胞索引序号，m′为其中一个网格细胞在y轴向上的细胞索引序号，m″为另一个网格细胞在y轴向上的细胞索引序号，n′为其中一个网格细胞在z轴向上的细胞索引序号，n″为另一个网格细胞在z轴向上的细胞索引序号，nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；
Figure BDA0003105749340000065
其中，S″x，y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵。
(2)抑制性更新
Figure BDA0003105749340000066
其中，
Figure BDA0003105749340000067
为三维网格细胞网络活性抑制性增量矩阵；γ为全局抑制因子常量。
Figure BDA0003105749340000068
其中，S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵。
(3)规范化处理
Figure BDA0003105749340000069
其中，
Figure BDA00031057493400000610
为非负、归一化处理后的三维网格细胞网络活性矩阵；max[]代表取最大值符号；||为矩阵求模符号。
3、将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分：
基于三维网格细胞网络模型，输入为两无人机三维速度之差，即三维相对运动速度，模型对输入进行相对路径积分运算，输出为移动的网格细胞放电率：相对路径积分计算过程如下：
Figure BDA0003105749340000071
其中，
Figure BDA0003105749340000072
为相对路径积分后的三维网格细胞网络活性矩阵；a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量；β为余数矩阵；
Figure BDA0003105749340000073
为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵；Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量，其计算公式如下：
Figure BDA0003105749340000074
其中，kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数；vx、vy、vz分别为两无人机之间的三维相对速度；
Figure BDA0003105749340000075
代表向下取整运算符号。
余数矩阵β的数学表达式为：
β＝f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
Figure BDA0003105749340000076
Figure BDA0003105749340000077
其中，Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量，p为余数矩阵因子函数的偏移自变量，q为余数矩阵因子函数的判别自变量。
4、构建三维社交位置细胞网络模型：
基于三维高斯函数构建三维社交位置细胞网络模型，输入为两架无人机相对偏航角、相对俯仰角、相对距离，输出为社交位置细胞放电率，该网络拓扑结构如图1所示，社交位置模型构建过程为：
(1)基于三维高斯函数的放电率表征
Figure BDA0003105749340000078
Figure BDA0003105749340000079
其中，
Figure BDA0003105749340000081
为I×J×K的社交位置细胞网络活性矩阵；si,j,k为序号为(i,j,k)的社交位置细胞的放电率；
Figure BDA0003105749340000082
θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离；
Figure BDA0003105749340000083
θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离，其值由预先分配设置；σ为社交位置细胞网络的方差常数。
(2)放电率归一化
Figure BDA0003105749340000084
其中，
Figure BDA0003105749340000085
为归一化后的社交位置细胞网络活性矩阵；
Figure BDA0003105749340000086
为I×J×K的社交位置细胞网络活性矩阵；||为矩阵求模符号。
5、计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵：
采用赫布学习，计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵，该计算过程如下：
C＝{c(i,j,k)(l,m,n)}
Figure BDA0003105749340000087
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵；c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值；
Figure BDA0003105749340000088
为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值；
Figure BDA0003105749340000089
为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值；η为赫布学习学习速率；
Figure BDA00031057493400000810
为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率，
Figure BDA00031057493400000811
为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
6、通过连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合：
所述三维社交位置细胞网络与三维网格细胞网络的关联融合方法如下：
Figure BDA00031057493400000812
Figure BDA00031057493400000813
其中，
Figure BDA00031057493400000814
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵；
Figure BDA00031057493400000815
为
Figure BDA00031057493400000816
中序号为(l,m,n)的网格细胞活性增量；I为三维社交位置细胞网络沿
Figure BDA00031057493400000817
轴向的社交位置细胞维数；J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数；K为三维社交位置细胞网络沿r轴向的社交位置细胞维数；μ为活性注入限制常量。
Figure BDA0003105749340000091
其中，
Figure BDA0003105749340000092
为关联融合后的三维网格细胞网络活性矩阵；
Figure BDA0003105749340000093
为相对路径积分后的三维网格细胞网络活性矩阵；
Figure BDA0003105749340000094
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
7、采用神经元群体矢量平均算法解码三维相对位置：
所述解码神经表征求解两架无人机之间的三维相对位置方法如下：
Figure BDA0003105749340000095
其中，r为解码获得的两架无人机之间的三维相对位置，
Figure BDA0003105749340000096
分别为关联融合后的三维网格细胞网络活性矩阵
Figure BDA0003105749340000097
中序号为(l,m,n)的网格细胞活性；xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置，该值通过预先设置确定。
为了验证发明所提出的一种基于社交位置细胞/网格细胞的类脑相对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3为20秒内连续输出的两架无人机之间的真实三维相对位置曲线。
图4为本发明构建的关联融合三维社交位置细胞网络和三维网格细胞网络表征的相对位置信息后得到的某时刻两架无人机之间三维相对位置的神经表征图。图中的黑色斑点代表相应位置处的网格细胞放电率大于零，其中，黑色斑点的中心的网格细胞所代表的优先相对位置(0,0,4)即为两架无人机之间的三维相对位置。
图5是采用神经元群体矢量平均算法对20秒内连续输出的神经表征图解码得到的两架无人机之间的三维相对位置曲线。
对比图3与图5结果表明：在输入含噪的相对运动速度、相对俯仰角、相对偏航角、相对距离信息后，本发明提出的基于社交位置细胞/网格细胞模型的类脑相对导航方法可以准确表征和解码无人机之间的三维相对位置。
本发明所提方法中社交位置细胞网络的输入信息为相对俯仰角、相对偏航角、相对距离信息，图4与图5结果表明了这些输入信息无需线性化为三维相对位置信息即可用于输入网格细胞网络参与准确计算三维相对位置信息。此外，这些输入信息可任意更换为能够表征三维相对位置的任何信息。
图3至图5结果综合表明了本发明提出的基于社交位置细胞/网格细胞模型的类脑相对导航方法具有较高的鲁棒智能性。
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 (7)

1.一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，包括以下步骤：
步骤1，两架无人机均搭载惯性导航模块、视觉模块、机载数据链模块，周期性输出两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离；
步骤2，采用吸引子网络构建三维网格细胞网络模型；
步骤3，将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分计算；
步骤4，采用三维各向同性高斯函数构建三维社交位置细胞网络模型并输入两架无人机之间的相对俯仰角、相对偏航角、相对距离；
步骤5，通过赫布学习算法获取三维社交位置细胞网络与三维网格细胞网络连接权值矩阵；
步骤6，利用连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合得到两架无人机之间三维相对位置的神经表征；
步骤7，采用神经元群体矢量平均算法对神经表征进行解码得到两架无人机之间的三维相对位置。
2.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤2中采用如下方式构建三维网格细胞网络模型：
(1)兴奋性更新：
Figure FDA0003105749330000011
其中，
Figure FDA0003105749330000012
为三维网格细胞网络活性兴奋性增量矩阵；x、y、z分别为三维网格细胞网络的东向、北向、天向轴；l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号；nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵，初值由随机数产生；wx,y,z为任意两个网格细胞之间的连接权值，wx,y,z计算公式如下：
Figure FDA0003105749330000013
其中，δx、δy、δz分别为东向、北向、天向相对位置方差常数，gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离，其计算公式如下：
Figure FDA0003105749330000021
其中，l′为其中一个网格细胞在x轴向上的细胞索引序号，l″为另一个网格细胞在x轴向上的细胞索引序号，m′为其中一个网格细胞在y轴向上的细胞索引序号，m″为另一个网格细胞在y轴向上的细胞索引序号，n′为其中一个网格细胞在z轴向上的细胞索引序号，n″为另一个网格细胞在z轴向上的细胞索引序号，nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；
Figure FDA0003105749330000022
其中，S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；Sx,y,z为兴奋性刺激前的三维网格细胞网络活性矩阵；
Figure FDA0003105749330000023
为三维网格细胞网络活性兴奋性增量矩阵；
(2)抑制性更新
Figure FDA0003105749330000024
其中，
Figure FDA0003105749330000025
为三维网格细胞网络活性抑制性增量矩阵；l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号；nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数；S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；wx,y,z为任意两个网格细胞之间的连接权值；γ为全局抑制因子常量；
Figure FDA0003105749330000026
其中，S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵；S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵；
Figure FDA0003105749330000027
为三维网格细胞网络活性抑制性增量矩阵；
(3)规范化处理
Figure FDA0003105749330000028
其中，
Figure FDA0003105749330000029
为非负、归一化处理后的三维网格细胞网络活性矩阵；max[ ]代表取最大值符号；S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵；| |为矩阵求模符号。
3.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤3中采用如下方式对两架无人机之间的三维相对运动速度进行相对路径积分计算：
Figure FDA0003105749330000031
其中，
Figure FDA0003105749330000032
为相对路径积分后的三维网格细胞网络活性矩阵；a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量；β为余数矩阵；
Figure FDA0003105749330000033
为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵；Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量，其计算公式如下：
Figure FDA0003105749330000034
其中，kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数；vx、vy、vz分别为两无人机之间的三维相对速度；
Figure FDA0003105749330000035
代表向下取整运算符号；
余数矩阵β的数学表达式为：
β＝f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
Figure FDA0003105749330000036
Figure FDA0003105749330000037
其中，Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量；p为余数矩阵因子函数的偏移自变量，q为余数矩阵因子函数的判别自变量；kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数；vx、vy、vz分别为两无人机之间的三维相对速度；Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量。
4.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤4中采用如下方式建立三维社交位置细胞网络模型：
(1)基于三维高斯函数的放电率表征
Figure FDA0003105749330000038
Figure FDA0003105749330000039
其中，
Figure FDA0003105749330000041
为I×J×K的社交位置细胞网络活性矩阵；i、j、k分别为某一社交位置细胞在
Figure FDA0003105749330000042
θ、r三个轴向上的细胞索引序号；si,j,k为序号为(i,j,k)的社交位置细胞的放电率；
Figure FDA0003105749330000043
θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离；
Figure FDA0003105749330000044
θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离，其值由预先分配设置；σ为社交位置细胞网络的方差常数；
(2)放电率归一化
Figure FDA0003105749330000045
其中，
Figure FDA0003105749330000046
为归一化后的社交位置细胞网络活性矩阵；
Figure FDA0003105749330000047
为I×J×K的社交位置细胞网络活性矩阵；| |为矩阵求模符号。
5.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤5中采用如下方式计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵：
C＝{c(i,j,k)(l,m,n)}
Figure FDA0003105749330000048
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵；c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值；
Figure FDA0003105749330000049
为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值；
Figure FDA00031057493300000410
为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值；η为赫布学习学习速率；
Figure FDA00031057493300000411
为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率，
Figure FDA00031057493300000412
为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
6.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤6中采用如下方式对三维社交位置细胞网络与三维网格细胞网络进行关联融合：
Figure FDA00031057493300000413
Figure FDA00031057493300000414
其中，
Figure FDA00031057493300000415
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵；
Figure FDA00031057493300000416
为
Figure FDA00031057493300000417
中序号为(l,m,n)的网格细胞活性增量；I为三维社交位置细胞网络沿
Figure FDA00031057493300000418
轴向的社交位置细胞维数；J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数；K为三维社交位置细胞网络沿r轴向的社交位置细胞维数；μ为活性注入限制常量；
Figure FDA0003105749330000051
其中，
Figure FDA0003105749330000052
为关联融合后的三维网格细胞网络活性矩阵；
Figure FDA0003105749330000053
为相对路径积分后的三维网格细胞网络活性矩阵；
Figure FDA0003105749330000054
为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
7.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法，其特征在于，步骤7，采用如下方式进行解码：
Figure FDA0003105749330000055
其中，r为解码获得的两架无人机之间的三维相对位置，
Figure FDA0003105749330000056
分别为关联融合后的三维网格细胞网络活性矩阵
Figure FDA0003105749330000057
中序号为(l,m,n)的网格细胞活性；xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置，该值通过预先设置确定。
CN202110636073.XA 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法 Active CN113297506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636073.XA CN113297506B (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636073.XA CN113297506B (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Publications (2)

Publication Number Publication Date
CN113297506A true CN113297506A (zh) 2021-08-24
CN113297506B CN113297506B (zh) 2024-10-29

Family

ID=77327594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636073.XA Active CN113297506B (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Country Status (1)

Country Link
CN (1) CN113297506B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743586A (zh) * 2021-09-07 2021-12-03 中国人民解放军空军工程大学 一种基于海马空间认知机理的运行体自主定位方法
CN114612560A (zh) * 2022-03-17 2022-06-10 中山大学 一种三维拓扑经验地图的构建方法、装置及相关设备
CN114894191A (zh) * 2022-04-14 2022-08-12 河南大学 一种适用于动态复杂环境的无人机导航方法
CN118583155A (zh) * 2024-05-20 2024-09-03 南京航空航天大学 一种融合自运动线索和外界感知信息的脑启发导航方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044031A (zh) * 2019-10-10 2020-04-21 北京工业大学 一种基于鼠脑海马信息传递机制的认知地图构建方法
CN112097769A (zh) * 2020-08-05 2020-12-18 北京航空航天大学 仿信鸽脑-海马的无人机同时定位与建图导航系统及方法
CN112648999A (zh) * 2020-11-30 2021-04-13 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044031A (zh) * 2019-10-10 2020-04-21 北京工业大学 一种基于鼠脑海马信息传递机制的认知地图构建方法
CN112097769A (zh) * 2020-08-05 2020-12-18 北京航空航天大学 仿信鸽脑-海马的无人机同时定位与建图导航系统及方法
CN112648999A (zh) * 2020-11-30 2021-04-13 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUN HAN等: "Brain-Inspired Spatial Representation Based on Grid Cells with Finite-Spacing Firing Field", 2019 CHINESE AUTOMATION CONGRESS, pages 797 - 801 *
晁丽君等: "无人飞行器三维类脑SLAM自主导航方法", 飞控与探测, vol. 3, no. 5, pages 35 - 42 *
杨闯: "基于多尺度网格细胞模型的无人机类脑矢量导航方法", 中国惯性技术学报, vol. 28, no. 2, pages 179 - 185 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743586A (zh) * 2021-09-07 2021-12-03 中国人民解放军空军工程大学 一种基于海马空间认知机理的运行体自主定位方法
CN113743586B (zh) * 2021-09-07 2024-04-26 中国人民解放军空军工程大学 一种基于海马空间认知机理的运行体自主定位方法
CN114612560A (zh) * 2022-03-17 2022-06-10 中山大学 一种三维拓扑经验地图的构建方法、装置及相关设备
CN114894191A (zh) * 2022-04-14 2022-08-12 河南大学 一种适用于动态复杂环境的无人机导航方法
CN114894191B (zh) * 2022-04-14 2024-04-26 河南大学 一种适用于动态复杂环境的无人机导航方法
CN118583155A (zh) * 2024-05-20 2024-09-03 南京航空航天大学 一种融合自运动线索和外界感知信息的脑启发导航方法
CN118583155B (zh) * 2024-05-20 2025-09-26 南京航空航天大学 一种融合自运动线索和外界感知信息的脑启发导航方法

Also Published As

Publication number Publication date
CN113297506B (zh) 2024-10-29

Similar Documents

Publication Publication Date Title
CN113297506A (zh) 一种基于社交位置细胞/网格细胞的类脑相对导航方法
CN102591358B (zh) 一种多无人机的动态编队控制方法
CN111238469B (zh) 一种基于惯性/数据链的无人机编队相对导航方法
CN116540697B (zh) 一种基于动态拓扑结构的异构多无人系统编队跟踪控制方法
Escobar-Alvarez et al. Bioinspired approaches for autonomous small-object detection and avoidance
CN116382330A (zh) 一种目标驱动下的集群无人机协同导航方法
CN115388890A (zh) 基于视觉的多无人机协同对地目标定位方法
CN108766035A (zh) 一种点密度引导下的无人机地形匹配飞行控制系统
Li et al. UAV obstacle avoidance by human-in-the-loop reinforcement in arbitrary 3D environment
Subramanian et al. Integrating computer vision and photogrammetry for autonomous aerial vehicle landing in static environment
Zuo et al. Overview of obstacle avoidance algorithms for UAV environment awareness
TW202334613A (zh) 利用三維重建地圖搜尋路徑之方法
CN115357049A (zh) 基于视觉的无人机非合作目标有限时间跟踪方法及系统
CN118795904B (zh) 一种基于辐射场的四旋翼无人机的运动规划方法
Shastry et al. Autonomous detection and tracking of a high-speed ground vehicle using a quadrotor UAV
CN109029451A (zh) 基于网络信标矫正的小型无人机自主定位方法
Ramirez et al. Stability analysis of a vision-based UAV controller: An application to autonomous road following missions
CN118672299A (zh) 一种基于激光雷达的无人机自主择址着陆方法
Rijal et al. Integrated Guidance, Navigation and Control for Coordinated Capture of Intruder Swarms by Multiple Pursuing Quadcopters
Li et al. Research on the control method of unmanned helicopter under the background of artificial intelligence
Liu et al. Motion estimation using optical flow sensors and rate gyros
Ma et al. Development of a vision-based guidance law for tracking a moving target
Fantoni et al. Optic flow-based control and navigation of mini aerial vehicles
CN114924591A (zh) 一种无人飞行集群分组跟踪控制一体化方法
CN115328199A (zh) 一种基于单目视觉信息形成无人机群集性的方法

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